[發(fā)明專利]用于從測量中創(chuàng)建技術(shù)系統(tǒng)的模型的方法和設(shè)備

在審

• 申請?zhí)枺?/td>: 202110200069.9
• 申請日: 2021-02-23
• 公開（公告）號: CN113298257A
• 公開（公告）日: 2021-08-24
• 發(fā)明（設(shè)計）人: A·榮金格爾;H·烏爾默;J·S·布赫納;P·恩格爾;S·鮑勃勒斯特
• 申請（專利權(quán)）人: 羅伯特·博世有限公司
• 主分類號: G06N3/12
• 分類號: G06N3/12
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 杜荔南;劉春元

用于從測量中創(chuàng)建技術(shù)系統(tǒng)的模型的方法和設(shè)備。本發(fā)明涉及一種用于根據(jù)技術(shù)系統(tǒng)的所測量的傳感器數(shù)據(jù)來創(chuàng)建技術(shù)系統(tǒng)的模型的方法，所述方法包括以下步驟：初始化符號回歸問題（英語：symbolic regression problem）。確定數(shù)學(xué)函數(shù)的列表，所述列表包括至少一個線性和/或非線性函數(shù)和/或至少一維可參數(shù)化的特性曲線。所述至少一維特性曲線通過平滑網(wǎng)格回歸（SGR）模型實施。借助于遺傳算法解決符號回歸問題。

技術(shù)領(lǐng)域

本發(fā)明涉及用于從測量中創(chuàng)建技術(shù)系統(tǒng)的模型的方法以及設(shè)備、計算機程序和機器可讀存儲介質(zhì)。

背景技術(shù)

為了為技術(shù)或物理系統(tǒng)的組件開發(fā)調(diào)節(jié)策略，需要描述這些組件的數(shù)學(xué)模型。然而，通過在嵌入式控制單元中使用這些調(diào)節(jié)策略來在工業(yè)標(biāo)準(zhǔn)中應(yīng)用這些調(diào)節(jié)策略迄今為止僅以非常受限制的方式是可能的。這些限制由這些模型的低可解釋性、低精度、大多高計算性能以及存儲消耗和這些模型對相似系統(tǒng)的低可普遍性引起。然而，流行的建模技術(shù)、例如神經(jīng)網(wǎng)絡(luò)或高斯過程模型僅能克服剛剛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，并且能夠提供如下一種模型，借助于該模型于是可以開發(fā)和執(zhí)行安全的和精確的調(diào)節(jié)策略。

Priber，U的“Smoothed Grid Regression.”（Proceedings Workshop FuzzySystem，第13卷， 2003年）公開了平滑網(wǎng)格回歸（Smoothed Grid Regression，SGR）模型。

發(fā)明內(nèi)容

發(fā)明優(yōu)點

出于該原因，發(fā)明人提出了一種方法，該方法從所測量的傳感器數(shù)據(jù)中自動地確定技術(shù)系統(tǒng)本身或技術(shù)系統(tǒng)的組件的尤其是基于數(shù)據(jù)的模型，并且克服上面提到的限制。該方法的特征在于，所述方法產(chǎn)生處于帕累托前沿（Pareto-Front）上的特別快速的、簡單的和精確的模型。

發(fā)明內(nèi)容

在第一方面中，本發(fā)明涉及一種用于創(chuàng)建諸如電動機或內(nèi)燃機的技術(shù)系統(tǒng)的模型的計算機實施的方法。該模型可以是基于數(shù)據(jù)的或數(shù)學(xué)模型。

該方法包括以下步驟：提供所測量的傳感器數(shù)據(jù)，所述傳感器數(shù)據(jù)通過不同的傳感器被檢測。不同的傳感器可以是結(jié)構(gòu)相同或結(jié)構(gòu)不同的傳感器。此外，傳感器可以表征技術(shù)系統(tǒng)的不同特性、諸如轉(zhuǎn)矩、功率或電流消耗。之后是初始化模型生成器、尤其是初始化符號回歸問題（英語：symbolic regression problem）的步驟。此外，初始化數(shù)學(xué)函數(shù)的列表。該列表包括至少一個線性和/或非線性函數(shù)和/或至少一個一維可參數(shù)化的特性曲線（英語:curve（曲線））。列表的數(shù)學(xué)函數(shù)在下文中也被稱為基本函數(shù)。該列表還可以包括三角和/或指數(shù)和/或?qū)?shù)函數(shù)。應(yīng)該注意的是，至少一維特性曲線通過平滑網(wǎng)格回歸模型（SGR）尤其是在模型中被實施。SGR的優(yōu)點在于其直接可解釋性。附加地或可替代地，列表中的特性曲線可以已經(jīng)由SGR定義。之后是借助于遺傳算法（英語：genetic algorithm）解決符號回歸問題的步驟。在此情況下，尤其是通過遺傳算法將來自列表的多種模型與數(shù)學(xué)函數(shù)組合，然后尤其是在效率方面或在成本函數(shù)方面，借助于優(yōu)化方法訓(xùn)練所組合的模型，并且根據(jù)適應(yīng)度函數(shù)對所訓(xùn)練的模型進行評估。適應(yīng)度函數(shù)與要評估的模型的效率有關(guān)，并且與該模型的復(fù)雜度有關(guān)。應(yīng)當(dāng)注意的是，這些剛剛提到的用于解決符號回歸問題的步驟可以相繼地多次被執(zhí)行。之后是鑒于適應(yīng)度函數(shù)根據(jù)其復(fù)雜度輸出最好的模型的步驟。最好的模型是與具有相同復(fù)雜度的其他模型相比對于給定的復(fù)雜度具有最高適應(yīng)度的模型。

一維特性曲線可以被理解為將輸入?yún)⒘坑成涞捷敵鰠⒘康那€。該曲線可以是由多個采樣點或支撐點組成的（線性）插值。針對模型優(yōu)化采樣點或支撐點。與此類似地，多維特性曲線是雙線性插值。一維或二維特性曲線也可以被稱為一維或二維特性曲線族。特性曲線的輸入/和輸出參量可以具有物理意義，例如是電流強度或轉(zhuǎn)矩?？商娲兀@些參量也可以是抽象本性。