System, computergestütztes Verfahren und Computerprogrammpro dukt zum Generieren von Konstruktionsparametern einer komple xen Vorrichtung

Gebiet der Erfindung

Die Erfindung liegt auf dem Gebiet des Entwerfens von komple xen Vorrichtungen und entsprechenden Designtools und betrifft insbesondere ein System zum Generieren von Konstruktionspara metern einer komplexen Vorrichtung ausgehend von wenigstens einem Spezifikationsparameter, ein entsprechendes computerge stütztes Verfahren sowie ein entsprechendes Computerprogramm produkt .

Hintergrund

Bei dem Entwurf/der Entwicklung von komplexen Vorrichtungen müssen üblicherweise einer oder mehrere Spezifikationsparame ter erfüllt werden. Typischerweise ergeben sich solche Spezi fikationsparameter aus der Beschreibung eines von einem Kun den angeforderten Produkts bzw. einer angeforderten komplexen Vorrichtung sowie aus den Anforderungen an die komplexe Vor richtung bei ihrem Betrieb.

Bei einem herkömmlichen Designprozess - also dem Entwerfen und/oder Konstruieren einer solchen komplexen Vorrichtung und dem hierzu erforderlichen Bestimmen von Konstruktionsparame tern dieser komplexen Vorrichtung - bestimmt eine Fachperson im jeweiligen Fachgebiet der jeweiligen komplexen Vorrichtung ein Initialdesign basierend auf dem Experten-Know-how dieser Fachperson und ausgehend von den Spezifikationsparametern. Daraufhin wird das Design dieser komplexen Vorrichtung, d.h. werden ihre Konstruktionsparameter so lange optimiert bis die Spezifikationsparameter erfüllt sind. Dabei korrespondieren die Spezifikationsparameter mit Betriebsparametern der kom plexen Vorrichtung, wobei ein solcher Spezifikationsparameter insbesondere von einem oder von mehreren Betriebsparametern abhängen kann, d.h. ein solcher Spezifikationsparameter dann erfüllt ist, wenn einer oder mehrere bestimmte Betriebspara meter je in einem bestimmten Wertebereich liegen. So kann et wa die maximale elektrische Verlustleistung einer elektri schen Komponente als Spezifikationsparameter vorgegeben sein, wobei diese erfüllt ist, wenn die Stromaufnahme und die Span nung - d.h. der Spannungsabfall über die elektrische Kompo nente - im Betrieb je unter einem bestimmten Grenzwert lie gen .

Auch kann es bei einem herkömmlichen Designprozess erforder lich sein, insbesondere wenn die Spezifikationsparameter in einem ersten Durchgang des Designprozesses nicht erreicht werden konnten, den Designprozess ein weiteres Mal mit einem anderen Initialdesign durchzuführen.

Oft sind bei einem herkömmlichen Designprozess viele Durch gänge mit unterschiedlichen Initialdesigns und/oder viele Schritte bei der Optimierung der Konstruktionsparameter er forderlich. Auch kann hierbei das finale Design, d.h. insbe sondere können die Konstruktionsparameter der komplexen Vor richtung von dem Initialdesign - auch wesentlich - abhängen. Damit kann ein solcher herkömmlicher Designprozess ressour cenintensiv sein und/oder das jeweils erzielte Ergebnis, d.h. die final durch die entwerfende Fachperson bestimmten Kon struktionsparameter, von der jeweiligen Fachperson abhängen.

Damit können sich insbesondere bei gleichen Anforderungen ei nes Kunden unterschiedliche Designs, d.h. Konstruktionspara meter für die komplexe Vorrichtung ergeben. Auch kann ein heute üblicher Designprozess - insbesondere aufgrund der vie len Iterationen bei der Optimierung der Konstruktionsparame ter - zeitintensiv sein. Zusammenfassung der Erfindung

Der Erfindung liegt als eine Aufgabe zugrunde, das Entwerfen einer komplexen Vorrichtung zu erleichtern und/oder die Kon struktion einer komplexen Vorrichtung zu verbessern und ins besondere das Bestimmen von Konstruktionsparametern einer komplexen Vorrichtung effizienter zu machen und/oder eine Konstruktion einer solchen komplexen Vorrichtung, welche an hand so bestimmter Konstruktionsparameter konstruiert ist, zu harmonisieren .

Die Erfindung löst diese Aufgabe jeweils durch ein computer gestütztes Verfahren zum Generieren von Konstruktionsparame tern einer komplexen Vorrichtung ausgehend von wenigstens ei nem Spezifikationsparameter, durch ein System zum Generieren von Konstruktionsparametern einer komplexen Vorrichtung aus gehend von wenigstens einem Spezifikationsparameter und durch ein Computerprogrammprodukt zum Generieren von Konstruktions- parametern einer komplexen Vorrichtung ausgehend von wenigs tens einem Spezifikationsparameter je gemäß der Lehre eines der Hauptansprüche. Vorteilhafte Ausführungsformen, Weiter bildungen und Varianten der vorliegenden Erfindung sind ins besondere Gegenstand der Unteransprüche.

Ein erster Aspekt der Erfindung betrifft ein computergestütz tes Verfahren zum Generieren von Konstruktionsparametern ei ner komplexen Vorrichtung ausgehend von wenigstens einem Spe zifikationsparameter mittels eines neuronalen Netzwerks. Das Verfahren weist Folgendes auf. Bei dem Verfahren werden Refe renzdaten - in einigen Varianten insbesondere etwa histori sche Designs, eine Chronologie von Arbeitsschritten und/oder bestimmt mittels einer Sensitivitätsanalyse auf Basis von künstlich erzeugten Eingabeparametern - bereitgestellt, wel che eine Vielzahl an komplexen Vorrichtungen und deren jewei ligen wenigstens einen Spezifikationsparameter sowie jeweils Konstruktionsparameter kennzeichnen. Bei dem Verfahren werden Betriebsdaten bereitgestellt, welche die Vielzahl an komple xen Vorrichtungen und deren jeweilige Betriebsparameter, die mit den jeweiligen Konstruktionsparametern korrespondieren, kennzeichnen. Zudem wird bei dem Verfahren das neuronale Netzwerk auf Basis der Referenzdaten und der Betriebsdaten trainiert. Schließlich werden die Konstruktionsparameter der komplexen Vorrichtung ausgehend von dem wenigstens einen Spe zifikationsparameter und mittels des trainierten neuronalen Netzwerks generiert.

Einige Varianten der Erfindung finden Verwendung, wenn Einga beparameter mittels einer dedizierten und komplexen Software zu einem konkreten Produkt mit gewünschten Betriebsparamter führen .

Vorteilhafte Verwendungen und entsprechend ausgebildete Vari anten dafür können sein:

- Transformatoren: Geeignete Eingabeparameter und initiale Konfiguration wie Wicklungsanordnung und Wicklungstypen etc. führen mit Hilfe einer komplexen Software (Analyse und Verifikation) zu einem konkreten Design, bei dem Kundenanforderungen wie Verluste, Geräusche etc. er reicht werden müssen;

- Triebwerke;

- Gas-Turbinen; und

- Destilallationskolonnen für die chemische Industrie.

Im Sinne der Erfindung sind unter einem „Konstruktionsparame ter" zumindest Daten zu verstehen, die wenigstens einen Teil einer komplexen Vorrichtung - insbesondere durch Zahlenwerte - charakterisieren und/oder in ihrer Ausführung bestimmen. So können insbesondere die physischen Dimensionen einer komple xen Vorrichtung durch einen oder durch mehrere Konstruktions- parameter charakterisiert und bestimmt sein - etwa die Ge- samt-Höhe, -Breite und/oder -Länge einer solchen komplexen Vorrichtung durch die Angabe der Werte ihrer jeweiligen Aus dehnung in einem Längenmaß wie Meter oder Inch. Auch können die Materialeigenschaften und/oder die verwendeten Materia lien durch einen oder mehrere Konstruktionsparameter bestimmt sein - etwa das Material eines Kabels einer solchen komplexen Vorrichtung durch die Angabe von einem das jeweilige Material kodierenden Zahlenwert oder Text - etwa „Kupfer", „Cu" für Kupfer oder beliebiger numerischer Identifier - bestimmt sein. Auch können abhängig vom Anwendungsfall bestimmte Kon struktionsparameter, insbesondere sogenannte Designparameter, besonders relevant sein.

So sind Designparameter von Transformatoren insbesondere:

- Variierte Parameter:

o Kerndurchmesser

o Elektromagnetischer Stahlsorte

o Wicklungsanordnungen

o Windungszahlen

o Anzahl parallele Leiter in Wicklungen

o Anzahl Teilleiter in einem Leiter

o Stromdichten

o Anzahl Lagen oder Spulen in Wicklungen

o Kühlungsausrüstung

- Zielgrößen:

o Geometrische Daten:

^■ Max. Abmessungen

^■ Max. Gewichte

o Betriebsdaten:

^■ Kurzschlussimpedanz

^■ Max. Verluste

^■ Max. Geräusch

o Minimale Kosten

Im Sinne der Erfindung sind unter einem „Betriebsparameter" zumindest Daten zu verstehen, welche wenigstens einen Teil einer komplexen Vorrichtung bei ihrem Betrieb und/oder den Betrieb der komplexen Vorrichtung charakterisieren. Dabei sind solche Betriebsparameter insbesondere von einem oder von mehreren Konstruktionsparametern abhängig und/oder können diesen entsprechen. So können etwa die physischen Dimensionen einer solchen komplexen Vorrichtung auch Betriebsparameter sein. Zudem können Leistungswerte, das Auftreten von Störun gen und/oder Zahlenwerte die den Betrieb einer komplexen Vor- richtung oder ihrer Komponenten charakterisieren Betriebspa rameter sein.

Im Sinne der Erfindung ist unter einer „komplexen Vorrich tung" zumindest eine Vorrichtung zu verstehen, welche mehrere Konstruktionsparameter und Betriebsparameter aufweist und da bei zwischen den Konstruktionsparametern und den Betriebspa rametern ein derart komplexer Zusammenhang besteht, dass zu mindest bei allgemein gewählten Werten oder Daten für die Konstruktionsparameter kein allgemeiner funktionaler - insbe sondere mathematischer - Zusammenhang angegeben werden kann. Dabei können einige solcher komplexen Vorrichtungen durch hochdimensionale Differenzialgleichungen beschreibbar sein, welche jedoch aufgrund ihrer hohen Dimensionalität und der komplexen Zusammenhänge der Konstruktionsparameter und der Betriebsparameter keine oder nur für beschränkte Werteberei che stabile Lösungen aufweisen.

Im Sinne der Erfindung ist unter einem „neuronalen Netzwerk" zumindest ein künstliches neuronales Netzwerk zu verstehen. Ein solches neuronales Netzwerk - oder kurz „neuronales Netz" - kann insbesondere eine adaptierbare Transformation von Ein gangswerten zu Ausgangswerten aufweisen, wobei die Transfor mation über eine oder vorzugsweise mehrere Zwischenebenen - sogenannte Schichten des neuronalen Netzes - erfolgen kann. Zum Adaptieren kann das neuronale Netz insbesondere mit Daten für die Eingangswerte und ggf. zugeordnete Daten für die Aus gangswerte trainiert werden, was üblicherweise als sogenann tes „Supervised Learning" erfolgt. Insbesondere kann ein sol ches künstliches neuronales Netzwerk elektronisch und/oder digital implementiert sein.

Ein Vorteil des Generieren der Konstruktionsparameter der komplexen Vorrichtung mittels des trainierten neuronalen Netzwerks kann insbesondere darin liegen, dass die so be stimmten Konstruktionsparameter und somit das Design der kom plexen Vorrichtung reproduzierbar - und insbesondere unabhän gig von einer jeweiligen Fachperson - bestimmt werden können, womit sich die Konstruktion einer solchen komplexen Vorrich tung harmonisieren lässt. Insbesondere durch eine solche Har monisierung können Designs von komplexen Vorrichtungen und damit Konstruktionen von komplexen Vorrichtung basierend auf den jeweiligen Konstruktionsparametern mit gleichbleibender Qualität und/oder mit gleichartiger Art und Weise des jewei ligen Designs bereitgestellt und/oder hergestellt werden.

Auch lässt sich insbesondere damit eine höhere Kompatibilität zwischen mehreren so konstruierten - d.h. mit so generierten Konstruktionsparametern - komplexen Vorrichtungen erzielen. Ein Vorteil des Trainierens des neuronalen Netzwerks auf Ba sis sowohl der Referenzdaten als auch der Betriebsdaten kann auch insbesondere darin liegen, dass sich sowohl ein Zusam menhang zwischen Spezifikationsparametern und möglichen Lö sungen für diese Spezifikationsparameter, d.h. die jeweiligen Konstruktionsparameter, als auch die sich aus den jeweiligen Konstruktionsparametern ergebenden Betriebsparameter trainie ren lassen, wodurch insbesondere ein effizienteres Training und/oder eine schnellere Konvergenz des neuronalen Netzwerks ermöglicht wird.

Auch lässt sich auf diese vorteilhafte Weise - insbesondere bei komplexen Vorrichtungen, bei welchen ein Experte eine Vielzahl an Designiterationen durchführen muss, um geeignete Konstruktionsparameter zu finden - die absolute/totale Zeit, welche zum Generieren/Finden der Konstruktionsparameter benö tigt wird, reduzieren. So kann etwa mit hinreichender Rechen leistung eine geeignete oder die optimale Lösung für die je weiligen Konstruktionsparameter innerhalb weniger Sekunden gefunden werden. Insbesondere kann beim (manuellen) Design einer solchen komplexen Vorrichtung wie ein Transformator ei ne Schwierigkeit insbesondere darin bestehen, dass stark nichtlineare Funktionen wie z.B. eine Kostenfunktion trotzdem zu diskreten Werten wie z.B. die Anzahl der Windungen führen müssen. Dabei kann ein Vorteil des neuronalen Netzes insbe sondere darin liegen, dass dieses auch für derartige stark nichtlineare Funktionen trainiert werden kann und/oder eine geeignete Lösung ausgibt. In einigen vorteilhaften Ausführungsformen werden im Verfah ren weiterhin manuelle Designiterationen von mindestens einer komplexen Vorrichtung der Vielzahl an komplexen Vorrichtungen zum Erreichen des wenigstens einen Spezifikationsparameters dieser mindestens einen komplexen Vorrichtung überwacht. Zu dem werden im Verfahren die Referenzdaten angepasst, wobei bezüglich dieser mindestens einen komplexen Vorrichtung die Konstruktionsparameter je manueller Designiteration gespei chert werden. Außerdem werden im Verfahren die Betriebsdaten angepasst, wobei bezüglich dieser mindestens einen komplexen Vorrichtung die Betriebsparameter je manueller Designiterati on gespeichert werden. Dabei wird das neuronale Netzwerk auf Basis dieser angepassten Referenzdaten und Betriebsdaten trainiert. Auf diese vorteilhafte Weise lässt sich das neuro nale Netzwerk nicht nur auf Basis von (finalen) Konstrukti onsparametern für die komplexen Vorrichtungen der Vielzahl an komplexen Vorrichtungen trainieren, sondern auch auf Basis der Konstruktionsparameter für die mindestens eine komplexe Vorrichtung, welche je manueller Designiteration - insbeson dere durch eine Fachperson eingegeben und - verwendet worden sind, um den wenigstens einen Spezifikationsparameter für die mindestens eine komplexe Vorrichtung zu erreichen. Auch wird es ermöglicht, das neuronale Netzwerk mit den jeweiligen Be triebsparametern, welche mit den Konstruktionsparametern für die jeweilige Designiteration korrespondieren, zu trainieren, sodass dem neuronalen Netzwerk beim Training ein Weg zum De sign der mindestens einen komplexen Vorrichtung sowie der Er folg oder Misserfolg der einzelnen manuellen Designiteratio nen - also inwiefern die mindestens eine komplexe Vorrichtung aufgrund ihrer jeweiligen Betriebsparameter je Designiterati on dem wenigstens einen Spezifikationsparameter entspricht - vorgegeben werden. Hierdurch lässt sich insbesondere eine bessere und/oder schnellere Konvergenz beim Trainieren des neuronalen Netzwerks erzielen. Auch kann ein Vorteil des Trainings mit den angepassten Referenzdaten und Betriebsda ten, welche die Konstruktionsparameter und korrespondierenden Betriebsparameter je Designiteration kennzeichnen, insbeson dere darin liegen, dass die von dem neuronalen Netzwerk gene rierten Konstruktionsparameter mit solchen Konstruktionspara metern, die eine entsprechende Fachperson bestimmen würde, konvergieren und/oder die vom trainierten neuronalen Netzwerk generierten Konstruktionsparameter und damit insbesondere die Lösung für das Design der komplexen Vorrichtung für eine Fachperson nachvollziehbarer wird.

In einigen Ausführungsformen weist das Verfahren weiterhin ein Simulieren der komplexen Vorrichtung auf Basis der gene rierten Konstruktionsparameter zum Bestimmen von Betriebspa rametern der komplexen Vorrichtung auf. Bei solchen Ausfüh rungsformen basiert das Trainieren des neuronalen Netzwerks zudem auf dem wenigstens einen Spezifikationsparameter und den Betriebsparametern der komplexen Vorrichtung. Auf diese vorteilhafte Weise wird es ermöglicht, beim Trainieren des neuronalen Netzwerks die Qualität der Lösung des neuronalen Netzwerks, also insbesondere das Generieren der Konstrukti onsparameter der komplexen Vorrichtung, und dabei das Errei chen des wenigstens einen Spezifikationsparameters über die Betriebsparameter der komplexen Vorrichtung, die mit den ge nerierten Konstruktionsparametern korrespondieren, als (wei tere) Trainingsdaten vorzugeben bzw. des Weiteren das Trai nieren (auch) darauf zu basieren, wodurch sich das Training verbessern lässt und insbesondere mittels eines so trainier ten neuronalen Netzwerks bessere Lösungen generiert werden können, d.h. die Spezifikationsparameter gemäß der Betriebs parameter beim Betreiben der komplexen Vorrichtung besser eingehalten werden.

Bei einigen Ausführungsformen, bei welchen die komplexe Vor richtung auf Basis der generierten Konstruktionsparameter si muliert wird und mit den so bestimmten Betriebsparametern das neuronale Netzwerk trainiert wird, wird das Trainieren des neuronalen Netzwerks iterativ unter jeweiliger Simulation der komplexen Vorrichtung auf Basis der jeweils generierten Kon struktionsparametern ausgeführt. Auf diese vorteilhafte Weise lässt sich das Trainieren des neuronalen Netzwerks und damit das trainierte neuronale Netzwerk weiter verbessern, wobei insbesondere die Lösung für die komplexe Vorrichtung, also die generierten Konstruktionsparameter iterativ weiter opti miert werden können. Auch kann ein Vorteil insbesondere darin liegen, dass keine weiteren - insbesondere externen - Daten für das weitere Training benötigt werden, also insbesondere auch bei gleich bleibenden Referenzdaten und Betriebsdaten das neuronale Netzwerk weiter verbessert werden kann.

In einigen Ausführungsformen wird im Verfahren mindestens ei ne komplexe Vorrichtung der Vielzahl an komplexen Vorrichtun gen zum Bestimmen ihrer Betriebsparameter für das Bereitstel len oder Anpassen der Betriebsdaten simuliert. Ein Vorteil des Simulierens dieser mindestens einen komplexen Vorrichtung kann insbesondere darin liegen, dass durch die Simulation die Betriebsparameter effizient und/oder mit geringerem Ressour cenbedarf als etwa beim Bau eines Prototyps bestimmt werden können .

In einigen Ausführungsformen wird die komplexe Vorrichtung oder wird mindestens eine komplexe Vorrichtung der Vielzahl an komplexen Vorrichtungen mittels eines Simulationsprogram mes simuliert. Auf diese vorteilhafte Weise lassen sich die Betriebsparameter der komplexen Vorrichtung oder der mindes tens einen komplexen Vorrichtung mittels eines Computers mit einem solchen Simulationsprogramm bestimmen, wobei üblicher weise die Güte beim Bestimmen der Betriebsparameter - also inwiefern die simulierten Betriebsparameter den tatsächlichen Betriebsparametern bei einem tatsächlichen Betrieb entspre chen - durch Einsatz entsprechender Simulationsprogramme und/oder durch erhöhte Rechenleistung gesteigert werden kann. Auch wird es ermöglicht, für eine Vielzahl von komplexen Vor richtungen und/oder für eine Vielzahl von Designiterationen auf diese vorteilhafte Weise Betriebsparameter, insbesondere effizient, kostengünstig und/oder mit geringer zeitlicher Verzögerung, zu bestimmen. In einigen Ausführungsformen werden im Verfahren zum Bereit stellen der Betriebsdaten für mindestens eine komplexe Vor richtung der Vielzahl an komplexen Vorrichtungen die Be triebsparameter empfangen. Dabei werden zum Empfangen in ei nigen vorteilhaften Varianten die Betriebsparameter von einer Sensorik gesendet, die zum Messen der Betriebsparameter die ser mindestens einen komplexen Vorrichtung eingerichtet ist.

Bei einigen Ausführungsformen, bei welchen die Betriebspara meter der mindestens einen komplexen Vorrichtung von einer Sensorik empfangen werden, werden im Verfahren die Betriebs parameter dieser mindestens einen komplexen Vorrichtung mit tels der Sensorik gemessen.

Ein Vorteil des Empfangens von mittels der Sensorik gemesse nen Betriebsparametern kann insbesondere darin liegen, dass diese Betriebsparameter die tatsächlichen Betriebsparameter unter realen Betriebsumständen widerspiegeln. So können ins besondere Betriebsparameter der mindestens einen komplexen Vorrichtung aus einem Prototypenbetrieb, aus einem Feldein satz und/oder auch aus einem Produktiveinsatz gemessen und empfangen werden. Hierdurch lassen sich Einflussgrößen be rücksichtigen, die etwa bei einer Simulation nicht oder nur mit hohem Aufwand berücksichtigt werden könnten, wie etwa ProduktionsSchwankungen, Schwankungen bei den in der Produk tion verwendeten Materialien, Störeffekte oder reale Be triebsbedingungen, welche unbekannt und/oder bei einer Be schreibung eines Kunden für die komplexe Vorrichtung nicht hinreichend spezifiziert sind.

In einigen Ausführungsformen wird beim Trainieren des neuro nalen Netzwerks eine Fehlergröße bestimmt. Dabei weist die Fehlergröße die Abweichung zwischen den Konstruktionsparame tern der Referenzdaten und von mittels des neuronalen Netz werks bestimmten Konstruktionsparametern auf.

In einigen Ausführungsformen wird beim Trainieren des neuro nalen Netzwerks eine Fehlergröße bestimmt. Dabei weist die Fehlergröße die Abweichung zwischen den jeweiligen wenigstens einen Spezifikationsparameter und von jeweiligen Betriebspa rametern auf, die mit den mittels des neuronalen Netzwerks bestimmten Konstruktionsparametern korrespondieren.

Bei einigen Ausführungsformen, bei welchen eine Fehlergröße bestimmt wird, kann die Fehlergröße eine Kombination von Ab weichungen aufweisen und/oder können die Abweichungen, welche die Fehlergröße aufweist, miteinander kombiniert - insbeson dere zu einem gewichteten Gesamtfehlerwert summiert - werden.

Ein Vorteil des Bestimmens der Fehlergröße kann insbesondere darin liegen, dass das neuronale Netzwerk auch auf Basis die ser Fehlergröße trainiert werden kann. Dabei lassen sich vor teilhaft mehrere Kriterien zum Trainieren des neuronalen Netzwerks über die Fehlergröße miteinander kombinieren und zusammenfassen. Auch lässt sich, insbesondere bei einem ite rativen Trainieren des neuronalen Netzwerks, die Fehlergröße bei einer weiteren Iteration des Trainings verwenden. Außer dem kann das Bestimmen der Fehlergröße ermöglichen, den Er folg des Trainings und/oder die Güte der jeweils beim Trai ning bestimmten oder generierten Konstruktionsparameter mit tels der, insbesondere bei mehreren Iterationen jeweiligen, Fehlergröße zu quantifizieren, wodurch insbesondere das Trai nieren effizienter implementiert werden kann. Bei einigen Va rianten, welche zum Training einen Backpropagation- Algorithmus implementieren - welcher insbesondere einem Gra dientenabstieg zum Finden eines (lokalen) Optimums auf einer Hyperebene im Lösungsraum entspricht -, kann die Schrittweite abhängig von der Fehlergröße variiert werden kann. Bei eini gen Varianten kann beim Trainieren, wenn ein großer Fehler vorliegt - also die bestimmten oder generierten Konstrukti onsparameter noch weit von einer geeigneten Lösung abweichen - eine große Schrittweite oder eine große Anpassung des neu ronalen Netzwerks gewählt werden, während, wenn der Fehler bereits klein ist, also die jeweilige Lösung bereits nahe am (lokalen) Optimum ist, eine kleine Schrittweite oder eine kleine Anpassung des neuronalen Netzwerks gewählt werden, wodurch insbesondere eine schnelle und/oder exakte Konvergenz ermöglicht wird.

Gemäß einigen Ausführungsformen, bei welchen eine Fehlergröße bestimmt wird, kennzeichnen die Referenzdaten für mindestens eine komplexe Vorrichtung der Vielzahl an komplexen Vorrich tungen für mehrere Designiterationen zum Erreichen des we nigstens einen Spezifikationsparameters jeweils je Designite ration Konstruktionsparameter. Zudem kennzeichnen die Be triebsdaten für diese mindestens eine komplexe Vorrichtung jeweils je Designiteration Betriebsparameter, wobei die Be triebsparameter mit den Konstruktionsparametern bezüglich dieser mindestens einen Vorrichtung und bezüglich der jewei ligen Designiteration korrespondieren. Bei solchen Ausfüh rungsformen ist zudem das neuronale Netzwerk eingerichtet, ausgehend von dem wenigstens einen Spezifikationsparameter dieser mindestens einen komplexen Vorrichtung für mehrere De signiterationen jeweils die Konstruktionsparameter zu bestim men. Außerdem werden im Verfahren, insbesondere beim Bestim men der Fehlergröße, weiterhin die Abweichungen je Designite ration für diese mindestens eine komplexe Vorrichtung zwi schen den Konstruktionsparametern der Referenzdaten und von mittels des neuronalen Netzwerks bestimmten Konstruktionspa rametern bestimmt, wobei die Fehlergröße auch diese Abwei chungen aufweist. Auf diese vorteilhafte Weise lassen sich mittels des neuronalen Netzwerks Konstruktionsparameter für mehrere Designiterationen generieren und/oder lässt sich das neuronale Netzwerk entsprechend trainieren, einen - insbeson dere manuellen Designprozess - nachzubilden, wodurch eine von dem neuronalen Netzwerk generierte Lösung, also insbesondere die Konstruktionsparameter der komplexen Vorrichtung für eine Fachperson nachvollziehbar werden und/oder es ermöglicht wird, das neuronale Netzwerk spezifisch zu trainieren, so dass es einen bestimmten Weg beim Generieren der Konstrukti onsparameter über mehrere Designiterationen ausführt. Insbe sondere durch die Nachvollziehbarkeit kann es einer Fachper son ermöglicht werden, das Design - d.h. die Konstruktionspa rameter der komplexen Vorrichtung - weiter anzupassen und/oder zu optimieren, so dass die komplexe Vorrichtung sich weiter verbessern lässt und/oder weitere Spezifikationspara meter berücksichtigt werden können. Auch kann in einigen Va rianten eine derartige Anpassung als Teil der Referenzdaten im Sinne von Konstruktionsparametern einer weiteren Designi teration für das Trainieren des neuronalen Netzwerks verwen det werden.

Bei einigen Ausführungsformen, bei welchen eine Fehlergröße bestimmt wird und die Referenzdaten für mindestens eine kom plexe Vorrichtung der Vielzahl an komplexen Vorrichtungen je weils je Designiteration Konstruktionsparameter für mehrere Designiterationen kennzeichnen, weist das Verfahren weiterhin auf: ein Simulieren von der mindestens einen komplexen Vor richtung je Designiteration und auf Basis der jeweiligen Kon struktionsparameter zum Bereitstellen ihrer jeweiligen Be triebsparameter für das Bereitstellen oder das Anpassen der Betriebsdaten. Zudem werden im Verfahren, insbesondere beim Bestimmen der Fehlergröße, weiterhin die Abweichungen je De signiteration für diese mindestens eine komplexe Vorrichtung zwischen dem wenigstens einen Spezifikationsparameter dieser mindestens einen komplexen Vorrichtung und den jeweiligen Be triebsparametern für die jeweilige Designiteration bestimmt, wobei die Fehlergröße auch diese Abweichungen aufweist.

Bei einigen Ausführungsformen, bei welchen eine Fehlergröße bestimmt wird, ist das neuronale Netzwerk eingerichtet, aus gehend von dem wenigstens einen Spezifikationsparameter der komplexen Vorrichtung je Designiteration von mehreren Desig niterationen die Konstruktionsparameter der komplexen Vor richtung zu generieren. Zudem werden im Verfahren je Designi teration die jeweiligen Betriebsparameter der komplexen Vor richtung simuliert. Außerdem werden im Verfahren, insbesonde re beim Bestimmen der Fehlergröße, weiterhin die Abweichungen je Designiteration zwischen dem wenigstens einen Spezifikati onsparameter und den jeweiligen Betriebsparametern bestimmt, wobei die Fehlergröße auch diese Abweichungen aufweist. Hie raus können sich Vorteile ergeben, die den Vorteilen von Aus- führungsformen entsprechen, bei welchen die Referenzdaten die Konstruktionsparameter je Designiteration bezüglich mindes tens einer komplexen Vorrichtung der Vielzahl an komplexen Vorrichtungen kennzeichnen. Auch wird es auf diese vorteil hafte Weise ermöglicht, das neuronale Netzwerk basierend auf einer Serie von Konstruktionsparametern und korrespondieren den Betriebsparametern für die komplexe Vorrichtung zu trai nieren, wobei insbesondere die Fehlergröße und/oder das Trai nieren so ausgestaltet sein können, dass der Fehler dann be sonders gering ist, wenn die jeweiligen Betriebsparameter zu dem Spezifikationsparameter über die Serie hin zu einem fina len Wert konvergieren. Auf diese vorteilhafte Weise lässt sich das neuronale Netzwerk trainieren, eine nachvollziehbare und/oder konvergierende Lösung - d.h. Konstruktionsparameter für die komplexe Vorrichtung über mehrere Designiterationen, deren jeweils korrespondierende Betriebsparameter dem wenigs tens einen Spezifikationsparameter mit fortschreitenden De signiteration zunehmend entsprechen - zu generieren.

Bei einigen Ausführungsformen, bei welchen eine Fehlergröße bestimmt wird, wird das Trainieren des neuronalen Netzwerks mittels eines Backpropagation-Algorithmus ausgeführt und die Fehlergröße minimiert. Auf diese vorteilhafte Weise lässt sich basierend auf der Fehlergröße eine schnelle Konvergenz erreichen und/oder lassen sich über die Fehlergröße verschie dene Kriterien für das Training des neuronalen Netzwerks - insbesondere gewichtet - mit einbeziehen.

In einigen Ausführungsformen sind die Referenzdaten in einer ontologisch strukturierten Datenbank gespeichert.

In einigen Ausführungsformen ist für mindestens eine komplexe Vorrichtung der Vielzahl an komplexen Vorrichtungen ein Ini tialdesign in einer ontologisch strukturierten Datenbank ge speichert .

Ein Vorteil einer ontologisch strukturierten Datenbank und der Speicherung der Referenzdaten, der Betriebsdaten und/oder eines Initialdesigns in dieser kann insbesondere darin lie gen, dass die entsprechenden Daten dabei so strukturiert ge speichert sein können, dass eine effiziente (Ähnlichkeits- ) Suche für bestimmte Kategorien an komplexen Vorrichtungen, Spezifikationsparametern, Konstruktionsparametern und/oder Betriebsparametern über die ontologisch strukturierte Daten bank ermöglicht wird.

Bei einigen Ausführungsformen, bei welchen die Referenzdaten und/oder die Betriebsdaten in einer ontologisch strukturier ten Datenbank gespeichert sind, weist das Verfahren weiterhin ein Speichern der Referenzdaten und/oder der Betriebsdaten in der ontologisch strukturierten Datenbank auf. Dabei kann in einigen vorteilhaften Varianten, insbesondere zum Aufbauen der Ontologie, eine Sensitivitätsanalyse bezüglich eines der Konstruktionsparameter und/oder bezüglich eines Spezifikati onsparameters ausgeführt werden, so dass bestimmt wird, von welchen Konstruktionsparametern und/oder von welchen Spezifi kationsparametern bestimmte Betriebsparameter besonders ab- hängen oder entsprechend umgekehrt.

Bei einigen Ausführungsformen, bei welchen die Referenzdaten und/oder die Betriebsdaten in einer ontologisch strukturier ten Datenbank gespeichert sind, weist das Verfahren ein Abru fen der Referenzdaten zum Bereitstellen von diesen und/oder ein Abrufen der Betriebsdaten zum Bereitstellen von diesen aus der ontologisch strukturierten Datenbank auf.

Ein Vorteil eines Speicherns eines Initialdesigns in einer ontologisch strukturierten Datenbank kann insbesondere darin liegen, dass für ein ähnliches Design, insbesondere basierend auf eine Ähnlichkeitssuche in der ontologisch strukturierten Datenbank, dieses Initialdesign aus der ontologisch struktu rierten Datenbank abgerufen werden kann. Daraufhin wird das Initialdesign in einigen vorteilhaften Varianten als unmit telbare Lösung ausgeschlossen, aber mittels des neuronalen Netzwerks eine Lösung, insbesondere basieren auf dem Initial design, bestimmt. Bei einigen Ausführungsformen, bei welchen ein Initialdesign in einer ontologisch strukturierten Datenbank gespeichert ist, kann das Verfahren weiterhin ein Bestimmen eines Initia ldesigns der komplexen Vorrichtung basierend auf einer Ähn- lichkeitssuche über die ontologisch strukturierte Datenbank ausgehend von dem wenigstens einen Spezifikationsparameter aufweisen. Zudem basiert bei solchen Ausführungsformen das Trainieren des neuronalen Netzwerks des Weiteren auf dem Ini tialdesign der komplexen Vorrichtung und/oder auf dem Initi aldesign der mindestens einen komplexen Vorrichtung. Schließ lich geht das Generieren der Konstruktionsparameter der kom plexen Vorrichtung des Weiteren von dem Initialdesign der komplexen Vorrichtung aus. Ein Vorteil des Trainierens und des Generierens auf Basis und/oder ausgehend von dem Initial - design kann insbesondere darin liegen, dass die Konstrukti onsparameter der komplexen Vorrichtung effizient, d.h. mit geringerer Rechenleistung, generiert werden können und/oder - insbesondere bei neuronalen Verfahren, die eine lokale Opti mierung durchführen - eine Lösung, d.h. Konstruktionsparame ter der komplexen Vorrichtung bestimmt werden, welche bei ei nem durch das Initialdesign vorgegebenen lokalen Gebiet für ähnliche komplexe Vorrichtungen, liegen.

Ein zweiter Aspekt der Erfindung betrifft ein System zum Ge nerieren von Konstruktionsparametern einer komplexen Vorrich tung ausgehend von wenigstens einem Spezifikationsparameter. Das System weist ein neuronales Netzwerk und eine Datenverar beitungsvorrichtung auf. Zudem weist das System eine oder mehrere Datenschnittstellen zum Empfangen von Referenzdaten, welche eine Vielzahl an komplexen Vorrichtungen und deren je weiligen wenigstens einen Spezifikationsparameter sowie je weils Konstruktionsparameter kennzeichnen, und zum Empfangen von Betriebsdaten, welche die Vielzahl an komplexen Vorrich tungen und deren jeweilige Betriebsparameter, die mit den je weiligen Konstruktionsparametern korrespondieren, kennzeich nen auf. Die Datenverarbeitungsvorrichtung ist eingerichtet, die Referenzdaten und die Betriebsdaten mittels einer der Da- tenschnittstellen zu Empfangen. Zudem ist die Datenverarbei tungsvorrichtung eingerichtet, das neuronale Netzwerk auf Ba sis der Referenzdaten und der Betriebsdaten zu trainieren. Schließlich ist die Datenverarbeitungsvorrichtung eingerich tet, die Konstruktionsparameter der komplexen Vorrichtung ausgehend von dem wenigstens einen Spezifikationsparameter und mittels des trainierten neuronalen Netzwerks zu generie ren .

Die bereits vorausgehend genannten möglichen Vorteile, Aus führungsformen oder Varianten des ersten Aspekts der Erfin dung gelten entsprechend auch für das erfindungsgemäße Sys tem.

In einigen Ausführungsformen ist die Datenverarbeitungsvor richtung zudem eingerichtet, das neuronale Netzwerk zu imple mentieren. Dazu kann in einigen Varianten die Datenverarbei tungsvorrichtung ein Programm mit computerlesbaren Anweisun gen aufweisen, welche bei Ausführung auf der Datenverarbei tungsvorrichtung diese veranlassen, die Berechnungen, welche einem neuronalen Netzwerk entsprechen, auszuführen. Auf diese vorteilhafte Weise lässt sich das neuronale Netzwerk über ei nen handelsüblichen Computer implementieren.

In einigen Ausführungsformen weist das System eine weitere Datenverarbeitungsvorrichtung auf, welche spezifisch einge richtet ist, die Berechnungen eines neuronalen Netzwerks aus zuführen. In einigen Varianten kann diese weitere Datenverar beitungsvorrichtung ein neuromorpher Prozessor, neuraler Pro zessor oder ein neurosynaptischer Prozessor - oder kurz auch „Neuro-Prozessor" - wie etwa ein System mit einem oder mehre ren TrueNorth-Prozessoren von IBM sein. Auf diese vorteilhaf te Weise kann das neuronale Netzwerk besonders effizient, al so insbesondere mit hoher Rechengeschwindigkeit und/oder ge ringen Strombedarf oder Ressourcenbedarf, implementiert wer den . In einigen Ausführungsformen ist eine der Datenschnittstellen als Netzwerkschnittstelle ausgebildet, so dass die Referenz daten und/oder die Betriebsdaten über ein Netzwerk - etwa aus dem Internet - empfangen werden können.

In einigen Ausführungsformen weist das System eine Datenspei chervorrichtung auf, welche eingerichtet ist, die Referenzda ten und/oder die Betriebsdaten zu speichern. Dabei kann in einigen vorteilhaften Varianten eine der Datenschnittstellen als interne Datenschnittstelle zwischen der Datenspeichervor richtung und der Datenverarbeitungsvorrichtung ausgebildet sein, so dass die Referenzdaten und/oder die Betriebsdaten mittels dieser internen Datenschnittstelle empfangen und/oder bereitgestellt werden können.

Ein dritter Aspekt der Erfindung betrifft ein Computerpro grammprodukt zum Generieren von Konstruktionsparametern einer komplexen Vorrichtung ausgehend von wenigstens einem Spezifi kationsparameter. Dabei weist das Computerprogrammprodukt computerlesbare Anweisungen auf oder stellt diese bereit, wo bei die computerlesbaren Anweisungen bei Ausführung auf einer Datenverarbeitungsvorrichtung diese veranlassen, ein neurona les Netzwerk auf Basis von Referenzdaten und von Betriebsda ten zu trainieren sowie die Konstruktionsparameter der kom plexen Vorrichtung ausgehend von dem wenigstens einen Spezi fikationsparameter und mittels des trainierten neuronalen Netzwerks zu generieren. Die Referenzdaten kennzeichnen eine Vielzahl an komplexen Vorrichtungen und deren jeweiligen we nigstens einen Spezifikationsparameter sowie jeweils Kon struktionsparameter. Die Betriebsdaten kennzeichnen die Viel zahl an komplexen Vorrichtungen und deren jeweilige Betriebs parameter, die mit den jeweiligen Konstruktionsparametern korrespondieren .

Die bereits vorausgehend genannten möglichen Vorteile, Aus führungsformen oder Varianten der vorhergehenden Aspekte der Erfindung gelten entsprechend auch für das erfindungsgemäße Computerprogrammprodukt zum Generieren von Konstruktionspara metern .

In einigen Ausführungsformen ist das Computerprogrammprodukt als ein mit entsprechenden computerlesbaren Anweisungen be schriebener Datenträger ausgebildet.

Alternativ ist in einigen Ausführungsformen das Computerpro grammprodukt als ein, insbesondere virtuelles, Rechnernetz werk ausgebildet, welches eingerichtet ist, die computerles baren Daten bereitzustellen. Dabei können in einigen Varian ten die computerlesbaren Daten auf einem Datenträger gespei chert sein. Alternativ oder zusätzlich kann das Rechnernetz werk in einigen Varianten vorteilhaft eingerichtet sein, die computerlesbaren Anweisungen, insbesondere basierend auf ei ner textbasierten Beschreibung des Programms - insbesondere Quellcode - oder basierend auf mehreren Datenelementen - ins besondere verteilte Datensegmente, etwa eines Peer-To-Peer Netzwerks wie BitTorrent - über einen Algorithmus zu generie ren und so bereitzustellen.

Weitere Vorteile, Merkmale und Anwendungsmöglichkeiten erge ben sich aus der nachfolgenden detaillierten Beschreibung von Ausführungsbeispielen und/oder aus den Figuren.

Kurze Beschreibung der Figuren

Die Erfindung wird nachfolgend unter Bezugnahme auf die Figu ren anhand vorteilhafter Ausführungsbeispiele näher erläu tert. Gleiche Elemente oder Bauteile der Ausführungsbeispiele werden im Wesentlichen durch gleiche Bezugszeichen gekenn zeichnet, falls dies nicht anders beschrieben wird oder sich nicht anders aus dem Kontext ergibt .

Hierzu zeigen, teilweise schematisiert:

Fig. 1 ein Flussdiagramm eines computergestützten Verfah rens zum Generieren von Konstruktionsparametern ei- ner komplexen Vorrichtung ausgehend von wenigstens einem Spezifikationsparameter nach einer Ausfüh rungsform; und

Fig. 2 ein System zum Generieren von Konstruktionsparame tern einer komplexen Vorrichtung ausgehend von we nigstens einem Spezifikationsparameter nach einer Ausführungsform .

Die Figuren sind schematische Darstellungen verschiedener Ausführungsformen und/oder Ausführungsbeispiele der vorlie genden Erfindung. In den Figuren dargestellte Elemente und/oder Bauteile sind nicht notwendigerweise maßstabsgetreu dargestellt. Vielmehr sind die verschiedenen in den Figuren dargestellten Elemente und/oder Bauteile derart wiedergege ben, dass ihre Funktion und/oder ihr Zweck der Fachperson verständlich werden.

In den Figuren dargestellte Verbindungen und Kopplungen zwi schen funktionellen Einheiten und Elementen können auch als indirekte Verbindungen oder Kopplungen implementiert werden. Insbesondere können Datenverbindungen drahtgebunden oder drahtlos, also insbesondere als Funkverbindung, ausgebildet sein. Auch können bestimmte Verbindungen, etwa elektrische Verbindungen, etwa zur Energieversorgung, der Übersichtlich keit halber nicht dargestellt sein.

Detaillierte Beschreibung von Ausführungsbeispielen

Fig. 1 illustriert mit einem Flussdiagramm ein computerge stütztes Verfahren 100 zum Generieren von Konstruktionspara metern einer komplexen Vorrichtung ausgehend von wenigstens einem Spezifikationsparameter nach einer Ausführungsform der vorliegenden Erfindung. Dabei werden die Konstruktionsparame ter der komplexen Vorrichtung mittels eines neuronalen Netz werks generiert . In einem Ausführungsbeispiel weist das Verfahren 100 die Ver fahrensschritte 120, 130, 132, 134, 140, 142, 144, 150, 156, 160, 162, 166 und 170 sowie die Verfahrensbedingungen

110,112, 114 und 116 auf. Das Verfahren 100 beginnt bei dem Verfahrensstart 102 und endet bei dem Verfahrensende 104, wo bei einer oder mehrere Verfahrensschritte, insbesondere eine Sequenz von Verfahrensschritten, und vorzugsweise das gesamte Verfahren 100 wiederholt ausgeführt werden können.

Im Verfahrensschritt 120 wird der wenigstens eine Spezifika tionsparameter bereitgestellt. Dazu kann dieser in einigen Varianten über eine Benutzerschnittstelle eingelesen werden. Auch kann dieser wenigstens eine Spezifikationsparameter vor teilhaft basierend auf der Prozessierung natürlicher Sprache - d.h. Natural Language Processing - aus Angaben des Benut zers und/oder einer Beschreibung eines Kunden für die ge wünschte komplexe Vorrichtung extrahiert werden. Dabei ver steht es sich, dass auch weitere derartige Spezifikationspa rameter für die komplexe Vorrichtung bereitgestellt und ins besondere extrahiert werden können und/oder das Verfahren, insbesondere das Generieren der Konstruktionsparameter der komplexen Vorrichtung, auch von diesen weiteren Spezifikati onsparametern ausgehen kann.

Insbesondere um im Verfahrensschritt 130 Referenzdaten be reitzustellen und/oder im Verfahrensschritt 140 Betriebsdaten bereitzustellen, wird bei der Verfahrensbedingung 110 ge prüft, ob die Referenzdaten bzw. Betriebsdaten noch keine Vielzahl an komplexen Vorrichtungen umfassen und/oder ob min destens eine komplexe Vorrichtung für die Vielzahl an komple xen Vorrichtungen ergänzt werden soll.

Falls die Referenzdaten bzw. Betriebsdaten um die mindestens eine komplexe Vorrichtung ergänzt werden sollen, also insbe sondere Daten bzgl . der mindestens einen komplexen Vorrich tung ergänzt oder neu hinzugefügt werden werden sollen - was im Flussdiagramm bei Verfahrensbedingung 110 durch _< y _> symbo lisiert ist -, werden im Verfahrensschritt 132 eine oder meh- rere manuelle Designiterationen für diese mindestens eine komplexe Vorrichtung überwacht, wobei die manuellen Designi terationen darauf abzielen, den wenigstens einen Spezifikati onsparameter dieser mindestens einen komplexen Vorrichtung zu erreichen .

In einigen Varianten passt dabei eine Fachperson auf dem je weiligen Gebiet der jeweiligen zu konstruierenden komplexen Vorrichtung einen oder mehrere Konstruktionsparameter der komplexen Vorrichtung so an, dass der wenigstens eine Spezi fikationsparameter dieser mindestens einen komplexen Vorrich tung erreicht oder sich zumindest diesem genähert wird.

Dabei kann sich in einigen Varianten je Änderung der Kon struktionsparameter nicht nur der wenigstens eine Spezifika tionsparameter ändern, sondern können sich - insbesondere aufgrund von komplexen funktionalen Zusammenhängen der Kon struktionsparameter und Spezifikationsparameter - eine Viel zahl an Spezifikationsparametern ändern.

Dabei werden im Verfahrensschritt 134 je manueller Designite ration die Konstruktionsparameter dieser mindestens einen komplexen Vorrichtung und insbesondere ihre Änderung aufge zeichnet und die Referenzdaten bezüglich dieser mindestens einen komplexen Vorrichtung, welche somit eine der komplexen Vorrichtungen der Vielzahl an komplexen Vorrichtungen ist, angepasst, so dass die Referenzdaten für diese mindestens ei ne komplexe Vorrichtung je manueller Designiteration die Kon struktionsparameter aufweist.

In einer zum Ausführen der Verfahrensschritte 132 und 134 al ternativen Variante, kann das Verfahren nach der Verfahrens bedingung 110 auch abgebrochen bzw. ohne Lösung beendet wer den, sofern keine ausreichenden Referenzdaten bzw. Betriebs daten vorliegen.

Bei der Verfahrensbedingung 112 wird geprüft, ob der wenigs tens eine Spezifikationsparameter der mindestens einen kom- plexen Vorrichtung aufgrund der Konstruktionsparameter der vorangegangenen manuellen Designiteration bereits erreicht worden ist und/oder der manuelle Designprozess zu beenden ist - da etwa eine weitergehende Überprüfung des Designs, insbe sondere mittels Simulation erforderlich sein könnte oder eine vorbestimmte maximale Anzahl an Designiterationen erreicht wurde. Falls der manuelle Designprozess fortzusetzen ist, d.h. insbesondere eine weitere manuelle Designiteration aus zuführen ist, und/oder der wenigstens eine Spezifikationspa rameter dieser mindestens einen komplexen Vorrichtung noch nicht erreicht worden ist - was im Flussdiagramm bei der Ver fahrensbedingung 112 durch _< n _> symbolisiert ist -, wird er neut Verfahrensschritt 132 ausgeführt, so dass sich ein ite ratives Verfahren, also ein iterativer Designprozess mit meh reren manuellen Designiterationen ergibt.

Falls der manuelle Designprozess zu beenden ist und/oder der wenigstens eine Spezifikationsparameter dieser mindestens ei nen komplexen Vorrichtung der Vielzahl an komplexen Vorrich tungen erreicht worden ist - was im Flussdiagramm bei Verfah rensbedingung 112 durch _< y _> symbolisiert ist -, werden im Verfahrensschritt 130 die (angepassten) Referenzdaten bereit gestellt, welche die Vielzahl an komplexen Vorrichtungen und deren jeweiligen wenigstens einen Spezifikationsparameter so wie jeweils Konstruktionsparameter kennzeichnen.

Alternativ oder zusätzlich kann in einigen Varianten das Ver fahren 100 auch nebenläufig bzgl . des manuellen Designprozes ses und den weiteren Verfahrensschritten 130, 142ff ausge führt werden, sodass die Referenzdaten durch den manuellen Designprozess angepasst werden und zugleich - auch ohne Er reichen des wenigstens einen Spezifikationsparameters - und im Verfahrensschritt 130 für die weiteren Schritte bereitge stellt werden.

Durch das Aufzeichnen der Konstruktionsparameter je manueller Designiteration - insbesondere unabhängig davon, ob mit der jeweiligen Iteration der wenigstens eine Spezifikationspara- meter erreicht oder zumindest weiter angenähert worden ist - kann insbesondere das neuronale Netzwerk mit jedem dieser Iterationsschritte trainiert werden, sodass sich eine ggü . einem nur teilweisen Aufzeichnen schnellere Konvergenz erzie len lässt.

Im Verfahrensschritt 142 wird die mindestens eine komplexe Vorrichtung je manueller Designiteration und auf Basis der jeweiligen Konstruktionsparameter zum Bestimmen ihrer jewei ligen Betriebsparameter simuliert.

Im Verfahrensschritt 144 werden die Betriebsdaten zumindest bezüglich dieser mindestens einen komplexen Vorrichtung ange passt und dabei die Betriebsparameter, welche mittels der Si mulation bestimmt worden sind, je manueller Designiteration gespeichert und somit die Betriebsdaten angepasst.

Bei der Verfahrensbedingung 114 wird geprüft, ob auf Basis der Betriebsparameter aus der vorangegangenen Simulation mit den Konstruktionsparametern der vorangegangenen Designitera tion bezüglich dieser mindestens einen komplexen Vorrichtung der wenigstens eine Spezifikationsparameter dieser mindestens einen komplexen Vorrichtung erreicht worden ist. Falls dies nicht der Fall ist - was im Flussdiagramm bei Verfahrensbe dingung 114 durch _< n _> symbolisiert ist -, wird das Verfahren erneut und damit iterativ bei Verfahrensschritt 132 fortge setzt .

In einigen vorteilhaften Varianten ist ein Kriterium für das Erreichen des wenigstens einen Spezifikationsparameters, dass der wenigstens eine Spezifikationsparameter innerhalb eines Toleranzbandes liegt, also insbesondere zwischen einem vorbe stimmten Minimal- und Maximalwert liegt. Sofern mehrere Spe zifikationsparameter - wie insbesondere Kundenanforderungen, Kurzschlussfestigkeit oder Werte aufgrund von Normen - zu er reichen sind, so ist bei solchen Varianten ein entsprechendes Kriterium auf jeden der Spezifikationsparameter anzuwenden. Falls der wenigstens eine Spezifikationsparameter der mindes tens einen komplexen Vorrichtung gemäß der simulierten Be triebsparameter erreicht worden ist - was im Flussdiagramm bei Verfahrensbedingungen 114 durch _< y _> symbolisiert ist werden im Verfahrensschritt 140 die Betriebsdaten bereitge stellt, welche gegebenenfalls entsprechend angepasst worden sind, und die die Vielzahl an komplexen Vorrichtungen und de ren jeweilige Betriebsparameter, die mit den jeweiligen Kon struktionsparametern korrespondieren, kennzeichnen.

In einigen vorteilhaften Varianten können die Referenzdaten und die Betriebsdaten in einer ontologisch strukturierten Da tenbank gespeichert sein und etwa bei den Verfahrensschritten 134 und 144 dort gespeichert werden sowie für die Verfahrens schritte 130 und 140 von der ontologisch strukturierten Da tenbank abgerufen werden.

Falls bei der Vielzahl der komplexen Vorrichtungen keine min destens eine komplexe Vorrichtung ergänzt werden soll - was im Flussdiagramm bei Verfahrensbedingungen 110 durch _< n _> sym bolisiert ist -, wird das Verfahren bei Verfahrensschritt 130 fortgesetzt, wobei in einigen Varianten, insbesondere falls keine ausreichenden Betriebsparameter für die Betriebsdaten vorliegen, die Betriebsparameter in den Verfahrensschritten 142 und 144 bestimmt und die Betriebsdaten entsprechend ange passt werden. In anderen Varianten - nicht dargestellt - kann das Verfahren bei Verfahrensschritt 150 fortgesetzt werden, wobei die Referenzdaten und die Betriebsdaten bereitgestellt werden .

Iterativ wird im Verfahrensschritt 150 das neuronale Netzwerk trainiert und werden im Verfahrensschritt 160 die Konstrukti onsparameter der komplexen Vorrichtung generiert. Dabei wird das Verfahren solange iterativ weiter ausgeführt bis gemäß Verfahrensbedingung 116 ein ausreichendes Training des neuro nalen Netzwerkes erzielt worden ist und/oder eine vorbestimm te Maximalzahl an Iterationen erreicht worden ist - was im Flussdiagramm bei Verfahrensbedingung 160 durch _< y _> symboli siert ist

Im Einzelnen wird dazu in einigen vorteilhaften Varianten folgendes ausgeführt.

Im Verfahrensschritt 150 wird das neuronale Netzwerk wenigs tens auf Basis der Referenzdaten und der Betriebsdaten trai niert .

Im Verfahrensschritt 156, welcher wie dargestellt Teil des Verfahrensschritt 150 sein kann, wird zur Bewertung des Trai ningsergebnisses und/oder für die nächste Iteration des Trai nings eine Fehlergröße bestimmt, welche die Abweichung zwi schen den Konstruktionsparametern der Referenzdaten und von mittels des neuronalen Netzwerks bestimmten Konstruktionspa rametern sowie die Abweichung zwischen dem jeweiligen wenigs tens einen Spezifikationsparameter und von jeweiligen Be triebsparametern, die mit den mittels des neuronalen Netz werks bestimmten Konstruktionsparametern korrespondieren, aufweist .

Im Verfahrensschritt 160 werden die Konstruktionsparameter der komplexen Vorrichtung ausgehend von dem wenigstens einen Spezifikationsparameter und mittels des trainierten neurona len Netzwerks generiert. In einigen Varianten - nicht darge stellt - kann zum Generieren der Konstruktionsparameter von einem Initialdesign ausgegangen werden, welches in einem wei teren Verfahrensschritt insbesondere durch eine Ähnlichkeits suche über die ontologisch strukturierte Datenbank bestimmt wird .

Im Verfahrensschritt 162 wird die komplexe Vorrichtung auf Basis der generierten Konstruktionsparameter zum Bestimmen von Betriebsparametern der komplexen Vorrichtung simuliert. Dabei kann dieser Verfahrensschritt, wie dargestellt, ein Teil des Verfahrensschritts 160 sein. Im Verfahrensschritt 166, welcher wie dargestellt ein Teil des Verfahrensschritts 160 sein kann, wird die Abweichung zwischen dem wenigstens einen Spezifikationsparameter und den - über die Simulation bestimmten - Betriebsparametern be stimmt, wobei die Fehlergröße auch diese Abweichung aufweist.

In einigen vorteilhaften Varianten kann das neuronale Netz werk eingerichtet sein, die Konstruktionsparameter der kom plexen Vorrichtung nicht nur als (finale Werte der) Konstruk tionsparameter zu bestimmen, sondern die Konstruktionsparame ter der komplexen Vorrichtung für mehrere Designiterationen und ausgehend von dem wenigstens einen Spezifikationsparame ter der komplexen Vorrichtung zu bestimmen. Entsprechend be stimmt das neuronale Netzwerk beim Trainieren im Verfahrens schritt 150 jeweils die Konstruktionsparameter je Designite ration für die mindestens eine komplexe Vorrichtung der Viel zahl an komplexen Vorrichtungen und generiert das neuronale Netzwerk im Verfahrensschritt 160 jeweils die Konstruktions- parameter je Designiteration für die - zu entwerfende - kom plexe Vorrichtung. Auf diese Weise lässt sich vorteilhaft der Designprozess einer Fachperson nachvollziehen, so dass auch das neuronale Netzwerk Konstruktionsparameter für eine Reihe von Designiterationen generiert und/oder optimiert.

Beim Bestimmen der Fehlergröße im Verfahrensschritt 156 wer den in einigen vorteilhaften Varianten weiterhin die Abwei chungen jeder Designiteration für die mindestens eine komple xe Vorrichtung, für welche die manuellen Designiterationen überwacht worden sind, zwischen den Konstruktionsparametern der Referenzdaten und von mittels des neuronalen Netzwerks bestimmten Konstruktionsparametern jeweils bestimmt, wobei die Fehlergröße auch diese Abweichungen aufweist. Zudem kön nen in einigen vorteilhaften Varianten im Verfahrensschritt 156, bei welchen die Betriebsparameter für die mindestens ei ne komplexe Vorrichtung je manueller Designiteration simu liert worden sind, die Abweichungen je Designiteration für diese mindestens eine komplexe Vorrichtung zwischen dem we nigstens einem Spezifikationsparameter dieser mindestens ei- nen komplexen Vorrichtung und den jeweiligen Betriebsparame tern für die jeweilige Designiteration bestimmt werden, wobei die Fehlergröße auch diese Abweichungen aufweist.

Bei der Verfahrensbedingung 116 wird geprüft, ob das neurona le Netzwerk ausreichend trainiert worden ist, d.h. insbeson dere ob die Fehlergröße in einem vorbestimmten Bereich liegt. Falls dies nicht der Fall ist, also etwa der Fehler, den das neuronale Netz beim Training macht, noch zu groß ist, - was im Flussdiagramm bei Verfahrensbedingung 116 durch _< n _> symbo lisiert ist -, wird das Verfahren bei Verfahrensschritt 150 fortgesetzt .

Andernfalls, also bei einem ausreichend trainierten neurona len Netzwerk oder wenn eine bestimmte Anzahl an maximalen Iterationen überschritten worden ist, - was im Flussdiagramm bei Verfahrensbedingung 116 durch _< y _> symbolisiert ist -, werden im Verfahrensschritt 170 die generierten Konstrukti onsparameter ausgegeben. Dabei kann die bestimmte Anzahl an maximalen Iterationen insbesondere dann überschritten werden, wenn sich bis zum Erreichen der maximalen Iterationen kein ausreichend trainiertes neuronales Netz ergeben hat. Durch diese zusätzliche oder alternative Bedingung lassen sich Un definiert lange Trainingszeiten vermeiden und/oder das Ver fahren auch fortsetzen, wenn das neuronale Netz noch nicht ausreichend trainiert ist, sodass zumindest eine, wenn auch etwaig nicht optimale, Lösung erzielt werden kann.

In Fig. 2 ist ein System 1 zum Generieren von Konstruktions- parametern einer komplexen Vorrichtung ausgehend von wenigs tens einem Spezifikationsparameter nach einer Ausführungsform der vorliegenden Erfindung schematisch dargestellt.

In einem Ausführungsbeispiel weist das System 1 ein neurona les Netzwerk 6, eine Datenverarbeitungsvorrichtung 10, mehre re Datenschnittstellen 32, 62 und eine Datenspeichervorrich tung 34 auf. Das System 1 ist eingerichtet, ein Verfahren zum Generieren von Konstruktionsparametern gemäß einer Ausfüh- rungsform der vorliegenden Erfindung und insbesondere ein Verfahren 100 gemäß einer Ausführungsform bezüglich Fig. 1 auszuführen. Dazu kann in einer vorteilhaften Variante das System 1 ein Computerprogrammprodukt gemäß einer Ausführungs- form der vorliegenden Erfindung aufweisen und/oder die Daten verarbeitungsvorrichtung 10 mittels computerlesbarer Anwei sungen, welche das Computerprogrammprodukt aufweist oder be reitstellt, eingerichtet sein, ein entsprechendes Verfahren auszuführen .

In einem Ausführungsbeispiel weist das System 1 zudem eine Überwachungsvorrichtung 30 auf, welche eingerichtet ist manu elle Designiterationen für das Entwerfen von mindestens einer komplexen Vorrichtung zu überwachen, wobei in einigen Varian ten die Überwachungsvorrichtung 30 als handelsüblicher Compu ter ausgebildet sein kann, auf dem Software zum Entwerfen von entsprechenden komplexen Vorrichtungen installiert ist. Mit einer solchen Überwachungsvorrichtung 30 kann eine Fachperson entsprechende komplexe Vorrichtungen entwerfen. Dabei werden die Eingaben der Fachperson, also insbesondere die eingegebe nen Konstruktionsparameter für die jeweilige komplexe Vor richtung, aufgezeichnet .

In einem Ausführungsbeispiel weist das System 1 weiterhin ei ne Sensorik 40 auf, welche eingerichtet ist Betriebsparameter von mindestens einer komplexen Vorrichtung zu erfassen.

Wie in Fig. 2 dargestellt, kann die mindestens eine komplexe Vorrichtung 44 in einigen Varianten ein Teil des Systems 1 sein, während sie in anderen Varianten des Systems 1 extern zu dem System ist. Dabei ist die Sensorik 40 eingerichtet, die Betriebsparameter der komplexen Vorrichtung 44 zu erfas sen. Ein solches Erfassen kann in einigen vorteilhaften Vari anten im Prüffeld oder permanent im Betrieb der komplexen Vorrichtung erfolgen. In einigen Varianten kann die Sensorik 40 einen Temperatur sensor, ein Mikrofon, einen Spannungssensor oder einen Last sensor aufweisen.

Auch kann in einigen Varianten die Sensorik 40 eingerichtet sein, Temperaturen, Spannungen, elektrischen Leistungen bzw. Lasten, bestimmte chemische Verbindungen oder Geräusche zu erfassen und/oder eine sog. „oil in gas "-Analyse, eine Durch führungsüberwachung, eine Lastflussüberwachung, eine Leis tungsmessung insbesondere bzgl . elektrischer Leistungen oder eine Teilentladungsmessung durchzuführen.

Auch ist in Fig. 2 das Internet 42 symbolisiert, wobei dieses nicht Teil des Systems 1 ist. Jedoch können verschiedene Kom ponenten des Systems 1 über das Internet 42 in Datenverbin dung stehen.

In einigen Varianten ist die Datenschnittstelle 32 in Zusam menwirkung mit der Datenverarbeitungsvorrichtung 10 und der Datenspeichervorrichtung 34 eingerichtet, die Referenzdaten von der Überwachungsvorrichtung 30, insbesondere über das In ternet 42, zu empfangen und die Betriebsdaten ebenfalls von der Überwachungsvorrichtung 30 und/oder von der Sensorik 40, insbesondere über das Internet 42, zu empfangen.

In einigen Varianten ist die Datenverarbeitungsvorrichtung 10 eingerichtet, die Referenzdaten und die Betriebsdaten in ei ner ontologisch strukturierten Datenbank auf der Datenspei chervorrichtung 34 zu speichern.

In einem Ausführungsbeispiel ist die Datenspeichervorrichtung 10 zudem eingerichtet, nach dem Trainieren des neuronalen Netzwerks 6 und dem Generieren der Konstruktionsparameter der komplexen Vorrichtung basierend auf dem wenigstens einen Spe zifikationsparameter die generierten Konstruktionsparameter mittels der Datenschnittstelle 62 auszugeben. Dabei kann in einigen Varianten die Datenschnittstelle 62 als Benutzer schnittstelle oder als Netzwerkinterface ausgebildet sein. In einigen Varianten kann die Datenverarbeitungsvorrichtung 10 als handelsüblicher Computer ausgebildet sein. Alternativ kann in einigen Varianten die Datenverarbeitungsvorrichtung 10 und insbesondere die Datenspeichervorrichtung 34 sowie ei ne Implementierung des neuronalen Netzes 6 als verteilte Re chenanlage, etwa als Server-Cluster, und weiter vorteilhaft insbesondere virtualisiert ausgebildet sein.

Für das neuronale Netzwerk 6 kann die Datenverarbeitungsvor richtung 10 in einigen Varianten eine geeignete Programmie rung - etwa ein mehrschichtiges neuronales Netz für Backpro pagation - aufweisen. Auch kann in einigen vorteilhaften Va rianten das System 1 eine spezifische Hardware für neuronale Netzwerke - etwa einen sogenannten Neuro-Prozessor - aufwei sen, welcher eine besonders effiziente Prozessierung von der artigen neuronalen Algorithmen ermöglicht.

In einigen Varianten ist zu beachten, dass ein Transformator üblicherweise laut Norm Prüfungen unterlaufen muss. Typische Messungen im Prüffeld umfassen:

- Leerlaufverluste,

- Lastverluste,

- Kurzschlussimpedanz,

- Übersetzungsfehler,

- Kühlungsverhalten,

- Geräuschemission, und

- Isolationsfestigkeit mit Prüfspannungen.

Dabei kann die Sensorik 40 vorteilhaft für eine oder mehrere dieser Messungen eingerichtet sein.

Während Ausführungsbeispiele insbesondere unter Bezugnahme auf die Figuren detailliert beschrieben wurden, sei darauf hingewiesen, dass eine Vielzahl von Abwandlungen möglich ist. Außerdem sei darauf hingewiesen, dass es sich bei den exemp larischen Ausführungen lediglich um Beispiele handelt, die den Schutzbereich, die Anwendung und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird der Fachperson durch die vorausgehende Beschreibung ein Leitfaden für die Umset zung von mindestens einem Ausführungsbeispiel gegeben, wobei diverse Abwandlungen, insbesondere alternative oder zusätzli che Merkmale und/oder Abwandlungen der Funktion und/oder An- Ordnung der beschriebenen Bestandteile, nach Wunsch der Fach person vorgenommen werden können, ohne dass dabei von dem in den angehängten Ansprüchen jeweils festgelegten Gegenstand sowie seiner rechtlichen Äquivalente abgewichen wird und/oder deren Schutzbereich verlassen wird.