对用于空气过滤器的状态参量的预测

本发明涉及一种用于预测至少一个状态参量的变化的方法,所述状态参量表征至少一个空气过滤器的耐用时间和/或性能,所述方法包括以下步骤:检测至少一个影响参量的至少一个值,状态参量的每个时间单位的变化取决于所述至少一个影响参量;检测影响参量以所述值作用于空气过滤器的持续时间;将所述至少一个影响参量的所述至少一个值供应给至少一个模型,所述至少一个模型提供输出参量,所述输出参量是针对对状态参量的每个时间单位的变化所做出贡献的度量,所述贡献通过所述至少一个影响参量引起;由输出参量和持续时间确定状态参量的变化。本发明还涉及一种用于训练可训练的机器学习模型的方法和一种用于识别相关影响参量的方法。

专利类型: 发明专利
申请(专利)号: CN202011088637.2
申请日期: 2020年10月13日
公开(公告)日: 2021年4月27日
公开(公告)号: CN112712100A
主分类号: G06K9/62,G,G06,G06K,G06K9
分类号: G06K9/62,G06N20/00,G06Q10/04,F02C7/05,G,F,G06,F02,G06K,G06N,G06Q,F02C,G06K9,G06N20,G06Q10,F02C7,G06K9/62,G06N20/00,G06Q10/04,F02C7/05
申请(专利权)人: 卡尔·弗罗伊登伯格公司
发明(设计)人: T·凯撒,K·舒尔茨,R·塔珀
主申请人地址: 德国魏恩海姆
专利代理机构: 中国贸促会专利商标事务所有限公司
代理人: 刘盈
国别省市代码: 德国;DE
主权项: 1.一种用于预测至少一个状态参量(2)的变化(2a)的方法(100),所述状态参量表征至少一个空气过滤器(1)的耐用时间和/或性能,所述方法包括以下步骤: ·检测(110)至少一个影响参量(3)的至少一个值,状态参量(2)的每个时间单位的变化取决于所述至少一个影响参量; ·检测(120)影响参量(3)以所述值作用于空气过滤器(1)的持续时间(4); ·将所述至少一个影响参量(3)的所述至少一个值供应(130)给至少一个模型(5),所述至少一个模型提供(140)输出参量(6),所述输出参量是针对对状态参量(2)的每个时间单位的变化所做出贡献的度量,所述贡献通过所述至少一个影响参量(3)引起; ·由输出参量(6)和持续时间(4)确定(150)状态参量(2)的变化(2a)。 2.根据权利要求1所述的方法(100),其中,所述影响参量(3)包括以下参量中的一个或多个参量: ·所述空气过滤器(1)在由多个空气过滤器(1)形成的布置系统中的位置; ·表征安装有所述空气过滤器(1)的设备和/或所述设备的运行操作的参数; ·在所述空气过滤器(1)的安装位置周围的环境中的至少一个位置或区域的使用方式; ·在至少一个位置处或至少一个区域上进行的活动和/或工作; ·来自至少一个排放源的至少一种颗粒状物质和/或气态物质的排放速率; ·在空气过滤器(1)的安装位置处和/或在至少一个其它位置处或在至少一个其它区域上的基底温度和/或空气温度和/或空气湿度; ·在空气过滤器(1)的安装位置处和/或在至少一个其它位置处或在至少一个其它区域上的风向和/或风强度; ·在空气过滤器的安装位置处和/或在至少一个其它位置处或在至少一个其它区域上的降水的类型和强度。 3.根据权利要求1至2中任一项所述的方法(100),其中,将物理上共同作用的影响参量(3)的值的组合供应(131)给所述模型(5)。 4.根据权利要求3所述的方法(100),其中,所述物理上的共同作用包括: ·至少一种颗粒状物质和/或气态物质的形成和/或释放与所述物质通过风朝向空气过滤器(1)方向的输送的配合作用,和/或 ·通过空气湿度引起的颗粒的附聚和/或至少一种能够随着空气朝向空气过滤器(1)方向运输的物质的其它转变,和/或 ·能够随着空气朝向空气过滤器(1)方向运输的两种或更多种物质的化学和/或物理的相互作用。 5.根据权利要求1至4中任一项所述的方法(100),其中,响应于预测的状态参量(2)和/或预测的变化(2a)满足预先给定的标准(160), ·确定(161)对空气过滤器(1)的维护和/或更换有意义的时间点; ·触发(162)对于空气过滤器(1)和/或对于用于空气过滤器(1)的至少一个替换件的订购过程;和/或 ·利用操控信号来操控(163)安装有所述空气过滤器(1)的设备。 6.根据权利要求1至5中任一项所述的方法(100),其中,选择(132)可训练的机器学习模型作为模型(5)。 7.一种用于训练可训练的机器学习模型(5)的方法(200),所述机器学习模型用于在根据权利要求6所述的方法(100)中使用,所述方法具有以下步骤: ·检测(210)至少一个状态参量(2)的至少一个实际时间变化曲线(2b),所述状态参量表征至少一个空气过滤器(1)的耐用时间和/或性能; ·检测(220)影响参量(3)的至少一个实际时间变化曲线(3a),状态参量(2)的每个时间单位的变化取决于所述影响参量; ·形成(230)状态参量(2)的实际变化曲线(2b)的一个或多个时间导数(2c); ·优化(240)表征所述机器学习模型(5)的特性的参数(5a),使得机器学习模型(5)将一个或多个影响参量(3)的实际时间变化曲线(3a)的值根据成本函数(7)尽可能准确地映射到所述一个或多个时间导数(2c)的值上。 8.一种用于识别至少一个影响参量(3)的方法(300),状态参量(2)的变化取决于所述影响参量,所述状态参量表征至少一个空气过滤器(1)的耐用时间和/或性能,所述方法包括以下步骤: ·检测(310)至少一个候选影响参量(3b)的候选时间变化曲线(3c); ·检测(320)状态参量(2)的实际时间变化曲线(2b); ·确定(330)用于实际时间变化曲线(2b)的变化与候选时间变化曲线(3c)的变化的相关性的相关性度量(3d); ·响应于所确定的相关性度量(3d)满足预先给定的条件(340),将候选影响参量(3b)识别(350)为对于状态参量(2)而言重要的影响参量(3)。 9.根据权利要求8所述的方法(300),其中,识别(321)并且至少部分地抑制(322)所述实际时间变化曲线(2b)的如下变化(2b'),所述变化由已知的影响参量(3)引起。 10.根据权利要求8至9中任一项所述的方法(300),其中,对所述相关性度量(3d)的确定(330)包括: ·基于第一模型(5b)确定(331)状态参量(2)的第一时间变化曲线(2d),所述第一模型将一个或者多个已知的影响参量(3)与对状态参量(2)的每个时间单位的变化的至少一个贡献相关联; ·基于第一时间变化曲线(2d)与实际时间变化曲线(2b)的比较来确定(332)第一误差度量(2e); ·基于第二模型(5b')确定(333)状态参量(2)的第二时间变化曲线(2d'),所述第二模型将候选影响参量(3b)与对状态参量(2)的每个时间单位的变化的至少一个贡献相关联; ·基于第二时间变化曲线(2d')与实际时间变化曲线(2b)的比较来确定(334)第二误差度量(2e');并且 ·基于第一误差度量(2e)与第二误差度量(2e')的比较来确定(335)相关性度量(3d)。 11.根据权利要求1至10中任一项所述的方法(300),其中,所述状态参量(2)包括在空气过滤器(1)的运行中出现的压力差和/或空气过滤器(1)负载至少一种物质的程度。 12.一种机器可读的数据载体和/或下载产品,包括通过根据权利要求7所述的方法(200)获得的参数的参数集,所述参数表征经训练的机器学习模型(5)的特性;和/或包括机器可读指令,当所述机器可读指令在一个或多个计算机上被执行时,所述机器可读指令促使所述一个或多个计算机执行根据权利要求1至11中任一项所述的方法(100、200、300)。 13.一个或多个计算机,配备有根据权利要求12所述的机器可读的数据载体和/或下载产品。
法律状态: 公开