用于对技术系统进行建模的方法与流程

文档序号:11581355阅读:324来源:国知局
用于对技术系统进行建模的方法与流程

本发明涉及一种用于对技术系统进行建模的方法。



背景技术:

技术系统的建模尤其是对于这种复杂技术系统的运行和优化而言变得越来越重要。例如,将所谓的学习模型用于优化燃气涡轮机以及用于前瞻性的维护、并且还用于在机器运行时的成本降低。

在分析复杂技术系统的数据时的巨大挑战是该技术系统的数据连接的高维度的数据空间。例如,现代大型燃机涡轮机提供用于10000个以上变量的数据。在车辆生产线的车身制造车间中,150个控制装置例如以每分钟总共6000000个以上的数据点的数据率来提供100000个以上的变量。在没有其它信息的情况下,必须考虑这些变量彼此间的全部潜在关系。如果分别具有100个传感器的两个机器被视作另一示例,则在这两个机器连接的情况下在这些传感器之间存在4950种可能的关系。

对于在大组的输入参量的情况下可能的子组合而言,在输入参量的数目进一步增长的情况下也组合地(kombinatorisch)得出急剧增长的数目。



技术实现要素:

在现有技术的此背景下,本发明的任务是提供一种经改进的用于对技术系统进行建模的方法。

该任务利用具有在权利要求1中说明的特征的用于对技术系统进行建模的方法来解决。本发明的优选的改进方案在所属的从属权利要求、随后的描述和附图中予以说明。

在按照本发明的用于对技术系统进行建模的方法中,首先生成技术系统的语义系统模型,并且随后借助于依赖性分析来分析在系统模型之内的依赖性,所述依赖性分析基于所述语义系统模型的特性。也就是说,所述语义系统模型的特性被考虑用于依赖性分析。借助于依赖性分析,大量的依赖性可以在其重要性方面被估计。

在按照本发明的方法的第一步骤中,对技术系统生成系统模型。对此,按照本发明,用于该技术系统的背景知识自动化地被考虑。可考虑用于此的技术本身是公知的。在按照本发明的另一优选的改进方案中,借助于控制信息和/或过程信息和/或组成信息来生成语义系统模型。

这种控制信息和/或过程信息和/或组成信息适宜地譬如作为传感器名称系统和/或尤其是作为发电站识别系统(kks)而存在。其它的信息源譬如是自动化系统、诸如来自西门子家居(hausesiemens)的tia模型(tia=(英语)“totallyintegratedsystems(完全集成系统)”)。此外,还可以使用技术系统的构造计划和/或设备计划的信息。此外,还可以考虑如下控制例程,所述控制例程控制了该技术系统的控制装置。

适宜地,每个模型实体都以知识表示语言来映射。优选地考虑为此建立的知识表示语言、尤其是owl(owl=(英语)“webontologylanguage”(网络本体语言))和/或rdf(rdf=(英语)“resourcedescriptionframework”(资源描述框架))。在此,以适当的方式将来自不同的信息源的信息如上面所描述的那样组合在单个的本体中。理想地,在语义上标识出本体的彼此相对应的概念并且使它们彼此等同,也就是说所述本体相对应地被统一(konsoldieren)。以这种方式,建立在所述各个模型实体之间的和在这些正在进行的数据流之间的上下文。

所得到的语义系统模型随后可以被压缩。对此,该系统模型被减小到在模型实体之间的重要的关系。这借助于依赖性分析来进行。对此,首先确定系统模型的实体或者组件之间的潜在依赖性。这种重要的关系尤其是从下列各项中得出:相同的物理环境(空间上特别接近和/或环境温度的特别小的偏差)和/或在实体之间的过程关系、和/或由相同的系统部分或者相同的软件进行的控制和/或共同的资源、特别是共同的能量供应和/或由运行人员进行的共同运行和/或其它的共性(譬如相同的制造商、相同的运行年龄和/或相同的配置)。

这些重要的依赖性可以被形式化,尤其是被表达为实体的“……的一部分”关系、被表达为在生产步骤之间的时间上的“在……之后(nachher)”关系或者被表达为以“基于……来计算的”关系的类型的控制逻辑关系或者被表达为具有确定的部分、资源或者特征的实体或者被表达为“具有……”关系。

现在,最终得到的语义系统模型不依赖于最初曾被考虑用于系统建模的信息源。此外,该语义系统建模不依赖于该技术系统的相应的具体技术领域(譬如能量获得或者制造等等)并且同时保持以知识表示语言来形式化。

在按照本发明的方法的一优选的改进方案中,在系统模型中根据依赖性分析来对依赖性进行加权。

在按照本发明的方法中,优选地在系统模型中对依赖性进行加权,其方式是所述依赖性根据依赖性分析在所述依赖性的数目方面被减小。

借助于按照本发明的方法,不必手动地减小复杂技术系统的高维度的数据空间。按照本发明,对此必要的需要进行全面的事实澄清(sachaufklaerung)和与精通相关事项(einschlaegig)的工程师对系统的不同的部分或者过程进行协调的花费是不必要的。系统建模因此也可以明显更快地进行。此外,按照本发明的系统未受如下偏见影响:所述偏见尤其引起在系统的部分或者实体之间的重要的关系错误地没有被考虑或者没有适度地被考虑的风险。

所述按照本发明的方法可以在高维度的数据空间方面显著更好地被缩放,因为按照本发明可以明显减小可能的依赖性的数目。尤其是,迄今为止由于其大的复杂性而已避开(entziehen)深入的系统建模的技术系统可以变得可操作。

按照本发明,分析模型的质量显著地被改善,使得更好的预测、原因澄清和对系统的控制是更好地可能的。

在按照本发明的方法的一有利的改进方案中,依赖性分析检查:相应依赖性是否是定向依赖性。

按照本发明,在各个系统实体之间的依赖性关系和独立性关系以适当的方式如随后所解释的那样来确定。

在本情况下,独立性被理解为定向的和直接的关系。“定向”是指:参量a依赖于b,但是b不一定依赖于a(例如雨不依赖于街道的潮湿,但是街道的潮湿一定依赖于雨的出现)。“直接”是指,两个参量之所以彼此未曾具有依赖性关系,仅仅是因为两个参量中的第一参量直接依赖于第三参量,所述第三参量直接依赖于所述两个参量中的第二参量。这两个参量仅仅间接地依赖于彼此。

所述依赖性关系现在由系统模型的重要的依赖性得出。

譬如如果对于两个参量适用:所述两个参量中的第一参量是系统的第一组成部分的部分而所述两个参量中的第二参量是系统的第二组成部分的部分,而且此外还适用:系统的所述两个组成部分在物理上彼此隔离,那么推断出:所述两个参量分别不依赖于彼此。

此外,如果在“在……之后”关系的意义上与第二参量相比在稍后的过程步骤中出现参量,那么所述第二参量不依赖于所述稍后出现的参量。

此外,如果第二参量已经基于第一参量被计算,那么第一参量不依赖于第二参量,而第二参量依赖于第一参量。

此外,譬如对于系统的组成部分具有实体a和b所依据的“具有”关系而言,在a与b之间分别设有“非不依赖”关系。

以这种方式,语义系统模型可以被抽象到相对应的依赖性信息。

所述相对应地被抽象的语义系统模型现在理想地经历上下文敏感的分析:对此有三种方法可供支配:一方面从依赖性分析中获得原因信息。这样,尤其是可以从技术过程的事件的狭窄的(eng)时间序列可靠地推断出因果关系。此外,对此还可以考虑控制装置的控制指令。

该关联可以按如下方式来图解说明:譬如应已知的是,参量b不依赖于参量a。此外还应已知的是,参量a和b彼此具有高相关性。两个信息一起来考虑,可以推断出a依赖于b。如果会存在多个变量,那么在共同原因的意义上仍然会要检查a和b与第三变量的同时存在的依赖性。对此的相对应的算法本身是已知的。

随后,依赖性信息可以被用来执行如下系统分析,所述系统分析在其它情况下由于高维度的数据空间而不可能会已经被执行。

为了图解说明起见,该方法被构造为使得譬如与在例如用于失效预测的技术过程中的类变量c的关系可以基于依赖性和因果性关系被划分成关于c重要的和不重要的。这样,适宜地将所述类变量c与其它参量的所有的直接依赖性保留为重要的。而c仅仅间接地依赖于的全部影响参量没有作为重要的关系被保留。相对应地明显减小了类变量c的依赖性。此外,那些稍后作为类变量c出现的参量未进一步被考虑,因为原因始终在时间上先于(vorausgehen)其效果。

上面所描述的方法可以在按照本发明的方法中被用于原因澄清。对此,重要的依赖性根据可能的原因、譬如针对在技术系统中出现的故障被分析。对此,尤其是也考虑来自语义系统模型的信息。

优选地,在按照本发明的方法中,依赖性分析的结果被考虑,并且以此为基础来执行对技术系统的监视和/或对系统的控制和/或对这种控制的改善和/或针对该技术系统的过程的原因分析和/或对该技术系统的数据的分析。

按照本发明的方法优选地被构造为自我学习的(selbstlernend)。

按照本发明的计算机程序产品被构造用于执行上述方法。

附图说明

随后,依据在附图中所示出的实施例进一步解释本发明。

图1以原理图示意性地示出了按照本发明的用于对技术系统进行建模的方法的过程步骤;以及

图2以原理图示意性地示出了在按照图1的按照本发明的方法的过程步骤中的依赖性分析。

具体实施方式

在图1中所示出的按照本发明的用于系统分析的方法是按照本发明的用于在车间制造系统的车辆生产线中焊接门时预测质量问题的方法的组成部分。该车间制造系统形成技术系统tes。在其它的、没有专门被示出的实施例中,按照本发明的方法是在其它的后置的数据分析的组成部分。

在所述技术系统tes中提出的任务是:基于之前的事件和测量来预测在门中的质量问题。在安装线中的最后的控制装置负责质量检查并且当在门与其余的车辆之间的间隙尺寸(spaltmass)不同于预先给定的额定间隙时触发门质量事件c(参见图2)。这种事件的原因或者可能是错误地被设置的安装机器人,或者也可能是在定位其余的车辆时的问题或者安装机器人对门的有错误的接受或者一系列其它的原因。在此,为了具体的数据分析ana,首先要如下所述地获得数据dat:

首先进行语义系统模型ssm的生成smg。对此,用于构造plc单元(plc=(英语)“programmablelogiccontroller”(可编程逻辑控制器))的构造计划被考虑,并且可由此得到的语义信息ext被记录(festhalten)在统一的语义系统模型ssm中。此外,还可以考虑制造过程模型,所述制造过程模型例如在simatic-it-mes制造软件包中是可得到的。

现在,紧接于此的是依赖性分析dea:从所述语义系统模型ssm中得出变量与物理传感器的关系inf和这些传感器与plc单元的关系。因而,然后自动化地列出(aufstellen)一系列位置关系以及“……的组成部分”关系。譬如以iec-61331-3程序语言来写的控制plc单元的程序透露出(preisgeben)以计算上的依赖性为类型的关系。此外,借助于制造模型还可以得出一组时间关系、即“先于……”和“后于……”类型的关系。

在依赖性分析dea中,现在(图2)物理上彼此分开的plc单元f和时间上在门安装步骤b之后被测量测量、因此配备有时间上“后于……”关系s的变量被表征为关于门质量事件c无关的。这种时间上在门安装步之后有意义的变量例如包括这种在内部的门衬板的安装d期间的变量e。对此,以本身公知的方式采用进行推理的(schlussfolgernd)软件组件、所谓的“语义推理程序(semanticreasoner)”。该软件组件如前所述那样将变量的时间关系映射到依赖性关系。直接依赖性d借助于生产过程信息来得出,所述生产过程信息譬如以确定的原因(譬如相同组件的加工)来使门质量事件以及定位事件彼此相关。所述依赖性分析现在将所得出的关系inf减小到仅仅直接的关系did。

在数据分析ana的范围内,紧接于此的是上下文敏感的分析caa,在所述上下文敏感的分析caa中,对门质量事件的预测通过对如下那些变量的近邻分类(naechst-qualitaets-einstufung)来进行:所述变量直接影响门质量,也就是说门质量事件直接依赖于所述变量。近邻分类可以利用本身公知的算法来执行。结果是直接依赖性的明显被减小的模型:这样,对于门安装质量的问题,譬如对内部的门衬板的安装不再被考虑被。相对应地,结果是明显被减小的问题空间,在所述问题空间中可以进行其它的分类、组合或者预测。

而对于借助于之前的步骤不能进行充分的依赖性分析的情况,从语义模型中得出简单的依赖性图,其中仅仅包含“依赖于……”关系。借助于学习算法,将这种线性的依赖性模型与所述语义模型的现实情况适配。

原则上,也可以在其它的实施例中在上下文敏感的分析的范围内进行原因澄清roc或者也进行其它的对显得重要的特性fes的提取。

没有专门被示出的第二实施例涉及在燃气涡轮机中的异常的燃料温度的原因澄清。对此,首先依据发电机识别系统(kks)形成传感器系统的语义模型。该系统的结构向系统添加(auflegen)一系列依赖性重要的关系:这样,经过该系统的质量流的方向明确地并且事先被确定。经过该系统的质量流导致各个实体的一系列时间上的“在……之后”关系。例如,在将燃料单元点火之前测量燃料单元的温度和组成。此外,与此相对地,稍后测量废气温度。此外,该系统的结构包括大量“是……的组成部分”关系。

类似于先前的实施例地进行依赖性分析。基于时间上的“在……之后”关系跟着的是:燃料温度不依赖于废气温度,而反之(umkehrschluss)不一定正确。基于该依赖性分析,执行原因被澄清。基于所述原因澄清,针对异常的燃料温度的最后的原因被确定。根据依赖性分析,从可能的原因的集合中自动地排除了废气温度。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1