Herkömmliche Vorrichtungen und Verfahren zur Überwachung ei- ner mehrere Systeme umfassenden technischen Anlage, insbeson- dere Diagnoseverfahren und Diagnosegeräte, stützen sich oft- mals auf die Beobachtung und/oder Messung von bestimmten Be- triebsparametern der technischen Anlage, wobei ein Über-oder Unterschreiten eines Soll-Wertes eine Wartungsmaßnahme nahe legt.

Naturgemäß ist dabei die Ableitung einer notwendigen Hand- lungsmaßnahme bei Betrachtung von isoliert gemessenen Parame- tern ungenau und fehleranfällig.

Werden andererseits eine Fülle von Daten, welche in der tech- nischen Anlage anfallen, insbesondere Messwerte verschiedens- ter Messstellen und/oder entsprechende gespeicherte, histori- sche Messwerte, herangezogen, um sich ein Bild über den mo- mentanen oder zukünftig erwarteten Betriebszustand zu machen, so führt dies ebenfalls zu keiner befriedigenden Aussage, da die gegenseitigen Abhängigkeiten dieser Daten aus i. A. ver- schiedensten Datenquellen meist nicht bekannt sind und daher daraus auch keine genaue Beurteilung oder gar Vorhersage der Betriebssituation möglich ist.

Außerdem ist zu erwarten, dass nicht alle Daten, welche einen Einfluss auf die Betriebssituation der Anlage ausüben, er- fasst werden, was das Problem weiter kompliziert macht.

Der Erfindung liegt daher die Aufgabe zu Grunde, eine verbes- serte Vorrichtung sowie ein Verfahren zur Überwachung einer mehrere Systeme umfassenden technischen Anlage, insbesondere einer Kraftwerksanlage, anzugeben. Dabei soll insbesondere eine hohe Voraussagegenauigkeit hinsichtlich eines sich ent- wickelnden Fehlers in der technischen Anlage erzielbar sein.

Auch sogenannte"schleichende Prozessabweichungen", die von einer gewünschten Betriebssituation wegführen und dem Auftre- ten eines Fehlers und/oder einer Prozessstörung praktisch im- mer vorausgehen, sollen möglichst frühzeitig erkannt werden können.

Weiterhin soll mittels einer erfindungsgemäßen Vorrichtung bzw. eines entsprechenden Verfahrens der erwartete Zeitpunkt des Auftretens eines Fehlers in der technischen Anlage mög- lichst frühzeitig ermittelbar sein, so dass Gegenmaßnahmen, beispielsweise eine Wartungsmaßnahme, eingeleitet werden kön- nen, bevor ein Ausfall der Anlage oder ihrer Komponenten ein- tritt.

Ferner sollen eine erfindungsgemäße Vorrichtung sowie ein entsprechendes Verfahren den Aufwand an bisher üblichen Diag- noseapplikationen in der Anlage reduzieren und darüber hinaus eine bessere Optimierung der eingesetzten Regelungsvorrich- tungen erlauben.

Die Aufgabe wird bezüglich der Vorrichtung erfindungsgemäß gelöst durch eine Vorrichtung zur Überwachung einer mehrere Systeme umfassenden technischen Anlage, insbesondere einer Kraftwerksanlage, umfassend mindestens ein Analysemodul, welches ein dynamisches Mo- dell mindestens eines Systems der technischen Anlage um- fasst, wobei dem Analysemodul Betriebs-und/oder Struktur-

daten der technischen Anlage als Eingabedaten zuführbar sind, und mindestens einen vom Analysemodul umfassten KI-basierten Algorithmus, mittels welchem das dynamische Modell des Systems während des Betriebs des Systems verbesserbar ist, wobei mittels des Analysemoduls Ausgabedaten ermittelbar sind, welche das momentane und/oder zukünftige Betriebsver- halten des Systems charakterisieren.

Die Erfindung geht dabei von der Überlegung aus, dass bei herkömmlichen, aus dem Stand der Technik bekannten Modellie- rungen die erzielbare Genauigkeit, also der erzielbare Grad an Übereinstimmung der ermittelten Modellgrößen mit den ent- sprechenden realen Größen zu klein ist, um sichere Aussagen über ein zukünftiges Verhalten der Anlage zu machen. Für ei- nen gegenwärtigen Zeitpunkt bieten bekannte Modellierungen meist brauchbare Ergebnisse, d. h. es liegt eine hoher Grad an Übereinstimmung mit den entsprechenden realen Größen zum ge- genwärtigen Zeitpunkt vor. Um so entfernter jedoch der inte- ressierende Zeitpunkt des Verhaltens der Anlage in der Zu- kunft liegt, desto größer wird die Voraussageunsicherheit.

Ein weiterer Ansatzpunkt der Erfindung liegt in der Erkennt- nis, dass es in vielen Fällen unmöglich oder nur unter extrem hohen Aufwand möglich ist, ein einigermaßen genaues Modell der technischen Anlage anzugeben (beispielsweise wegen eines stark nichtlinearen Verhaltens einiger Systeme der techni- schen Anlage).

Bei der erfindungsgemäßen Vorrichtung wird von einem dynami- schen Modell mindestens eines Systems der technischen Anlage ausgegangen, welches während des Betriebs mittels Methoden der künstlichen Intelligenz verbessert wird. Dadurch wird die Fähigkeit des Analysemoduls verbessert, das Betriebsverhalten des Systems zu beschreiben und zu prognostizieren.

Dabei ist es nicht zwingend notwendig, mit einem komplexen, einheitlichen dynamischen Modell des Systems zu starten. Oft- mals genügt beispielsweise ein Satz an wenigen insulären, einfachen Gleichungen und Kennlinien, welche ergänzt sein können durch ein bevorzugt einfach aufgebautes neuronales Netz, Fuzzy Logic oder einen genetischen Algorithmus. Das Zu- sammenwirken zwischen diesen"Teil-Modellen"zu einer System- beschreibung wird dann während des Betriebs durch den KI- basierten Algorithmus verbessert, so dass ein Zusammenhangs- geflecht der genannten Elemente entsteht.

Ein Modell, insbesondere ein deterministisches, im klassi- schen Sinn ist nicht erforderlich. Vielmehr wird das genannte Zusammenhangsgeflecht parametriert (z. B. eine Bernoulli- Gleichung dieses Geflechts, um diese auf eine konkret vorlie- gende Strömung anzuwenden) und der KI-basierte Algorithmus sucht in historischen oder momentanen Betriebsdaten und/oder Strukturdaten des Systems und/oder der technischen Anlage nach Zusammenhängen, z. B. Änderungen von Größen, welche sich in Folge der Änderung anderer Größen einstellen. Derartige neu entdeckte Zusammenhänge werden dann durch den KI- basierten Algorithmus in das dynamische Modell integriert- insbesondere als zusätzliche Kennlinie und/oder Gleichung o- der als eine Anpassung von Parametern des dynamischen Mo- dells, beispielsweise der Netzgewichtsfaktoren eines neurona- len Netzes, -und dieses dadurch verbessert.

Der Begriff"System"soll im Zusammenhang mit der Erfindung den Bereich von einer einfachen Komponente-beispielsweise eine Rohrleitung-bis hin zu einem hoch komplexen Gesamtsys- tem, umfassend eine Anzahl an Teilsystemen,-beispielsweise ein Turbinensatz, eine Kesselanlage, ein Kraftwerksblock oder das gesamte Kraftwerk-abdecken.

Unter"Betriebsdaten"werden insbesondere alle Arten von Da- ten verstanden, die beim Betrieb der technischen Anlage an- fallen wie beispielsweise Temperaturmesswerte, Druckmessda-

ten, Wärmebilder, Sensordaten, Meldungen, Alarme, Warnungen usw.

Der"KI-basierte Algorithmus"umfasst insbesondere Methoden der künstlichen Intelligenz wie neuronale Netze, Fuzzy Logic und genetische Algorithmen.

Das"dynamische Modell"kann deterministisch und numerisch oder auch mittels KI-basierter Methoden beschrieben sein. Es kann weiterhin physikalische und mathematische Gleichungen umfassen. Auch Kombinationen der genannten Elemente sind um- fasst, insbesondere physikalische und/oder mathematische Gleichungen, die durch KI-basierte Methoden verknüpft sind.

In einer bevorzugten Ausführungsform umfasst die Verbesserung des dynamischen Modells die Identifizierung von solchen Ein- gabedaten, welche zuvor noch nicht vom dynamischen Modell ge- nutzt sind, und mit Hilfe dieser Eingabedaten ist das dynami- sche Modell erweiterbar.

Dabei wird der KI-basierte Algorithmus bei der Verbesserung des dynamischen Modells zur Identifikation und Etablierung von im dynamischen Modell noch nicht berücksichtigter Zusam- menhänge verwendet.

Bevorzugt umfasst das dynamische Modell ein oder mehrere Ele- mente aus der Gruppe {Kennlinie, physikalische Gleichung, neuronales Netz, Fuzzy Logic, genetischer Algorithmus}.

Insbesondere umfasst das dynamische Modell mindestens ein neuronales Netz, welches mit historischen Betriebsdaten des Systems trainierbar ist.

Die Modellierung technischer Komponenten und Anlagen mittels neuronaler Netze ist ein bekanntes und bewährtes Verfahren.

Ein besonderer Vorteil ist darin zu sehen, dass eine analyti- sche Beschreibung der zu modellierenden Komponente nicht be-

kannt sein muss. Durch die Trainingsphase (welche beispiels- weise einen bekannten Backpropagation-Algorithmus umfasst) wird die zuerst mittels Startparameter ("Start- Gewichtsfaktoren") initialisierte, vorab festgelegte Struktur des neuronalen Netzes hinsichtlich ihrer Gewichtsfaktoren ausgebildet, so dass nach Abschluss der Trainingsphase eine gute Übereinstimmung mit der realen Komponente erwartet wer- den kann. Auf diese Weise erhält man ein Modell der Komponen- te, ohne eine genaue, analytische Analyse vornehmen zu müs- sen. In der Trainingsphase lernt das neuronale Netz, auf be- stimmte Eingangswerte mit bestimmten Ausgangswerten zu rea- gieren ; derartige Eingangswerte werden zusammen mit ihren korrespondierenden Ausgangswerten oft als Trainingsmenge be- zeichnet. Im Betrieb interpoliert dann das neuronale Netz für Eingangswerte, welche nicht von der Trainingsmenge umfasst sind, so dass auch für derartige Eingangswerte Ausgangswerte errechnet werden.

Beim Betrieb der technischen Anlage zeigt sich oft das Prob- lem, dass nicht alle Betriebsdaten, welche einen Einfluss auf das Verhalten der zu modellierenden Komponente (n) oder auch der gesamten technischen Anlage nehmen, bekannt oder erfass- bar sind.

Der Einsatz des mindestens einen KI-basierten Algorithmus er- möglicht es weiterhin, auch solche Parameter in die Berech- nungen des Zustandes des Systems der technischen Anlage mit- tels des dynamischen Modells einzubeziehen, die nicht direkt auf dieses System der technischen Anlage wirken, beispiels- weise als Ein-und/oder Ausgangssignale oder Medienströme.

Beispielsweise kann bei einer seriell angeordneten Kette von Systemen die Modellierung eines in der Mitte dieser Kette be- findlichen Systems vorgesehen sein, welches-neben gegebe- nenfalls direkt auf dieses System einwirkenden Eingangssigna- len-vom vorangehenden System Eingangssignale, die nicht messtechnisch oder auf andere Weise zugänglich sind, erhält.

Die Methoden der künstlichen Intelligenz (die in Anlehnung an die biologische Evolution beispielsweise als genetische Such- algorithmen nach einer geeigneten Merkmalskombination ausge- bildet sein können) erlauben dabei auch dann eine Berechnung des Zustandes eines Systems der technischen Anlage, wenn die Eingangsparameter zur Bestimmung des Ist-Zustandes weitgehend unbekannt oder nur schwer ermittelbar sind, beispielsweise- wie vorher genannt-mittels einer aufwendigen Messung der Ausgangswerte des vorangehenden Systems.

Dabei können z. B. auch statistische Methoden im Zusammenhang mit dem KI-basierten Algorithmus eingesetzt werden, wobei die wahrscheinlichsten Ein-und/oder Ausgangswerte eines Systems, die nicht anderweitig zugänglich sind, in einer aktuellen Be- triebssituation ermittelt werden, indem der KI-basierte Algo- rithmus diese vom dynamischen Modell benötigten Ein-und/oder.

Ausgangswerte des betreffenden Systems beispielsweise durch eine evolutionäre Suchstrategie ermittelt.

Auf diese Weise kann eine gute Übereinstimmung des Modells des mindestens einen Systems mit dem realen Verhalten dieses Systems erwartet werden, da mittels des mindestens einen KI- basierten Algorithmus auch solche Betriebsdaten in die Model- lierung des Systems einbezogen werden, die ansonsten außen vor blieben und zu einer mehr oder weniger starken Ungenauig- keit des Modells und damit insbesondere der damit erstellten Prognosen führen würden.

Damit können insbesondere auch Eingangs-und/oder Ausgangsda- ten des Systems, die dessen Betriebszustand mit bestimmen, aber nicht-z. B. messtechnisch-zugänglich sind, einbezogen werden. Dadurch ist die Genauigkeit der Prognose erhöht.

Eine besonders bevorzugte Ausführungsform der Erfindung um- fasst eine Anzahl an Analysemodulen, welche jeweils ein dyna- misches Modell mindestens eines Systems der technischen Anla- ge umfassen. Weiterhin ist dabei mindestens ein weiterer KI-

basierter Algorithmus vorgesehen ist, mittels welchem Korre- lationen mindestens zwischen den Ein-und/oder Ausgabedaten eines ersten und den Ein-und/oder Ausgabedaten eines zweiten der Analysemodule ermittelbar sind.

Diese Ausführungsform der Erfindung betrifft die Erweiterung der erfindungsgemäßen Vorrichtung auf die parallele Überwa- chung zusammenwirkender Systeme, wobei das Zusammenwirken in Form einer Beziehung zwischen den jeweiligen Ein-und/oder Ausgabedaten der Analysemodule vom weiteren KI-basierten Al- gorithmus ermittelt und als weitere Zusammenhänge etabliert werden (beispielsweise in Form einer Gleichung, eines neuro- nalen Netzes oder einer Kennlinie).

Dadurch entsteht ein genaues dynamisches Modell der zusammen- wirkenden Systeme umfassend das dynamische Modell der einzel- nen Systeme sowie die weiteren Zusammenhänge.

So ist das momentane und/oder zukünftige Betriebsverhalten sowohl der einzelnen Systeme, als auch das Betriebsverhalten der durch das Zusammenwirken der System entstehenden Anlage beschreibbar.

Dabei sind vorteilhaft mittels der Korrelationen weitere Aus- gabedaten ermittelbar, welche das momentane und/oder zukünf- tige Betriebsverhalten der technischen Anlage charakterisie- ren, wobei diese weiteren Ausgabedaten systemübergreifende Informationen beinhalten.

Korrelationen zwischen den genannten Daten deuten auf gegen- seitige Abhängigkeiten hin, wodurch die dadurch gewonnen wei- teren Ausgabedaten in ihrer Aussagekraft über die Systemgren- zen der beteiligten Einzelsysteme hinausgehen und damit das Verhalten einer größeren Einheit der technischen Anlage, um- fassend mindestens zwei Systeme, beschreiben.

Bevorzugt umfassen die Betriebs-und/oder Strukturdaten der technischen Anlage eine oder mehrere Informationen aus der

Gruppe (Prozessdaten, Betriebsmeldungen, Warnmeldungen, Stör- meldungen, Beobachtungsnotizen, Kommentare, Aufbau der tech- nischen Anlage, Hierarchie der Anlagenkomponenten}.

Die Prozessdaten können dabei on-und offline aus einem Leit- system der technischen Anlage und/oder einem damit verbunde- nen Untersystem gewonnen werden oder auch manuell eingegeben werden Die Betriebsmeldungen umfassen insbesondere Sensordaten und davon abgeleitete Informationen über den Betriebszustand der technischen Anlage und deren Systeme.

Die Strukturdaten beinhalten insbesondere Informationen über den Aufbau der technischen Anlage hinsichtlich der von der technischen Anlage umfassten Systeme (Anlagenkomponenten, Un- tersysteme, Systemgruppen) sowie deren hierarchischem Zusam- menwirken und Priorisierung.

Diese Daten können dabei momentane und/oder historische Daten umfassen, welche beispielsweise in einem Kurz-oder Langzeit- archiv oder in einem Engineeringsystem abgelegt sind.

Bevorzugt sind die Betriebs-und/oder Strukturdaten von einem Prozessleitsystem bereit gestellt.

Zur Bedienung und Beobachtung von komplexeren technischen An- lagen wird meist ein Prozessleitsystem eingesetzt in welchem die genannten Daten vorhanden sind oder während des Betriebs anfallen und gespeichert werden. Bei dieser Ausführungsform ist die Datenbereitstellung daher besonders aufwandsarm.

Die Erfindung führt weiterhin zu einem Verfahren zur Überwa- chung einer mehrere Systeme umfassenden technischen Anlage, insbesondere einer Kraftwerksanlage, umfassend folgende Schritte :

Einem dynamischen Modell mindestens eines Systems der technischen Anlage werden Betriebs-und/oder Strukturdaten der technischen Anlage als Eingabedaten zuführt, mittels eines KI-basierten Algorithmus wird das dynamische Modell des Systems während des Betriebs des Systems ver- bessert, und mittels des dynamischen Modells werden Ausgabedaten ermit- telt, welche das momentane und/oder zukünftige Betriebs- verhalten des Systems charakterisieren.

Bevorzugt umfasst die Verbesserung des dynamischen Modells die Identifizierung von solchen Eingabedaten, welche zuvor noch nicht vom dynamischen Modell genutzt sind, und mit Hilfe dieser Eingabedaten ist das dynamische Modell erweiterbar.

In einer weiteren Ausführungsform sind eine Anzahl an dynami- schen Modellen, welche jeweils mindestens ein System der technischen Anlage beschreiben, und mindestens ein weiterer KI-basierter Algorithmus vorgesehen, mittels welchem Korrela- tionen mindestens zwischen den Ein-und/oder Ausgabedaten ei- nes ersten und den Ein-und/oder Ausgabedaten eines zweiten der dynamischen Modelle ermittelbar sind.

Vorteilhaft sind mittels der Korrelationen weitere Ausgabeda- ten ermittelbar, welche das momentane und/oder zukünftige Be- triebsverhalten der technischen Anlage charakterisieren, wo- bei diese weiteren Ausgabedaten systemübergreifende Informa- tionen beinhalten.

Die im Zusammenhang mit der erfindungsgemäßen Vorrichtung und ihren vorteilhaften Ausgestaltungen gemachten Ausführungen sind auf das erfindungsgemäße Verfahren übertragbar und wer- den daher hier nicht wiederholt.

Zusammengefasst lässt sich die Erfindung in das folgende Um- feld einbetten :

Künstlich Intelligenz zur Diagnose von Systemen einer techni- schen Anlage, beispielsweise einer Kraftwerksanlage, kann da- zu eingesetzt werden, vorausschauend Fehler zu prognostizie- ren, wobei alle in der technischen Anlage zur Verfügung ste- henden Daten herangezogen werden können.

Die Schwerpunkte liegen dabei z. B. auf genetischen Algorith- men und neuronalen Netzen zur Modellierung und Bewältigung von Überwachungs-, insbesondere Diagnoseaufgaben.

Von besonderem Interesse ist es, den Aufwand der Diagnoseap- plikationen in der technischen Anlage deutlich zu reduzieren und darüber hinaus eine verbesserte Optimierung der Regelun- gen zu ermöglichen.

Eine Verbesserung ist erreicht, wenn einerseits die relevan- ten Aggregateigenschaften von Systemen der technischen Anla- ge, wie beispielsweise Leistung und Energieverbrauch, im Hin- blick auf gesetzliche Vorschriften und Ressourcenknappheit reduziert werden.

Auf der anderen Seite sollen Kundenwünsche nach verbesserter Leistung und Diagnosemöglichkeiten erfüllt werden.

In die Diagnose mittels genetischer/evolutionärer Algorith- men sind sowohl Großsysteme als auch kleine Systeme integ- rierbar.

Durch die Verbindung von genetischen (evolutionären) Algo- rithmen mit Kohonen-und/oder Neuronalen Netzen jeglicher Art ist es möglich, Aussagen über den Zustand mindestens eines Systems der technischen Anlage zu ermöglichen.

Der Einsatz von genetischen Algorithmen ermöglicht es darüber hinaus auch, solche Parameter in die Bestimmung des Zustandes eines Systems der technischen Anlage einzubeziehen, die nicht direkt auf diese Komponente der technischen Anlage wirken,

beispielsweise als Ein-und/oder Ausgangssignale oder Medien- ströme.

Die Methodiken von genetischen Algorithmen (Suchalgorithmen) erlauben darüber hinaus auch dann eine Berechnung des Zu- stands mindestens eines Systems oder der gesamten technischen Anlage, wenn die Eingangsparameter zur Bestimmung des Ist- Zustandes weitgehend unbekannt und/oder nicht oder nur schwer ermittelbar sind, beispielsweise mittels einer aufwendigen Messung.

Der Einsatz von künstlicher Intelligenz zur Diagnose ermög- licht es weiterhin, dass bei komplexen Anlagenzuständen Ab- weichungen von errechneten Ist-Zuständen dem Betreiber der technischen Anlage gemeldet werden.

Hierbei kann zunächst auf einen konkreten Fehlerhinweis, z. B. über den eng eingegrenzten Fehlerort, verzichtet werden, da Ausfälle z. B. von Sensoren meist von einem vorhandenen Leit- system sowieso erfasst und gemeldet werden.

Wichtig im Zusammenhang mit der Erfindung ist vielmehr die Erkennung von schleichenden Prozessen-die nicht unbedingt einen sofortigen Ausfall einer Anlagenkomponente hervor rufen - wie Verschmutzung, Leistungsabfall durch Abnutzung, Alte- rung usw., die vom Menschen durch den"Gewöhnungseffekt" nicht richtig wahrgenommen bzw. richtig interpretiert werden.

In vielen Fällen führen derartige schleichende Veränderungen irgendwann einmal zum Ausfall der technischen Anlage.

Die Veränderungen werden aber oft nicht erkannt, da eine vor- handene Regelungseinrichtung beispielsweise versucht, dieser Veränderung entgegenzuwirken : Beispielsweise werden Ver- schmutzungen an den Schaufeln eines Lüfters durch eine Ver- stellung der Lüfterschaufeln kompensiert. Oder die Regelungs- einrichtung kompensiert nachlassende Leistungen von Öl-oder Kühlpumpen durch neue Sollwertvorgaben ; dann wird die Tempe- ratur z. B. eines Lagers nur sehr langsam höher, da die Rege-

lungseinrichtung bei einem sich anbahnenden Defekt oftmals den Zeitpunkt des Systemausfalls hinauszögern kann. Jedoch werden dabei die geregelten Systeme immer höher beansprucht und der Verschleiß steigt. Der Benutzer der technischen Anla- ge bekommt davon nichts mit, da gerade wegen der Regelungs- einrichtung die technische Anlage weiter funktioniert, obwohl ein oder mehrere Systeme der technischen Anlage sich ihrer Verschleißgrenze nähern.

Ein riskanter Betrieb liegt insbesondere dann vor, wenn ein funktionierendes System unter erhöhter Beanspruchung betrie- ben wird ; eine derartige Beanspruchung kann durch eine vorher genannte Regelungseinrichtung durch eine Sollwertvorgabe ver- ursacht sein.

Beispielsweise ist ein Kühlkreislauf für einen Dauerbetrieb mit 50% Leistung ausgelegt. Dann kann ein dauerhafter Betrieb mit 70-80% Leistung schon bald zu gravierenden Schäden füh- ren. Ein sich anbahnender Ausfall einer Leck geschlagenen Kühlpumpe bleibt jedoch unbemerkt, da die Regelungseinrich- tung zur Aufrechterhaltung der Funktion des Kühlkreislaufs den Sollwert (z. B. den Druck) für die Kühlpumpe immer weiter erhöht, was den Ausfall der Pumpe weiter beschleunigt. Erst wenn der Ausfall tatsächlich eingetreten ist, wird der Fehler der Kühlpumpe als Fehlerursache des Kühlsystems bemerkt.

Hier können eine erfindungsgemäße Vorrichtung sowie ein Ver- fahren Abhilfe schaffen.

Genetische Algorithmen in Verbindung mit intelligenten, lern- fähigen Netzwerken erlauben darüber hinaus die Erkennung von riskanten Betriebsweisen der technischen Anlage, Überlastung bzw. falsche Auslastung von Aggregaten und Systemen u. s. w..

Dies wird vorteilhaft dem Betreiber/Bediener der techni- schen Anlage gemeldet, beispielsweise in Form eines Betriebs- diagramms (z. B. eines Kennfelds), aus dem sowohl der momenta- ne Betrieb, als auch ein vorgeschlagener, verbesserter Be- trieb hervorgeht.

Die Darstellung von Abweichungen kann vorteilhaft mittels Kennfelder erfolgen. Basierend auf genetischen Algorithmen ist neben der Fehlervoraussage auch eine Optimierung des Be- triebs der technischen Anlage möglich.

Weiterhin können mittels genetischer Algorithmen Informatio- nen für das Management-Personal der technischen Anlage gewon- nen werden, die eine Aussage über den Gesamtzustand der Anla- ge und ggf. über in einem Zeitabstand notwendige Wartungsmaß- nahmen ermöglichen.

Vorteilhaft ermöglicht der Einsatz von Künstlicher Intelli- genz eine Onlineberechnung von Systemzuständen, d. h. der Betreiber kann auf ein"Fehlverhalten"in seiner Anlage hin- gewiesen werden und ist dann in der Lage, vorrausschauende Berechnungen anzustellen, die ihm eine neue Betrachtungsweise ermöglichen.

Beispiel : Eine erfindungsgemäße Vorrichtung, z. B. in Form eines Diagno- sesystems, meldet dem Betreiber"Fehler an Kohlemühle XX Be- reich Mahlwalzen" ; durch Gegenkontrolle wird festgestellt, dass eine Wartungsmaßnahme der Kohlemühle nötig ist (z. B. weil dies so vom Hersteller im zugehörigen Wartungshandbuch vorge- schrieben ist).

Durch vorrausschauende Berechnung kann dann durch das erfin- dungsgemäße Diagnosesystem bestimmt werden, was passiert, wenn der Betreiber seine technische Anlage ohne Wartungsmaß- nahme trotzdem weiter in Betrieb lässt und wann der tatsäch- liche Eintritt eines Betriebsausfalls der Kohlemühle zu er- warten ist.

Mit der Verbindung von genetischen Algorithmen und Neuronalen Netzen sowie ggf. Kohonen-Netzwerken lässt sich eine Vielzahl an Aussagen hinsichtlich des aktuellen und/oder zukünftigen

Zustandes der technischen Anlage treffen, insbesondere, wann eine Wartungsmaßnahme erforderlich sein wird.

Im Folgenden werden zwei Ausführungsbeispiele der Erfindung näher dargestellt. Es zeigen : FIG 1 eine Systemhierarchie, wie sie üblicherweise in techni- schen Anlagen vorkommt, FIG 2 eine erfindungsgemäße Vorrichtung, und FIG 3 eine weitere Ausführungsform einer erfindungsgemäßen Vorrichtung mit zwei Analysemodulen.

FIG 1 zeigt beispielhaft einen hierarchischen Systemaufbau einer technischen Anlage 2.

Die technische Anlage 2 ist ausgebildet als eine Kraftwerks- anlage zur Erzeugung von elektrischer Energie und umfasst zwei Kraftwerksblöcke 3.

Jeder Kraftwerksblock 3 umfasst dabei zwei Turbinen 5, bei- spielsweise Gasturbinen. Diese Turbinen 5 wiederum beinhalten jeweils einen Kühlkreislauf 9.

Dieser Kühlkreislauf 9 umfasst dabei eine Turbinenschaufel 11 der Turbine 5.

Jedes der genannten Elemente soll im Zusammenhang mit der Er- findung unter den Begriff System fallen. Ein System kann also eine einfache, isolierte Komponente wie beispielsweise eine Turbinenschaufel, aber auch ein komplexes System, wie den Kraftwerksblock 3 oder auch mehrere Kraftwerksblöcke 3 umfas- sen.

Die FIG 2 zeigt eine erfindungsgemäße Vorrichtung 1 mit einem Analysemodul 13.

Dem Analysemodul 13 sind dabei Betriebsdaten 17 und Struktur- daten 19 der technischen Anlage als Eingabedaten zugeführt.

Bei den Betriebsdaten 17 kann es sich beispielsweise um Onli- ne-Messdaten handeln, welche in der technischen Anlage oder im System selbst mittels Sensoren aufgenommen werden. Es kann sich dabei aber auch um aus diesen Messdaten abgeleitete Da- ten handeln, welche beispielsweise in einem Rechnersystem er- zeugt werden. Ferner können die Betriebsdaten 17 auch Offli- ne-Messdaten umfassen, welche beispielsweise in einem Archiv abgelegt sind oder manuell eingegeben werden.

Die Strukturdaten 19 beschreiben die technische Anlage oder das System selbst. Sie beinhalten insbesondere Informationen über die Zusammenschaltung von Teilsystemen, welche vom Sys- tem umfasst sind und deren hierarchische Anordnung.

Ein dynamisches Modell 15 ist zur Modellierung des Systemver- haltens vorgesehen. Dieses Modell 15 kann beispielsweise ana- lytische Gleichungen, aber auch Methoden der künstlichen In- telligenz wie beispielsweise neuronale Netze, Fuzzy Logic o- der genetische Algorithmen umfassen. Des Weiteren können ins- besondere einfache Kennlinien zur Beschreibung des Systemver- haltens vorgesehen sein.

Ein KI-basierter Algorithmus 21 ist zur Verbesserung des dy- namischen Modells 15 während des Betriebs des Systems 15 vor- gesehen.

Dieser KI-basierte Algorithmus 21 kann beispielsweise ausge- bildet sein als ein genetischer Algorithmus.

Eine wichtige Rolle dieses Algorithmus 21 besteht im Vorneh- men von dynamischen Anpassungen im Modell 15, um eine Verbes- serung dieses Modells 15 zu erreichen in dem Sinne, dass ein verbessertes Modellverhalten, also eine bessere Übereinstim- mung mit dem Verhalten des realen Systems erreicht wird. Bei-

spielsweise kann zur Beurteilung dieses Sachverhalts ein Mo- dellierungsfehler herangezogen werden, beispielsweise die Differenz zwischen dem tatsächlichen zeitlichen Verhalten des Systems und dem modellierten zeitlichen Verhalten dieses Sys- tems. Mittels des KI-basierten Algorithmus 21 kann dann eine Verbesserung des Modells 15 erfolgen. Dabei wird der KI- basierte Algorithmus 21 insbesondere dafür verwendet, bei der Modellierung noch nicht berücksichtigte Parmameter und Daten, welche von den Betriebsdaten 10 und/oder den Strukturdaten 19 umfasst, aber zur Modellierung noch nicht herangezogen sind, zu identifizieren und weitere Zusammenhänge, beispielsweise Gleichungen oder Kennlinien, umfassend die genannten identi- fizierten Parameter und/oder Daten, zu etablieren und dem dy- namischen Modell 15 hinzuzufügen.

Ein als genetischer Algorithmus ausgebildeter KI-basierter Algorithmus 21 optimiert vom dynamischen Modell 15 umfasste Zusammenhänge wie beispielsweise Gleichungen, Kennlinien oder Netzparameter eines neuronalen Netzes, indem er evolutionär Parameter und Daten kombiniert und re-kombiniert und dabei insbesondere neue Zusammenhänge entdeckt, welche vom dynami- schen Modell 15 noch nicht umfasst sind.

Insofern geht die beschriebene, im Zusammenhang mit der Er- findung verwendete Modellierung und deren Verbesserung mit- tels des KI-basierten Algorithmus 21 über bekannte Methoden von z. B. Supervised Learning und klassische Modellierung hin- aus.

Das Analysemodell 13 erzeugt als Ausgabedaten 23 Aussagen ü- ber das Betriebsverhalten des Systems. Es kann sich dabei beispielsweise um ein momentanes oder auch zukünftiges Be- triebsverhalten des Systems (Erstellung einer Prognose han- deln. Beispielsweise werden dem Analysemodul 13 Betriebsdaten 17 zugeführt und angenommen, dass diese Betriebsdaten über einen bestimmten zukünftigen Zeitraum andauern werden. Die Ausgabedaten 23 erlauben dann eine Aussage beispielsweise da-

hingehend, ob und ggf. wann eine Störung des Systembetriebs zu erwarten ist. Diese Aussage ist umso genauer, je genauer das Modell 15 das tatsächliche Systemverhalten widerspiegelt.

Bei der erfindungsgemäßen Vorrichtung 1 wird insbesondere durch den KI-basierten Algorithmus 21 für eine hohe Genauig- keit des Modells 15 gesorgt, so dass die vom Analysemodul 13 als Ausgabedaten 23 ermittelten Prognosen und Diagnosen sehr genau sind.

Die Ausgabedaten 23 umfassen insbesondere qualifizierte Mel- dungen hinsichtlich Fehlererkennung (Trendanalyse, Verschleiß und Alterung), Wirkungsgrad, Prozessqualität und erwartetes zukünftiges Verhalten des Systems und der technischen Anlage.

Um derartige Meldungen zu erzeugen, kann vom Analysemodul 13 ein Regelwerk umfasst sein, um vom Modell 15 generierte Aus- gangsdaten in die genannten Meldungen zu transformieren. Das Regelwerk kann dabei insbesondere Regeln für die Prognose ei- nes kurzfristigen Betrachtungszeitraum sowie Regeln für einen langfristigen Betrachtungszeitraum umfassen.

Dem Regelwerk können dabei neben den Ausgangsdaten des Mo- dells 15 weitere Informationen zugeführt sein, beispielsweise Meldungen und Alarme betreffend das System oder die techni- sche Anlage.

In der Darstellung der FIG 3 umfasst eine erfindungsgemäße Vorrichtung 1 zwei Analysemodule 13a und 13b.

Dem Analysemodul 13a sind dabei Betriebsdaten 17a und Struk- turdaten 19a eines Kühlsystems 29 zugeführt ; das Analysemodul 13b erhält als Eingangsdaten Betriebsdaten 17b und Struktur- daten 19b eines Generators 31.

Des Weiteren sind beiden Analysemodulen 13a, 13b Umgebungsda- ten 33 der technischen Anlage zugeführt, beispielsweise die Umgebungstemperatur, Luftfeuchtigkeit, Luftdruck usw.

Jedes Analysemodul 13a, 13b ermittelt Ausgabedaten 23a bzw.

23b, welche das Betriebsverhalten des jeweils analysierten Systems 29 bzw. 31 charakterisieren.

Da das Kühlsystem 29 und der Generator 31 keine verfahrens- technisch isoliert voneinander zu betrachtenden Systeme sind, ist damit zu rechnen, dass insbesondere sich verändernde Be- triebsdaten 17a des Kühlsystems 29 Einfluss nehmen auf das Systemverhalten des Generators 31 und damit auf die Ausgabe- daten 23b des Analysemoduls 13b. Dasselbe gilt für sich ver- ändernde Betriebsdaten 17b des Generators 31, von welchen er- wartet werden kann, dass sich daraufhin das Betriebsverhalten des Kühlsystems 29 und damit die Ausgabedaten 23a des Analy- semoduls 13a verändern.

Um derartige Korrelationen aufzuspüren und zu quantifizieren ist der weitere KI-basierte Algorithmus 25 vorgesehen.

Dieser kann beispielsweise ausgebildet sein als ein weiterer genetischer Algorithmus, welcher weitere Ausgabedaten 27 er- zeugt, welche systemübergreifende Informationen umfassen, al- so über die Charakterisierung des Verhaltens eines der Syste- me hinausgehen und insbesondere Informationen über das Zusam- menwirken der Systeme 29 und 31 und deren gegenseitige Abhän- gigkeiten enthalten.

Der weitere KI-basierte Algorithmus 25 ist dabei also zustän- dig für Identifikation und Etablierung übergeordneter, sys- temübergreifender Zusammenhänge. Diese Zusammenhänge können beispielsweise Gleichungen, Kennlinien oder neuronale Netze umfassen, die vom weiteren KI-basierten Algorithmus 25 er- zeugt und/oder parametriert werden.

Die Strategie zur Identifikation und Etablierung derartiger Systemübergreifender Zusammenhänge kann dabei ähnlich sein wie bei der im Zusammenhang mit FIG 2 genannten Identifikati-

on und Etablierung von systeminternen weiteren Zusammenhängen durch die KI-basierten Algorithmen 21a, 21b.

Mittels einer erfindungsgemäßen Vorrichtung und eines erfin- dungsgemäßen Verfahrens soll es insbesondere möglich sein, ohne aufwendige Diagnosemittel aus vorhandenen Betriebs-und Strukturdaten eines Systems Aussagen über das Systemverhal- ten, insbesondere über das zukünftige, zu machen.

Dazu ist ein selbst-adaptierendes dynamisches Modell des Sys- tems vorgesehen, welches von einem KI-basierten Algorithmus während des Betriebs verbessert wird.

Der KI-basierte Algorithmus 21 wird insbesondere dazu verwen- det, in den meist ohnehin verfügbaren Betriebs-und/oder Strukturdaten einer technischen Anlage, welche beispielsweise in einem Leitsystem verarbeitet werden, nach Zusammenhängen zu suchen und die dabei identifizierten Zusammenhänge in das dynamische Modell zu integrieren, um dieses schrittweise zu verbessern.

Es ist also nicht notwendig, dass ein analytisches Modell des Systems oder der technischen Anlage vorliegt. Vielmehr wird das Modell ausgehend beispielsweise von einer sehr einfachen Kennlinie eines Kennlinienfeldes und/oder von einfachen Glei- chungen schrittweise verbessert durch eine Korrelationsanaly- se der Betriebs-und Strukturdaten mittels des KI-basierten Algorithmus unter Etablierung der dabei ermittelten Korrela- tionen beispielsweise in Form von weiteren Kennlinien, Glei- chungen usw.

Im Unterschied zu herkömmlichen Überwachungs-und Diagnose- vorrichtungen beruht die vorliegende vorzugsweise auf einer datenbasierten Methode, wobei Abhängigkeiten zwischen Teilen von vorliegenden Betriebsdaten und/oder zwischen Teilen von Strukturdaten einer technischen Anlage mit Methoden der künstlichen Intelligenz aufgespürt und als quantifizierte Zu-

sammenhänge, beispielsweise Gleichungen und/oder Kennlinien, etabliert werden, so dass ein genaues dynamisches Modell min- destens eines Systems der technischen Anlage entsteht.