[发明专利]用于从测量中创建技术系统的模型的方法和设备

说明书

用于从测量中创建技术系统的模型的方法和设备。本发明涉及一种用于根据技术系统的所测量的传感器数据来创建技术系统的模型的方法，所述方法包括以下步骤：初始化符号回归问题（英语：symbolic regression problem）。确定数学函数的列表，所述列表包括至少一个线性和/或非线性函数和/或至少一维可参数化的特性曲线。所述至少一维特性曲线通过平滑网格回归（SGR）模型实施。借助于遗传算法解决符号回归问题。

技术领域

本发明涉及用于从测量中创建技术系统的模型的方法以及设备、计算机程序和机器可读存储介质。

背景技术

为了为技术或物理系统的组件开发调节策略，需要描述这些组件的数学模型。然而，通过在嵌入式控制单元中使用这些调节策略来在工业标准中应用这些调节策略迄今为止仅以非常受限制的方式是可能的。这些限制由这些模型的低可解释性、低精度、大多高计算性能以及存储消耗和这些模型对相似系统的低可普遍性引起。然而，流行的建模技术、例如神经网络或高斯过程模型仅能克服刚刚提到的限制中的一些限制。然而，值得期望的是克服所有所提到的限制，并且能够提供如下一种模型，借助于该模型于是可以开发和执行安全的和精确的调节策略。

Priber，U的“Smoothed Grid Regression.”（Proceedings Workshop FuzzySystem，第13卷， 2003年）公开了平滑网格回归（Smoothed Grid Regression，SGR）模型。

发明内容

发明优点

出于该原因，发明人提出了一种方法，该方法从所测量的传感器数据中自动地确定技术系统本身或技术系统的组件的尤其是基于数据的模型，并且克服上面提到的限制。该方法的特征在于，所述方法产生处于帕累托前沿（Pareto-Front）上的特别快速的、简单的和精确的模型。

发明内容

在第一方面中，本发明涉及一种用于创建诸如电动机或内燃机的技术系统的模型的计算机实施的方法。该模型可以是基于数据的或数学模型。

该方法包括以下步骤：提供所测量的传感器数据，所述传感器数据通过不同的传感器被检测。不同的传感器可以是结构相同或结构不同的传感器。此外，传感器可以表征技术系统的不同特性、诸如转矩、功率或电流消耗。之后是初始化模型生成器、尤其是初始化符号回归问题（英语：symbolic regression problem）的步骤。此外，初始化数学函数的列表。该列表包括至少一个线性和/或非线性函数和/或至少一个一维可参数化的特性曲线（英语:curve（曲线））。列表的数学函数在下文中也被称为基本函数。该列表还可以包括三角和/或指数和/或对数函数。应该注意的是，至少一维特性曲线通过平滑网格回归模型（SGR）尤其是在模型中被实施。SGR的优点在于其直接可解释性。附加地或可替代地，列表中的特性曲线可以已经由SGR定义。之后是借助于遗传算法（英语：genetic algorithm）解决符号回归问题的步骤。在此情况下，尤其是通过遗传算法将来自列表的多种模型与数学函数组合，然后尤其是在效率方面或在成本函数方面，借助于优化方法训练所组合的模型，并且根据适应度函数对所训练的模型进行评估。适应度函数与要评估的模型的效率有关，并且与该模型的复杂度有关。应当注意的是，这些刚刚提到的用于解决符号回归问题的步骤可以相继地多次被执行。之后是鉴于适应度函数根据其复杂度输出最好的模型的步骤。最好的模型是与具有相同复杂度的其他模型相比对于给定的复杂度具有最高适应度的模型。

一维特性曲线可以被理解为将输入参量映射到输出参量的曲线。该曲线可以是由多个采样点或支撑点组成的（线性）插值。针对模型优化采样点或支撑点。与此类似地，多维特性曲线是双线性插值。一维或二维特性曲线也可以被称为一维或二维特性曲线族。特性曲线的输入/和输出参量可以具有物理意义，例如是电流强度或转矩。可替代地，这些参量也可以是抽象本性。