基于控制模型控制技术系统的方法和装置与流程

在控制复杂的技术系统，例如燃气涡轮机、风力涡轮机、制造设备、机动车辆或者医疗或技术成像或分析系统时，一般期望特别是关于预定标准来优化技术系统的行为、效果和/或产率。为此，现代控制器通常使用复杂的控制模型，所述控制模型从所述技术系统的操作数据导出专用于控制技术系统的控制数据。这种控制模型特别是可以用于对技术系统的操作数据进行模拟、预测、分析和/或分类。现代控制模型通常是基于模拟技术或机器学习技术，例如借助于神经网络，并且可以基于训练数据或技术系统的其他数据被专门训练或设计为关于预定标准来优化控制。

建立和实现为技术系统优化的控制模型一般需要专门的知识和显著的开发成本。因此这种控制模型通常由相应的专业供应商设计。然而，为了设计或训练这种控制模型，供应商一般需要技术系统的数据。然后，如果所设计的控制模型用于控制技术系统，则同样应将技术系统的数据输送给控制模型。但是，在很多情况下技术系统的用户或运营商感兴趣的是，技术系统的关键数据不会到达外部各方。另一方面，控制模型的供应商的相应兴趣是其控制模型的实现细节不会到达外部各方。

然而，一般控制模型和技术系统的数据在某种程度上必须聚集在一个位置处，以便设计或执行控制模型。因此产生的问题是，如何能够维持一方面控制模型的内部细节和另一方面技术系统的关键数据分别相对于另一方的机密性。

维持一定的机密性的一种可能性在于，模型供应商仅以加密形式向技术系统的用户提供其控制模型。为了在用户那里执行加密的控制模型，还向用户提供解释器，该解释器可以至少在运行时临时解密控制模型。一方面只要在用户那里执行控制模型，其数据一般就保持机密。另一方面，只要控制模型被加密，用户虽然不能直接访问模型内部细节，但是，用户可以对解释器进行反编译并从而危及控制模型的加密。虽然这样的解编译一般与显著成本相关联，但是模型内部细节的机密性是用户愿意投资该成本的。

技术实现要素：

本发明的任务是说明基于控制模型来控制技术系统的一种方法和一种装置，其中，更好地维持控制模型和技术系统的数据的机密性。

该任务是通过具有专利权利要求1的特征的方法，通过具有专利权利要求11的特征的装置，通过具有专利权利要求12的特征的计算机程序产品以及通过具有专利权利要求13的特征的计算机可读存储介质来解决的。

为了基于控制模型来控制技术系统，提供变换函数以用于将技术系统的操作数据减少和/或混淆为经变换的操作数据。这里，混淆应特别是理解为例如通过编码、扰码、隐藏和/或重新排列来隐蔽数据，使得在预先不知道的情况下原始操作数据的重构至少基本上变得更加困难。控制模型由模型生成器根据技术系统的第一操作数据生成。根据本发明，在与控制模型分离的访问域中检测技术系统的第二操作数据，并且所述第二操作数据通过变换函数变换为经变换的第二操作数据，所述经变换的第二操作数据将由模型执行系统接收。在与第二操作数据分离的访问域中通过模型执行系统在输送经变换的第二操作数据的条件下执行控制模型，其中从经变换的第二操作数据导出控制数据。为了控制技术系统而传送控制数据。

在此，访问域应该特别是理解为数据网络中的域，可以在域内对其数据对象进行访问。因此，不可能从访问域对与所述访问域分离的数据对象进行数据访问，或者至少基本上使数据访问变得更加困难。

为了执行根据本发明的方法设置了一种装置、一种计算机程序产品以及一种计算机可读存储介质。用于执行根据本发明的方法的装置特别是可以借助于数据处理器来实现，例如借助于asic（专用集成电路）、dsp（数字信号处理器）和/或fpga（现场可编程门阵列）。

本发明的一个优点在于，可以通过简单的方式一方面使技术系统的运营商对控制模型的访问和另一方面使模型供应商对技术系统的操作数据的访问至少基本上变得更加困难。在这种情况下不需要对控制模型加密。

在从属权利要求中说明了本发明的有利实施方式和扩展。

根据本发明的有利实施方式，可以基于通过变换函数变换的第一操作数据来生成控制模型并且特别是训练控制模型。通过这种方式可以避免技术系统的原始操作数据被提供给模型供应商，以例如用于训练目的。因为在许多情况下训练成功率基本上不受训练数据的先前变换的影响，所以控制模型一般也可以基于经变换的操作数据而得到有效的训练。

有利地，控制模型可以包括神经网络、数据驱动的回归器、支持向量机和/或决策树。对于控制模型的上述实现变型，可以使用很多有效的训练和学习方法。

有利地，模型生成器和/或模型执行系统可以由模型供应商以与技术系统分离的方式操作，并且特别是在与技术系统分离的访问域中操作。

根据本发明的有利实施方式，变换函数可以由模型供应商提供并且可以执行信息减少。只要模型供应商可以特别好地将变换函数和控制模型进行相互协调，这就是有利的。在这种情况下，通过信息减少可以使模型供应商明显更难以推断出技术系统的原始操作数据。

根据本发明的另一有利实施方式，变换函数可以由技术系统的运营商提供，并且可以执行信息混淆和/或信息减少。只要可以从模型供应商获取变换函数的实现，这就是有利的。通过这种方式，可以更好地维持操作数据相对于模型供应商的机密性。

根据本发明的另一有利的实施方式，可以基于第一操作数据来训练初始模型，并且可以将所述初始模型划分成第一子功能和第二子功能。然后，可以提供第一子功能作为变换函数，并且可以提供第二子功能作为控制模型。通过这种方式可以特别简单地提供经训练的变换函数和经训练的控制模型。在此情况下，在某种程度上共同训练的子功能可以特别好地彼此协调。在将初始模型实现为具有至少一个隐藏层的神经网络的情况下，该神经网络可以优选地在隐藏层处划分成两个神经子网络，然后这两个神经子网络分别实现第一和第二子功能。第一子功能可以包括作为输入层的原始输入层和作为输出层的隐蔽层。第二子功能可以包括作为输入层的隐藏层和作为输出层的原始输出层。

根据本发明的特别有利的实施方式，变换函数可以包括神经自动编码器。神经自动编码器允许对操作数据进行有效且一般非用户可解释的编码和/或减少，同时在很大程度上保持基本的数据内容。

此外，变换函数可以包括乘以随机矩阵。这里，随机矩阵可以用随机值填充。为了混淆操作数据可以设置可逆的随机矩阵。为了减少操作数据可以设置不可逆的随机矩阵，特别是非二次随机矩阵。

此外，可以基于独立于技术系统的数据来训练控制模型，例如基于时间数据、日期说明、天气数据和/或其他环境数据。通过这种方式，还可以在优化控制时考虑影响技术系统的行为的外部影响数据。

附图说明

下面基于附图更详细地解释本发明的实施例。在此分别以示意图：

图1a阐明了根据本发明的第一实施例的控制模型的训练，

图1b阐明了根据本发明的第二实施例的控制模型的培训，

图2阐明了神经自动编码器作为根据本发明的变换函数，

图3阐明了将经训练的控制模型用于控制技术系统的执行，以及

图4阐明了初始模型的训练及该初始模型划分为变换函数和控制模型。

具体实施方式

图1a和1b分别阐明了根据不同实施例来生成和训练控制模型。在图1a和1b中，相同的实体由相同的附图标记表示。

图1a和1b分别以示意图示出了技术系统ts，例如发电站、涡轮机、生产设备、机动车辆或医疗或技术成像或分析系统。为了控制技术系统ts，控制器ctl耦合到技术系统ts。控制器ctl可以实现为技术系统ts的一部分或者可以全部或部分地实现在技术系统ts的外部。此外，图1a和1b示出了用于生成和训练控制模型的模型生成器mg，以及具有用于执行控制模型的解释器int的模型执行系统mes，所述模型执行系统耦合到模型生成器mg。

技术系统ts具有用于检测技术系统ts的操作数据的传感器s。举例来说，这种操作数据可以是物理的、调节技术的和/或构造相关的操作变量、特性、预定值、状态数据、系统数据、控制数据、传感器数据、图像数据（例如x射线图像）、测量值、环境数据或其他在技术系统ts的操作期间累积的数据。技术系统ts的操作数据通过合适的数据结构表示，特别是通过高维向量表示。

技术系统ts的运营商bts操作、使用和/或控制技术系统ts以及控制器ctl。相比之下，模型生成器mg以及模型执行系统mes由模型供应商ma操作，所述模型供应商产生用于控制技术系统ts的控制模型。

技术系统ts的运营商bts可以对第一访问域ac1进行数据访问，所述第一访问域与模型供应商ma的第二访问域ac2分离。这意味着运营商bts不能对第二访问域ac2进行数据访问。相应地，模型供应商ma可以对第二访问域ac2进行数据访问，但是不能对第一访问域ac1进行数据访问。在图1a和1b中，第一访问域ac1和第二访问域ac2通过虚线分离。

技术系统ts和控制器ctl位于第一访问域ac1中，因此不能对第二访问域ac2进行数据访问。模型生成器mg和模型执行系统mes位于第二访问域ac2中，因此不能对第一访问域ac1进行数据访问。

特别地，模型生成器mg用于训练技术系统ts的控制模型。在此，训练应一般性地理解为将模型（例如，神经网络）的输入参数映射为一个或多个目标变量。根据可预定的、已学习的或要学习的标准，在模型的训练阶段期间优化该映射。特别地，作为标准可以使用技术系统的性能、资源消耗、产率和/或磨损和/或生产品质、预测品质、分类品质、分析品质和/或模拟品质。这种训练特别是应该理解为神经网络的训练、数据驱动的回归、分析模型的参数拟合或其他模型优化方法。在神经网络的情况下，通过训练来关于优化标准优化例如神经元的联网结构、神经元的阈值和/或神经元之间的连接的权重。当训练回归器时，可以优化所使用的回归器模型的系数。

替代或补充地，只要不存在对第一访问域ac1的数据访问，模型生成器mg和/或模型执行系统mes就可以至少部分地在第二访问域ac2之外实现，例如在云中实现。

控制器ctl、模型生成器mg以及模型执行系统mes分别具有一个或多个处理器，用于分别执行控制器ctl、模型生成器mg和模型执行系统mes的所有方法步骤，并且具有一个或多个存储器，用于分别存储将由控制器ctl、模型生成器mg和模型执行系统mes处理的所有数据。

在通过图1a和1b阐明的实施例中，技术系统ts的第一操作数据bd1被检测，例如借助于传感器s，并且从技术系统ts传送到控制器ctl。第一操作数据bd1作为训练数据用于生成并且特别是训练控制模型。

具体地，图1a阐明了在运营商bts准备向模型供应商ma提供技术系统ts的操作数据（这里是训练数据bd1）以用于训练控制模型h的情况下控制模型h的生成或训练。在这种情况下，第一操作数据bd1从控制器ctl传送到模型生成器mg，即，从第一访问域ac1传送到第二访问域ac2中。基于所传送的第一操作数据bd1，模型生成器mg在第二访问域ac2中，即在第一访问域ac1之外生成并训练变换函数g以及控制模型h。

变换函数g用于将技术系统ts的操作数据模糊和/或减少为经变换的操作数据。应当通过变换函数g来变换操作数据，使得对原始操作数据的访问或重建基本上变得更加困难。特别是，经变换的操作数据不应该是用户可解释的。通过混淆（即，隐蔽），输入数据（即，这里是第一操作数据bd1）被转换，特别是编码、隐藏、扰码和/或重新排列，使得输入数据的重建在没有预先知道的情况下基本上变得更加困难。尽管在此可以保持输入数据的信息内容，但是它仅以不易解释或不易重构的形式保持。替代或补充地，通过减少操作数据bd1，应当从第一操作数据bd1中去除对于控制技术系统ts来说不太相关的信息，并且尽可能地仅保持与控制相关的信息。通过这种信息减少，可以减少第一操作数据bd1的信息内容，并且因此特别是降低表示的操作数据向量的维度，而基本上不损失与控制相关的信息内容。

只要在通过图1a阐明的实施例中在第二访问域ac2中生成变换函数g，变换函数g对于模型供应商就是已知的，并且为了维持待变换的第一操作数据bd1相对于模型供应商ma的机密性而特别是应当执行信息减少，使得模型供应商ma不能容易地重建原始的第一操作数据bd1。

经训练的变换函数g从模型生成器mg传送到控制器ctl，即，从第二访问域ac2传送到第一访问域ac1中。在控制器ctl中，变换函数g通过经训练的神经网络nn（g）实现。

可训练或经训练的控制模型h用于模拟或分析技术系统ts或其一部分的物理、调节技术、随机和/或其他依赖关系，以用于预测、对操作数据进行分类和/或用于控制技术系统ts。因此，控制模型h可被例如用于涡轮机控制、用作软传感器、用于基于x射线图像来进行肿瘤分类或用于天气预测。优选地，控制模型h对技术系统ts或其一部分和/或技术或生物结构进行建模，其中根据所述技术或生物结构来控制或影响技术系统ts。控制模型h可以被认为是函数或例程，技术系统ts的通过变换函数g变换的操作数据作为输入数据被输送给该函数或例程，并且该函数或例程输出控制数据作为输出数据。在此，控制数据特别是可以是模拟、预测、分析和/或分类的结果。控制模型h应被训练为，使得可以通过控制模型h从输入数据导出关于预定标准优化的控制数据。为了训练有很多的标准训练方法可用。举例来说，预定标准在此可以通过合适的成本函数来代表，为了最小化所述成本函数执行已知的学习方法，例如受监视、不受监视和/或强化的学习。控制模型h优选地通过数据结构来编码，该数据结构可由解释器int解码并且优选地可特定于应用地执行。特别地，控制模型h可以包括神经网络、数据驱动的回归器、支持向量机、决策树和/或其他分析模型或它们的组合。

由于训练成功率，特别是神经网络的训练成功率在很多情况下基本上不受输入数据（这里是第一操作数据bd1）的先前变换成非用户可解释的形式影响，因此一般也可以基于经变换的操作数据来训练控制模型h，以导出良好优化的控制数据。

在模型生成器mg中，变换函数g和控制模型h优选地由人工神经网络nn（g，h）实现。经训练的控制模型h从模型生成器mg传送到模型执行系统mes。在那里，控制模型h优选由神经网络nn（h）来实现。在此情况下，控制模型h保持在第一访问域ac1之外，即，技术系统ts的运营商bts不能访问控制模型h。

图1b具体阐明了在技术系统ts的运营商bts未准备向模型供应商ma提供技术系统ts的操作数据的情况下控制模型h的生成或训练。

在这种情况下，由控制器ctl基于第一操作数据bd1在第一访问域ac1中生成和训练变换函数g。变换函数g优选地在控制器ctl中通过神经网络nn（g）实现。通过经训练的神经网络nn（g），第一操作数据bd1在第一访问域ac1内、即在第二访问域ac2之外被变换为经变换的第一操作数据tbd1。

只要在通过图1b描述的实施例中在第一访问域ac1中生成变换函数g，模型供应商ma通常就不知道变换函数g。为了使通过变换函数g的变换从第一操作数据bd1中尽可能少地去除与优化控制相关的数据，优选地生成基本上保持信息和/或可逆的变换函数g，所述变换函数执行有效的混淆并且必要时执行第一操作数据bd1的降维。替代或补充地，变换函数g可以包括第一操作数据bd1的特定于应用的预处理和/或神经自动编码器，该神经自动编码器必要时执行第一操作数据bd1的降维。此外，可以计算不同的基函数并用于训练变换函数g或控制模型h。此外，可以向第一操作数据bd1添加附加数据，以确保或改善变换函数g和/或控制模型h的训练成功率。

经变换的第一操作数据tbd1从控制器ctl传送到模型生成器mg。接着，模型生成器mg基于经变换的第一操作数据tbd1生成并训练控制模型h。在此，控制模型h优选地通过神经网络nn（h）实现。在其他方面可以如结合图1a所描述的来使用变换函数g和控制模型h。

经训练的控制模型h从模型生成器mg传送到模型执行系统mes。在模型执行系统mes中，控制模型h优选地通过神经网络nn（h）实现。在此，控制模型h保持在第一访问域ac1之外，从而技术系统ts的运营商bts不能访问控制模型h。

在通过图1a和1b中描述的两个实施例中，神经网络nn（g）可以优选地借助于神经自动编码器来实现。自动编码器包括用于学习有效数据编码的人工神经网络，特别是用于有效数据压缩和/或用于提取输入数据的重要或表征性特征。

这种自动编码器在图2中示意性地示出。在本实施例中，神经自动编码器包括神经输入层in、至少一个隐藏层vs以及输出层out，所述至少一个隐藏层vs具有比输入层in明显更少的神经元，所述输出层out的神经元对应于输入层in的神经元。输入数据x被馈入到输入层in中，所述输入数据x经由隐藏层vs传播到输出层out。输出层out输出所传播的数据作为输出数据x'。接着对自动编码器进行训练，使得输出数据x'尽可能少地偏离输入数据x，其方法是例如最小化差x-x'的绝对值。

在从输入层in传播到隐藏层vs时，输入数据x经历了变换t。如果通过训练可以实现小偏差|x-x'|，则这意味着在数据从隐藏层vs传播到输出层out时的变换t至少接近于可逆，即，数据在该转换期间大致经受了变换t^-1。此外，小偏差|x-x'|意味着输入数据已经可以通过隐藏层vs的较少数量的神经元很好地代表，或者可以借助于经训练的层vs和out从中重建。

因此，由隐藏层vs传播的数据表示输入数据x的有效编码，并且可以作为经变换的输入数据z输出。另一方面，在不知道经训练的隐藏层vs和经训练的输出层out的情况下难以从经变换的输出数据z中重建原始的输入数据x。因此，自动编码器是本发明意义内的变换函数g的特别有利的实现。

在本实施例中，神经自动编码器被训练为变换函数g，其中第一操作数据bd1作为输入数据x。经训练的自动编码器，即经训练的变换函数g输出经变换的第一操作数据tbd1作为经变换的数据z。

替代或附加地，变换函数g可以包括与可逆或不可逆的随机矩阵相乘。

图3阐明了经训练的控制模型（这里是经训练的控制模型h）用于控制技术模型ts的执行。在此，可以根据上述实施例之一生成并训练控制模型h。在其他方面，图1a、图1b和图3中的相同实体由相同的附图标记表示。

为了控制技术系统ts，通过控制器ctl在第一访问域ac1内检测技术系统ts的第二操作数据bd2，并且所述第二操作数据通过经训练的神经网络nn（g）变换为经变换的第二操作数据tbd2。特别地，这是在第二访问域ac2之外进行，从而模型供应商ma不能访问第二操作数据bt2或变换函数g。

经变换的第二操作数据tbd2从控制器ctl传送到模型执行系统mes。通过模型执行系统mes，借助于解释器int在第二访问域ac2中执行经训练的神经网络nn（h）。在此，向经训练的控制模型h输送经变换的第二操作数据tbd2，通过经训练的控制模型h从所述经变换的第二操作数据tbd2导出控制数据cd。特别地，这在第一访问域ac1之外进行，从而技术系统ts的运营商不能对控制模型h进行数据访问。导出的控制数据cd用于控制技术系统ts。特别地，控制数据cd可以是模拟数据、预测数据、分析数据、状态数据、分类数据、监视数据和/或有助于控制技术系统ts的其他数据。控制数据cd从模型执行系统mes传送到控制器ctl。然后，控制器ctl借助于控制数据cd来控制技术系统ts。

通过将第二操作数据bd2的变换与控制模型h的执行分开，一方面模型供应商ma可以维持其控制模型h相对于运营商bts的机密性，而另一方面运营商bts可以维持其操作数据bd2相对于模型供应商ma的机密性。在此情况下，不需要对控制模型h加密。

图4阐明了从初始模型f特别有利地生成变换函数g和控制模型h。初始模型f在此作为一个整体加以训练，并且经训练的初始模型f被划分成变换函数g和控制模型h。训练和划分优选地通过模型供应商ma执行，即在第二访问域ac2内并且在第一访问域ac1之外执行。特别地，在此可以通过模型供应商ma设定该划分。优选地以这样的方式进行划分：将初始模型f的机密实现细节尽可能完全地编码在控制模型h中而不是编码在变换函数g中。然后可以如上所述地使用通过这种方式生成的变换函数g和控制模型h。

初始模型f优选地是具有输入层in、多个隐藏层vs1，vs2和输出层out的神经网络。优选地，至少一个隐藏层（这里是vs1）包括比输入层in更少的神经元。初始模型f首先作为均匀的神经网络基于输入数据x（这里是第一操作数据bd1）加以训练，使得从输入数据x导出的输出数据y（这里是控制数据cd）被关于预定标准进行优化。作为标准可以使用上面说明的优化标准。

初始模型f在其训练之后在隐藏层（这里是vs1）被划分成两个神经子网络。具有作为输入层的层in和作为新输出层的层vs1的子网络（在图4的下部示出）在此情况下代表第一子功能。在下部的子网络中从隐藏层vs1输出的经变换的数据z被混淆，使得不能容易地从中重建输入数据x。此外，由于隐藏层vs1具有比输入层in更少的神经元，因此经变换的数据z在其维度方面也降低了。因此，第一子功能可以被有利地如上所述提供和用作经训练的变换函数g，用于将输入数据x（即，这里是第二操作数据bd2）变换为经变换的数据z（即，这里是经变换的第二操作数据tbd2）。因此，z=g（x）或tbd2=g（bd2）。

在图4上部示出的具有作为新输入层的隐藏层vs1和作为输出层的原始输出层out的子网络代表第二子功能。上部的子网络被训练为将在隐藏层vs1处输入并由变换函数g变换的数据z转换为输出数据y，即，这里转换为优化的控制数据cd。因此，可以将第二子功能有利地如上所述提供和用作经训练的控制模型h，用于从经变换的第二操作数据tbd2导出控制数据cd。因此，y=h（z）或cd=h（tbd2）。

通过在图4中阐明的模型生成，可以特别简单地提供经训练的变换函数g和经训练的控制模型h。某种程度上共同训练的子功能g和h在此情况下以自然的方式一致，并且特别好地彼此协调。