Verfahren und Steuereinrichtung zum Steuern eines technischen Systems

Bei der Steuerung komplexer technischer Systeme, wie zum Beispiel Windturbinen, Gasturbinen, Fertigungsanlagen, Kraftfahrzeugen oder Stromnetzen ist es in der Regel wünschenswert, ein Verhalten, eine Wirkung und/oder eine Ausbeute des technischen Systems zumindest kurzfristig vorherzusagen, das heißt zu prädizieren, um die Steuerung des technischen Systems hinsichtlich vorgegebener Kriterien zu optimieren.

So kann zum Beispiel eine Turbine dadurch überwacht werden, dass an der Turbine gemessene Betriebsparameter mit Werten verglichen werden, die für eine funktionsfähige Turbine unter den gleichen Arbeitsbedingungen vorhergesagt werden. Bei einer Abweichung können dann rechtzeitig geeignete Gegenmaßnahmen ergriffen werden. Weiterhin können Auswirkungen verschie- dener Steuermaßnahmen prädiziert werden, um dann diejenige

Steuermaßnahme tatsächlich anzuwenden, die ein Systemverhal ^¬ ten optimiert.

Zur Prädiktion von Betriebsparametern verwenden zeitgemäße Steuerungen häufig Steuermodelle, die auf Techniken des ma ^¬ schinellen Lernens basieren. Für eine hinreichend genaue Prä ^¬ diktion eines Systemverhaltens sind jedoch häufig längere Zeitreihen einer Vielzahl von Betriebsparametern vorzugsweise in Echtzeit auszuwerten. Bei komplexen technischen Systemen können so ohne Weiteres mehrere tausend individuelle Be ^¬ triebsparameterwerte für eine Prädiktion zu berücksichtigen sein .

Zur effizienten Auswertung solcher Zeitreihendaten werden diese häufig einer Vorverarbeitung unterzogen, um für die Prädiktion relevante Datenmuster spezifisch zu extrahieren und die Datenmenge auf diese Weise zu reduzieren. Eine solche Vorverarbeitung ist allerdings in der Regel von einem Exper- ten spezifisch zu konzipieren und mit entsprechend hohem Zeitaufwand verbunden.

Nicht vorverarbeitete Zeitreihen werden häufig mittels rekurrenter neuronaler Netze ausgewertet. Bei rekurrenten neuronalen Netzen verringert sich jedoch in der Regel bei längeren Zeitreihen ein Trainingserfolg.

Es ist Aufgabe der vorliegenden Erfindung, ein Verfahren und eine Steuereinrichtung zum Steuern eines technischen Systems anzugeben, die eine effizientere Prädiktion erlauben.

Gelöst wird diese Aufgabe durch ein Verfahren mit den Merkma ^¬ len des Patentanspruchs 1, durch eine Steuereinrichtung mit den Merkmalen des Patentanspruchs 11, durch ein Computerpro ^¬ grammprodukt mit den Merkmalen des Patentanspruchs 12 sowie durch ein computerlesbares Speichermedium mit den Merkmalen des Anspruchs 13. Zum Steuern eines technischen Systems, z.B. einer Gasturbine, einer Fertigungsanlage, eines Generators, eines Kompressors, eines Kraftfahrzeugs, eines Stromnetzes, einer Solaranlage oder einer anderen Anlage wird eine zeitliche Abfolge von Be ^¬ triebsparameterwerten des technischen Systems fortlaufend er- fasst und durch ein trainierbares digitales Filter fortlau ^¬ fend in eine Abfolge von gefilterten Signalwerten umgesetzt. Die Abfolge der gefilterten Signalwerte wird einer maschinel ^¬ len Lernroutine zugeführt, die daraus Prädiktionswerte für einen Ziel-Betriebsparameter ableitet. Das digitale Filter sowie die maschinelle Lernroutine werden darauf trainiert, einen Abstand zwischen abgeleiteten Prädiktionswerten und dazu zeitlich korrespondierenden, tatsächlich erfassten Werten des Ziel-Betriebsparameters zu verringern. Weiterhin werden die Prädiktionswerte zum Steuern des technischen Systems aus- gegeben. Zum Ausführen des erfindungsgemäßen Verfahrens sind eine Steuereinrichtung, ein Computerprogrammprodukt sowie ein com ^¬ puterlesbares Speichermedium vorgesehen. Das erfindungsgemäße Verfahren sowie die erfindungsgemäße Steuereinrichtung können beispielsweise mittels einem oder mehrerer Prozessoren, anwendungsspezifischen integrierten Schaltungen (ASIC) , digitalen Signalprozessoren (DSP)

und/oder sogenannten „Field Programmable Gate Arrays" (FPGA) ausgeführt bzw. implementiert werden.

Ein Vorteil der Erfindung ist darin zu sehen, dass durch das Training einerseits das digitale Filter und andererseits die maschinelle Lernroutine aufeinander bezogen trainiert werden können. So kann einerseits das digitale Filter darauf trai ^¬ niert werden, spezifische Betriebsparametermerkmale zu extra ^¬ hieren, die für eine gute Prädiktion des Ziel- Betriebsparameters relevant sind, während andererseits die maschinelle Lernroutine darauf trainiert werden kann, den Ziel-Betriebsparameter anhand der extrahierten Betriebsparametermerkmale mit möglichst geringem Prädiktionsfehler vorherzusagen. Dies erlaubt in der Regel ein effizienteres Trai ^¬ ning und eine genauere und effizientere Prädiktion. Insbeson ^¬ dere können auch a priori noch unbekannte interne Systemwech- selwirkungen häufig automatisiert erkannt und ausgewertet werden. Darüber hinaus skaliert eine Trainingseffizienz besser auf längere Abfolgen von Betriebsparameterwerten als z.B. bei einem rekurrenten neuronalen Netz. Anhand der Prädiktionswerte kann das technische System in vo ^¬ rausschauender Weise gesteuert werden. Dabei kann ein Systemverhalten optimiert und ungünstigem Systemverhalten oft rechtzeitig gegengesteuert werden. Die Prädiktionswerte kön ^¬ nen insbesondere zur Überwachung des technischen Systems, zur Beschädigungserkennung, zur Verschleißerkennung, zur Abstimmung eines Ressourcenbedarfs auf ein Ressourcenangebot und/oder für andere vorausschauende Steuer- oder Planungsmaß ^¬ nahmen verwendet werden. Vorteilhafte Ausführungsformen und Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen angegeben. Vorzugsweise können die maschinelle Lernroutine und/oder das digitale Filter ein künstliches neuronales Netz, ein

rekurrentes neuronales Netz, ein faltendes neuronales Netz, einen Autoencoder, eine Deep-Learning-Architektur, eine Sup- port-Vector-Machine, ein datengetriebenes trainierbares Reg ^¬ ressionsmodell , einen k-nächste-Nachbarn-Klassifikator, ein physikalisches Modell und/oder einen Entscheidungsbaum umfassen. Insbesondere kann die maschinelle Lernroutine MLP- Schichten (MLP: Multi Layer Perceptron) umfassen. Vorteilhafterweise können das digitale Filter und die maschi ^¬ nelle Lernroutine gemeinsam, vorzugsweise parallel trainiert werden. Auf diese Weise können eine spezifische Extraktion von prädiktionsrelevanten Betriebsparametermerkmalen durch das digitale Filter und eine Modellierung des Ziel- Betriebsparameters durch die maschinelle Lernroutine aufei ^¬ nander bezogen optimiert werden.

Weiterhin kann die Umsetzung durch das digitale Filter abhängig von Filterparametern erfolgen, die durch das Training des digitalen Filters derart modifiziert werden, dass der Abstand verringert wird. Die Filterparameter können damit als Trai ^¬ ningsstruktur des digitalen Filters aufgefasst werden.

Nach einer vorteilhaften Ausführungsform der Erfindung können bei der Umsetzung der Abfolge der Betriebsparameterwerte gleitende, durch Filterparameter gewichtete Summen der Betriebsparameterwerte über ein Zeitfenster gebildet werden. Die Filterparameter können damit als Filtergewichte aufge ^¬ fasst werden. Das Zeitfenster und/oder seine Länge kann vor- gegeben und/oder im Zuge des Trainings modifiziert werden.

Insbesondere können die gewichteten Summen durch eine Faltung der Abfolge der Betriebsparameterwerte mit einer Abfolge der Filterparameter und/oder durch ein gleitendes Skalarprodukt einer Abfolge der Betriebsparameterwerte mit der Abfolge der Filterparameter gebildet werden. Die Filterparameter können damit als Filterkern aufgefasst werden.

Gemäß einer besonders vorteilhaften Ausführungsform der Erfindung kann das digitale Filter eine oder mehrere faltende neuronale Schichten und/oder eine Pooling-Schicht zum Filtern der Abfolge der Betriebsparameterwerte aufweisen. Insbesonde- re können mehrere faltende neuronale Schichten hintereinan ^¬ dergeschaltet sein. Zwischen die faltenden neuronalen Schichten können eine oder mehrere Pooling-Schichten zwischengeschaltet sein. Faltende neuronale Schichten werden häufig auch als „Convolutional Layers" bezeichnet, ein damit imple- mentiertes neuronales Netz als „Convolutional Neural Net ^¬ work". Die Trainingseffizienz faltender neuronaler Schichten skaliert besonders gut auf längere Abfolgen von Betriebspara ^¬ meterwerten . Nach einer weiteren Ausführungsform der Erfindung kann als

Abstand ein statistischer Mittelwert von Einzelabständen jeweils zwischen einem Prädiktionswert und einem zeitlich dazu korrespondierenden, tatsächlich erfassten Wert des Ziel- Betriebsparameters verwendet werden. Auf diese Weise können stochastische Einflüsse auf den Ziel-Betriebsparameter in der Regel besser verarbeitet werden.

Darüber hinaus können zum Erfassen der Abfolge der Betriebsparameterwerte Werteabfolgen mehrerer Betriebsparameter er- fasst werden, die Werteabfolgen jeweils auf ein gemeinsames, vorgegebenes Zeitraster interpoliert werden und die auf das Zeitraster interpolierten Werteabfolgen zur Abfolge der Betriebsparameterwerte zusammengefasst werden. Eine solche In ^¬ terpolation wird häufig auch als Resampling bezeichnet. Durch die Interpolation auf ein gemeinsames Zeitraster kann insbesondere die weitere Verarbeitung der Betriebsparameterwerte vereinheitlicht und vereinfacht werden. Ein Ausführungsbeispiel der Erfindung wird nachfolgend anhand der Zeichnung näher erläutert. Dabei zeigen jeweils in sche- matischer Darstellung: Figur 1 eine Windturbine mit einer erfindungsgemäßen Steuereinrichtung und

Figur 2 eine erfindungsgemäße Steuereinrichtung in detail ^¬ lierterer Darstellung.

Figur 1 zeigt in schematischer Darstellung beispielhaft eine Windturbine als technisches System TS. Alternativ oder zu ^¬ sätzlich kann als technisches System TS auch eine Gasturbine, eine Fertigungsanlage, ein Generator, ein Kompressor, ein Kraftfahrzeug, ein Stromnetz, eine Solaranlage oder eine an ^¬ dere Anlage oder eine Kombination hiervon vorgesehen sein.

Die Windturbine TS verfügt über eine erfindungsgemäße Steuer ^¬ einrichtung CTL, die als Teil des technischen Systems TS oder ganz oder teilweise extern zum technischen System TS implementiert sein kann. Die Steuereinrichtung CTL dient zum Steuern des technischen Systems TS. Unter einem Steuern des technischen Systems TS sei hierbei auch eine Ausgabe und Verwen ^¬ dung von steuerungsrelevanten, das heißt zum Steuern des technischen Systems TS beitragenden Daten und Steuersignalen verstanden. Derartige steuerungsrelevante Daten können insbe ^¬ sondere Prognosedaten, Analysedaten, Überwachungsdaten und/oder Klassifikationsdaten umfassen, die insbesondere zur Überwachung des technischen Systems TS und/oder zur Ver- schleiß- und/oder Beschädigungserkennung verwendet werden können .

Das technische System TS verfügt weiterhin über mit der Steu ^¬ ereinrichtung CTL gekoppelte Sensoren S, die fortlaufend eine Vielzahl von Betriebsparametern des technischen Systems TS messen und zur Steuereinrichtung CTL übermitteln. Ein jeweiliger Sensor S kann hierbei auch als Softsensor implementiert sein . Neben den Sensordaten werden durch die Steuereinrichtung CTL noch weitere Betriebsparameter des technischen Systems TS er- fasst. Als Betriebsparameter können hier und im Folgenden insbesondere physikalische, regelungstechnische, wirkungs ^¬ technische und/oder bauartbedingte Betriebsgrößen, Eigenschaften, Leistungsdaten, Wirkungsdaten, Zustandsdaten, Systemdaten, Vorgabewerte, Steuerdaten, Sensordaten, Messwerte, Umgebungsdaten, Überwachungsdaten, Prognosedaten, Analyseda- ten und/oder andere im Betrieb des technischen Systems TS an ^¬ fallende und/oder einen Betriebszustand des technischen Sys ^¬ tems TS beschreibende Daten erfasst werden. Zum Beispiel Da ^¬ ten über Temperatur, Druck, Emissionen, Vibrationen, Schwin- gungszustände, Ressourcenverbrauch etc. Speziell bei einer Windturbine können die Betriebsparameter eine Windgeschwindigkeit, eine Windrichtung, eine Turbinenleistung, eine Rotationsgeschwindigkeit und/oder eine Beschleunigung der Trieb ^¬ werksgondel betreffen. Figur 2 zeigt eine erfindungsgemäße Steuereinrichtung CTL zum Steuern eines technischen Systems TS in detaillierterer Darstellung. Die Steuereinrichtung CTL verfügt über einen oder mehrere Prozessoren PROC zum Ausführen aller Verfahrensschritte der Steuereinrichtung CTL sowie über einen oder meh- rere mit dem Prozessor PROC gekoppelte Speicher MEM zum Spei ^¬ chern der von der Steuereinrichtung CTL zu verarbeitenden Daten .

Die Steuereinrichtung CTL ist mit dem technischen System TS gekoppelt und erfasst von diesem Werteabfolgen ΒΡΙ,.,.,ΒΡΝ einer Vielzahl von Betriebsparametern des technischen Systems TS. Die Werteabfolgen ΒΡΙ,.,.,ΒΡΝ werden von einer Vielzahl von Sensoren S des technischen Systems TS gemessen oder anderweitig vom technischen System TS oder anderen Einrichtun- gen bereitgestellt.

Die Werteabfolgen ΒΡΙ,.,.,ΒΡΝ werden einer Interpolationseinrichtung INT der Steuereinrichtung CTL zugeführt. Die Inter- polationseinrichtung INP interpoliert die Werteabfolgen

ΒΡΙ,.,.,ΒΡΝ jeweils auf ein gemeinsames, vorgegebenes Zeit ^¬ raster und führt dabei ggf. eine betriebsparameterindividuel- le Normierung der Zahlenwerte und/oder eine Einheitenumrech- nung aus. Eine derartige Interpolation wird häufig als auch Resampling bezeichnet. Die auf das Zeitraster interpolierten Werteabfolgen werden durch die Interpolationseinrichtung INT zu einer zeitlichen Abfolge, das heißt zu einer Zeitreihe von Betriebsparameterwerten BP auf dem gemeinsamen Zeitraster zu- sammengefasst .

Die Zeitreihe der Betriebsparameterwerte BP wird fortlaufend erfasst und verarbeitet. Die Zeitpunkte des Zeitrasters kön ^¬ nen einen Abstand von beispielsweise ca. 1 Sekunde haben. In der Praxis wird zum Beispiel ein Verhalten einer Windturbine durch einen Betriebsparameterverlauf in einem Zeitfenster von der Größenordnung von einigen Minuten, typischerweise ca. 2 Minuten im Wesentlichen bestimmt. Dies bedeutet, dass bei ei ^¬ ner Prädiktion ein oder mehrere hundert Zeitreihenpunkte je- weils für die Vielzahl von erfassten Betriebsparametern auszuwerten sind.

Als Betriebsparameter werden insbesondere auch ein oder mehrere Ziel-Betriebsparameter ZBP erfasst. Erfindungsgemäß soll die Steuereinrichtung CTL dahingehend trainiert werden, den oder die Ziel-Betriebsparameter ZBP zu prädizieren, um das technische System TS vorausschauend zu steuern. Ein jeweili ^¬ ger Ziel-Betriebsparameter ZBP kann hierbei zum Beispiel eine Temperatur, eine Leistung, eine Ausbeute, einen Verschleiß, Emissionen, Vibrationen oder ein anderes Verhalten des technischen Systems TS betreffen.

Die zeitliche Abfolge der Betriebsparameterwerte BP wird durch die Interpolationseinrichtung INT einem digitalen Fil- ter DF zugeführt und durch dieses gefiltert. Das digitale

Filter DF umfasst mehrere faltende neuronale Schichten CNL1 und CNL2 sowie eine dazwischengeschaltete Pooling-Schicht PL. Die faltenden neuronalen Schichten CNL1 und CNL2 können je- weils als FIR-Filter (FIR: Finite Impulse Response) aufge- fasst werden, mit dessen Filterparametern Cj_ beziehungsweise

Dj_ jeweils eine über ein Zeitfenster gleitende Summe gewichtet wird. Durch die faltenden neuronalen Schichten CLN1 und CLN2 werden die gewichteten Summen jeweils durch eine Faltung eines jeweiligen zeitdiskreten Eingangssignals der faltenden neuronalen Schicht CNLl beziehungsweise CNL2 mit den Filterparametern Cj_ beziehungsweise Dj_ gebildet. Wenn ein der fal ^¬ tenden neuronalen Schicht CNLl beziehungsweise CNL2 zugeführ- tes Eingangssignal mit Xj_ beziehungsweise Yj_ bezeichnet wird, kann die jeweilige Faltung als F _n = Ej_ C -j_ * —1 beziehungswei ^¬ se G _n = j_ D-j_-Y _n _-j_ dargestellt werden, wobei der Summenindex i die endliche Anzahl der jeweiligen Filterparameter durchläuft. Die Faltungen F _n und G _n werden mit fortlaufendem Index n fortlaufend berechnet und von der jeweils faltenden neuro ^¬ nalen Schicht CNLl beziehungsweise CNL2 ausgegeben. Derartige Filterparameter Cj_ und Dj_ werden häufig auch als Faltungsgewichte oder Filterkern bezeichnet. Die Pooling-Schicht PL ist im vorliegenden Ausführungsbei ^¬ spiel zwischen die faltenden neuronalen Schichten CNLl und CNL2 geschaltet. Die Pooling-Schicht PL dient zur Aggregation von zugeführten Daten, zur Datenreduktion und/oder zur Redundanzreduktion. Die Pooling-Schicht PL soll vorzugsweise spe- zifisch diejenigen Daten aus den Ausgabedaten F _n der faltenden neuronalen Schicht CNLl extrahieren, bei denen die faltende neuronale Schicht CNLl gewissermaßen eine besonders starke Reaktion zeigt. Zum Filtern der Abfolge der Betriebsparameterwerte BP werden diese der Eingangsschicht CNLl des digitalen Filters DF zuge ^¬ führt, die die Abfolge der Betriebsparameterwerte BP, das heißt nach obiger Notation die Abfolge der Xj_ mit den Filterparametern Cj_ faltet. Die gefalteten Betriebsparameter F _n werden durch die faltende neuronale Schicht CNLl der Pooling- Schicht PL zugeführt, durch die Pooling-Schicht PL aggregiert und reduziert und das Reduktionsergebnis, hier Yj_, der fal ^¬ tenden neuronalen Schicht CNL2 zugeführt. Das Reduktionser- gebnis Yj_ wird durch die faltende neuronale Schicht CNL2 mit den Filterparametern Dj_ gefaltet. Als Ergebnis dieser zweiten

Faltung wird durch die faltende neuronale Schicht CNL2 eine zeitdiskrete Abfolge gefilterter Signalwerte GS ausgegeben.

Erfindungsgemäß wird angestrebt, dass die Abfolge gefilterter Signalwerte GS möglich spezifisch diejenigen Merkmale, Muster oder Korrelationen der Abfolge der Betriebsparameterwerte BP enthält oder angibt, die für eine gute Prädiktion des Ziel- Betriebsparameters BP relevant sind. Auf dem Fachgebiet des maschinellen Lernens werden solche Merkmale, Muster oder Korrelationen auch als Features und deren Ermittlung als Feature-Extraktion bezeichnet. Die vorstehend beschriebene Schichtfolge des digitalen Fil ^¬ ters implementiert ein faltendes neuronales Netz, das die Zeitreihe der Betriebsparameterwerte BP fortlaufend in die Abfolge gefilterter Signalwerte GS umsetzt. Vorzugsweise kann im Rahmen einer Deep-Learning-Architektur auch eine größere Anzahl von hintereinandergeschalteten faltenden neuronalen Schichten vorgesehen sein.

Die Abfolge gefilterter Signalwerte GS wird durch das digita ^¬ le Filter DF einer datengetriebenen maschinellen Lernroutine zugeführt, die im vorliegenden Ausführungsbeispiel durch ein neuronales Netz NN implementiert ist. Das neuronale Netz NN kann zum Beispiel mehrere MLP-Schichten umfassen (MLP: Multi Layer Perceptron) . Das neuronale Netz kann insbesondere eine Deep-Learning-Architektur aufweisen .

Das neuronale Netz NN ist datengetrieben trainierbar beziehungsweise lernfähig und weist eine Trainingsstruktur auf, die sich während eines Trainings ausbildet. Unter einem Training sei allgemein eine Optimierung einer Abbildung von Eingangsparametern eines parametrisierten Systemmodells, zum Beispiel eines neuronalen Netzes, auf eines oder mehrere Zielparameter verstanden. Diese Abbildung wird nach vorgegebenen, gelernten und/oder zu lernenden Kriterien während einer Trainingsphase optimiert. Als Kriterien können insbesondere bei Prädiktionsmodellen ein Prädiktionsfehler, ein Klassifikationsfehler, ein Analysefehler und/oder ein Si- mulationsfehler oder komplementär dazu, eine Prädiktionsgüte, eine Klassifikationsgüte, eine Analysegüte und/oder eine Si ^¬ mulationsgüte herangezogen werden. Darüber hinaus können eine Performanz, ein Ressourcenverbrauch, einer Ausbeute und/oder ein Verschleiß des technischen Systems TS als Kriterien vor- gesehen sein. Eine Trainingsstruktur kann zum Beispiel eine Vernetzungsstruktur von Neuronen eines neuronalen Netzes und/oder Gewichte von Verbindungen zwischen den Neuronen umfassen, die durch das Training so ausgebildet werden, dass die vorgegebenen Kriterien möglichst gut erfüllt werden.

Erfindungsgemäß wird angestrebt, dass das neuronale Netz NN aus der Abfolge gefilterter Signalwerte GS einen möglichst guten Prädiktionswert PZ für den Ziel-Betriebsparameter ZBP ermittelt. Zu diesem Zweck werden die vom neuronalen Netz NN als Prädiktionswert PZ ausgegebenen Werte mit dazu zeitlich korrespondierenden, tatsächlich erfassten Werten des Ziel- Betriebsparameters ZBP verglichen, die von der Interpolati ^¬ onseinrichtung INT bereitgestellt werden. Hierbei ist ein je ^¬ weiliger, auf einen Zeitpunkt bezogener Prädiktionswert PZ so lange zwischenzuspeichern, bis der jeweilige auf denselben

Zeitpunkt bezogene Wert des Ziel-Betriebsparameters ZBP tat ^¬ sächlich erfasst und verfügbar ist.

Im Rahmen des Vergleichs wird ein Abstand D zwischen den prä- dizierten Werten PZ des Ziel-Betriebsparameters ZBP und den zeitlich korrespondierenden, tatsächlich erfassten Wertes des Ziel-Betriebsparameters ZBP gebildet. Der Abstand D repräsen ^¬ tiert einen Prädiktionsfehler der Kombination aus dem digitalem Filter DF und dem neuronalen Netz NN.

Vorzugsweise wird als Abstand D ein statistischer Mittelwert von Einzelabständen, jeweils zwischen einem Prädiktionswert PZ und einem zeitlich korrespondierenden, tatsächlich erfass- ten Wert des Ziel-Betriebsparameters ZBP über ein vorgegebe ^¬ nes Zeitfenster, zum Beispiel als gleitender Durchschnitt ge ^¬ bildet. Auf diese Weise können stochastische, das heißt nicht deterministische Einflüsse auf den Prädiktionswert besser verarbeitet werden.

Der Abstand D wird sowohl zum digitalen Filter DF als auch zum neuronalen Netz NN zurückgeführt. Anhand des zurückge ^¬ führten Abstands D werden das digitale Filter DF, das heißt die faltenden neuronalen Schichten CNL1 und CNL2 und die Poo- ling-Schicht PL, sowie das neuronale Netz NN - wie durch ei ^¬ nen strichlierten Pfeil angedeutet - gemeinsam darauf trai ^¬ niert, den Abstand D zu minimieren, das heißt den Ziel- Betriebsparameter ZBP durch den Prädiktionswert PZ im statis- tischen Mittel möglichst gut zu prädizieren. Hierbei werden die faltenden neuronalen Schichten CNL1 und CNL2 durch Variation ihrer Filterparameter Cj_ und Dj_ und das neuronale Netz

NN durch Variation seiner Trainingsstruktur trainiert. Somit wird einerseits das digitalte Filter DF darauf trai ^¬ niert, dass die Abfolge gefilterter Signalwerte GS möglichst spezifisch diejenigen Features der Abfolge der Betriebspara ^¬ meterwerte BP enthält, die für eine gute Prädiktion des Ziel- Betriebsparameters ZBP relevant sind. Andererseits wird das neuronale Netz NN in paralleler Weise darauf trainiert, funk ^¬ tionale Korrelationen zwischen der Abfolge gefilterter Signalwerte GS und dem Ziel-Betriebsparameter ZBP zu erkennen und mithin einen verhältnismäßig genauen Prädiktionswert PZ zu ermitteln.

Zum Training des digitalen Filters DF und des neuronalen Netzes NN kann eine Vielzahl von Standard-Trainingsverfahren für neuronale Netze, insbesondere des überwachten Lernens einge ^¬ setzt werden. Der zu minimierende Abstand D kann dabei durch eine geeignete Kostenfunktion repräsentiert werden. Zur Minimierung des Abstandes kann zum Beispiel eine

Gradientenabstiegsmethode verwendet werden. Ein faltendes neuronales Netz lässt sich im Unterschied zu einem rekurrenten neuronalen Netz auch für verhältnismäßig lange Zeitreihen effizient trainieren. Zudem eignet sich ein faltendes neuronales Netz gut dazu, in Zeitreihen auftretende Korrelationen zeitlich nahe beieinanderliegender Werte zu erkennen und zu extrahieren. Durch das nachgeschaltete neurona ^¬ le Netz NN werden die erkannten Korrelationen dann gewissermaßen hinsichtlich des Ziel-Betriebsparameters ZBP klassifi ^¬ ziert. Durch die Kombination eines faltenden neuronalen Net- zes, hier DF, und einem nachgeschalteten neuronalen Netz, hier NN, können auch komplexe Korrelationen in Betriebsparameter-Zeitreihen verhältnismäßig genau erkannt werden und zur Prädiktion genutzt werden. Dies gilt insbesondere auch für unterschiedliche Betriebszustände des technischen Systems TS.

Es erweist sich, dass nach erfolgtem Training des digitalen Filters DF und des neuronalen Netzes NN der aus der Abfolge der Betriebsparameterwerte BP abgeleitete Prädiktionswert PZ einen sehr geringen Prädiktionsfehler aufweist. Der Prädikti- onswert PZ kann somit in vorteilhafter Weise zum vorausschau ^¬ enden und präzisen Steuern des technischen Systems TS, zur Überwachung des technischen Systems TS, zur vorzeitigen Beschädigungserkennung, zur Prognose eines Ressourcenbedarfs und/oder für andere vorausschauende Steuermaßnahmen verwendet werden. Der Prädiktionswert PZ wird zu diesem Zweck von der Steuereinrichtung CTL ausgegeben. Insbesondere können durch die Steuereinrichtung CTL anhand des Prädiktionswertes PZ zweckmäßige und vorzugsweise optimierte Steuerdaten abgelei ^¬ tet und zum Steuern des technischen Systems TS an dieses übermittelt werden.