用于自动确定特性线和/或特性场的方法技术

本发明专利技术涉及一种用于自动确定装置的特性线和/或特性场的方法，所述方法具有以下步骤：检测测量数据集合；实行具有以下步骤的迭代方法：使用神经网络根据所述测量数据集合计算迭代结果，检测终止参数，检查所述终止参数，以及在所述终止参数匹配终止准则的情况下终止所述迭代方法；将所述迭代结果和所述测量数据集合光学可视化；以及重复所述迭代步骤。以及重复所述迭代步骤。以及重复所述迭代步骤。

【技术实现步骤摘要】
【国外来华专利技术】用于自动确定特性线和/或特性场的方法


[0001]本专利技术涉及一种用于装置的特性曲线和/或特性地图的自动化确定的方法，所述方法包括以下方法步骤：获取测量数据集合；执行具有以下迭代步骤的迭代方法：使用神经网络根据所述测量数据集合计算迭代结果，获取终止参数，检查所述终止参数并且如果所述终止参数匹配终止准则则终止所述迭代方法，以及将所述迭代结果和所述测量数据集合光学可视化；以及重复所述迭代步骤。

技术介绍

[0002]两个物理量之间的数量关系可借助于特性曲线表示。其他附加变量通过具有通用坐标系的地图表示。物理量通过测量数据集合生成，所述测量数据集合例如由用来监视装置的传感器系统供应。为了在不可获得测量数据集合或仅可获得少量测量数据集合的区域中也能够预测装置的行为，对装置的行为进行建模。出于此目的，借助于n阶多项式估计测量数据集合的参数；常用的方法为拟合函数的确定和/或回归。通常，计算通过基于例如经验值指定多项式的阶并且然后应用最小二乘法来进行。若拟合函数已经达到特定的限定终止准则(例如MSE＝0.005)，即，拟合函数与测量数据集合足够良好地匹配，则终止计算。平衡计算的目的在于以可能的最佳方式将模型拟合到测量数据集合。将这与测量数据集合一起显示在二维或多维坐标系中。
[0003]使用至今的这种方法具有缺点。用户必须知道拟合函数的多项式的阶并且在拟合函数的计算中输入所述阶作为初始值。因此，用户必须接触过要监视的装置，以便能够限定可感测起始值。计算工作量和相关联的计算时间可能非常高，并且因此模型的计算是耗时的，尤其是在装置的行为是通过多于两个输入或输出参数确定的情况下。

技术实现思路

[0004]因此，本专利技术的目标是提供一种用于装置的特性曲线和/或地图的自动化确定的方法，借助于所述方法，可在较少工作量和较少误差的情况下更迅速地确定特性曲线或地图。
[0005]所述目标通过根据权利要求1所述的用于装置的特性曲线和/或特性地图的自动化确定的方法解决。本专利技术的进一步有利的实施方案在以下权利要求中阐述。
[0006]根据本专利技术的用于特性曲线和/或地图的自动化确定的方法具有以下四个方法步骤：在第一方法步骤中，获取测量数据集合。出于此目的，将传感器系统安装在要监视的装置上。在特定时间点获取的传感器系统的一个或多个测量值形成测量数据集合。传感器系统将测量数据集合传输至评估单元。
[0007]在本专利技术的意义上，测量数据集合含有由传感器系统提供的原始数据和/或基于由传感器系统提供的原始数据确定的确定值。示范性体积、能量和时间是这样的测量数据。测量数据集合是另外具有自传感器系统外部供应的一个或多个相关联值的测量值。测量数据集合还可以是且/或另外是根据测量值确定的关键数字。例如，测量数据集合可以是气体
的体积、用来压缩气体的能量、能量成本以及压缩气体所花费的时间。参数是测量数据、测量数据集合和/或在传感器系统内部和/或外部生成的其他值。
[0008]在第二方法步骤中，评估单元实行迭代方法以计算特性曲线或特性表面。迭代方法本身具有四个步骤：在迭代方法的第一步骤中，基于获取的测量数据集合计算迭代结果。根据本专利技术，有利地使用神经网络进行计算。
[0009]已经发现，通过神经网络进行的计算比借助于先前已知方法对特性曲线或特性表面的计算更频繁地提供有意义的结果。尤其是在神经网络已被训练的情况下，其训练方式为例如已借助于神经网络确定大量类似装置的特性曲线或地图。另一个优点在于：即使特性曲线或地图是未知的，也可迅速且充分准确地评估特性曲线或地图，例如在特性曲线或地图是针对装置第一次确定的情况下。
[0010]在迭代方法的第二方法步骤中，获取终止参数，并且在迭代方法的第三方法步骤中，检查终止参数。在迭代方法的第四步骤中，若终止参数匹配终止准则，则终止迭代方法。终止准则可为例如特性曲线或特性地图的低MSE，或用户对特性曲线或特性地图的评估。
[0011]在根据本专利技术的用于特性曲线和/或地图的自动化确定的方法的第三方法步骤中，将迭代结果与测量数据集合一起光学可视化。
[0012]在根据本专利技术的方法的第四方法步骤中，若终止参数不匹配终止准则，即，若所确定的特性曲线或地图的MSE太大和/或用户通过光学验证认为特性曲线或地图的质量不足，则重复迭代方法的迭代步骤。
[0013]通过根据本专利技术的方法确定的特性曲线和/或地图可用来监视驱动器或预测其性能和能量消耗。已知用于确定这类函数的各种方法，但这些方法都是相当复杂的。
[0014]例如，当确定驱动器地图时，使驱动器在所有可能的操作模式中运行并且测量其功率/速度/效率。随后，根据测量值创建矩阵。对矩阵值之间的值进行插值。这种方法的缺点一方面在于驱动器必须首先通过所有可能的操作模式，并且另一方面在于矩阵的创建。
[0015]另一可能性是通过神经网络进行的特性曲线和/或特性地图的自动化确定。在这个过程中，基于数据集合对神经网络进行训练。训练神经网络的困难在于实现一方面要监视的装置的充分准确的建模与另一方面充分的训练时间之间的折衷。这种方法存在两个问题：一方面，神经网络也记住了数据集合中的所有误差，从而本身充当黑盒。难以验证数据集合已被训练得多好。另一方面，难以找到神经网络的合适配置以及最佳训练时间。在次最佳配置中，神经网络倾向于“过拟合”或“欠拟合”。
[0016]为了验证所确定的特性曲线和/或所确定的特性地图，使用迭代结果与测量数据集合一起的光学可视化。若所确定的特性曲线或地图的MSE足够低(例如于0.005)或在连续执行多次迭代方法之后不展示任何显著的变化，则终止迭代方法。但即使在低MSE的情况下，所确定的特性曲线或地图也可能不正确。通过将特性曲线或特性地图与测量数据记录一起显示在坐标系中，用户接收特性曲线或特性地图的可视化，并且因此可目视检查特性曲线或特性地图的质量。借助于这种有利的光学可视化，用户因此可非常快速地、可靠地并且直观地认识到特性曲线或地图的质量和神经网络的学习成功。
[0017]神经网络的结构自以下文献充分已知：神经网络由若干层互连的人工神经元(节点)组成。输入层中的神经元的数量对应于输入参数的数量，同样地，输出层中的神经元的数量对应于输出参数的数量。在输入层与输出层之间，定位有每层具有K个神经元的N个所
谓的隐藏层。经验展示具有N＝5
‑
10及K＝50
‑
100的神经网络给出良好的结果。神经网络通过调整神经元连接的内部权重和其启动阈值进行学习。神经网络的总误差被最小化。
[0018]根据本专利技术的方法不限于仅一种应用和/或一种类型的设备；也可针对各种想得到的应用迅速地且可靠地对特性曲线和/或地图进行验证。
[0019]在本专利技术的另一实施方案中，终止参数是相对于测量数据集合和/或用户输入的偏差的量度。根据本专利技术，终止参数可以两种方式设定，即通过特性曲线或地图，的MSE设定或由用户手动设定。因此，用户可因为所确定的特性曲线和/或确定的特性地图足够良好或在结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于装置的特性曲线和/或特性地图的自动化确定的方法(100)，所述方法包括以下方法步骤：
●
获取测量数据集合(1)
●
执行迭代方法(2)，所述迭代方法具有以下迭代步骤：
○
使用神经网络(30)根据所述测量数据集合计算迭代结果(3)
○
获取终止参数(4)
○
检查所述终止参数(5)
○
若所述终止参数匹配终止准则，则终止所述迭代方法(6)
●
将所述迭代结果和所述测量数据集合光学可视化(7)
●
重复所述迭代步骤(8)。2.根据权利要求1所述的用于装置的特性曲线和/或特性地图的自动化确定的方法(100)，其特征在于所述终止参数是测量数据集合与迭代结果和/或用户输入的偏差的量度。3.根据权利要求1或2所述的用于装置的特性曲线和/或特性地图的自动化确定的方法(100)，其特征在于所述终止准则是对测量数据集合与迭代结果和/或发生的用户输入的偏差的说明。4.根据前述权利要求中任一项或多项所述的用于装置的特性曲线和/或地图的自动化确定的方法(100)，其特征在于所述光学可视化(7)是所述迭代步骤的部分。5.根据权利要求4所述的用于装置的特性曲线和/或特性地图的自动化确定的方法(100)，其特征在于所述光学可视化(7)是每次迭代运行(8)的部分。6.根据前述权利要求中任一项或多项所述的用于装置的特性曲线和/或地图的自动化确定的方法(100)，其特征在于所述光学可视化(7)在计算所述迭代结果(3)之后发生。7.根据前述权利要求中任一项或多项所述的用于装置的...

【专利技术属性】
技术研发人员：W，
申请(专利权)人：埃尔普罗有限责任公司，
类型：发明
国别省市：