生成复杂设备的结构参数的系统、计算机辅助的方法和计算机程序产品

摘要

本发明的任务是，使复杂设备的设计变得简单。为此，在计算机辅助的方法中，从至少一个规格参数出发，借助经过训练的神经网络来生成复杂设备的结构参数。基于参考数据和运行数据来训练神经网络，其中来自本领域技术人员的迭代步骤的数据的不是无关紧要的部分被用于训练。参考数据标明多个复杂设备，所述多个复杂设备已在过去被建设或者被实现，并且参考数据标明所述多个复杂设备的相应的至少一个规格参数以及分别标明结构参数。运行数据标明多个复杂设备和所述多个复杂设备的相应的运行参数，所述相应的运行参数与相应的结构参数对应。

说明书

技术领域

本发明处于设计复杂设备和相对应的设计工具的领域，并且尤其是涉及一种用于从至少一个规格参数出发来生成复杂设备的结构参数的系统、一种相对应的计算机辅助的方法以及一种相对应的计算机程序产品。

背景技术

在设计/开发复杂设备时，通常必须满足一个或者多个规格参数。典型地，从对客户要求的产品或所要求的复杂设备的描述中，以及从在复杂设备运行时对复杂设备的要求中，得出这种规格参数。

在传统的设计过程中，那就是在设计和/或建造这种复杂设备时以及在为此所需地确定该复杂设备的结构参数时，在相应的复杂设备的相应专业领域中的技术人员基于该技术人员的专家专有技术（Experten-Know-how）并且从规格参数出发来确定初始设计。于是，优化该复杂设备的设计，也就是优化该复杂设备的结构参数，直到满足这些规格参数。在此，规格参数与复杂设备的运行参数对应，其中这种规格参数尤其是可能与一个运行参数或者与多个运行参数有关，也就是说当一个或者多个确定的运行参数每个都处于确定的值域中时，那么满足这种规格参数。这样，比方说电部件的最大电功率损耗可以预先给定为规格参数，其中如果电流消耗和电压（也就是说电部件上的电压降）在运行中每个都在确定的边界值之下，则满足该规格参数。

在传统的设计过程中也可能需要的是，尤其是当在设计过程的第一轮中不能达到规格参数时，再一次利用另外的初始设计来执行设计过程。

在传统的设计过程中，常常需要具有不同初始设计的多轮和/或在优化结构参数时的多个步骤。在这种情况下，最终设计（也就是说尤其是复杂设备的结构参数）也可能与初始设计（也显著）有关。以此，这种传统的设计过程可能是资源密集的，和/或分别获得的结果（也就是说最终由进行设计的本领域技术人员确定的结构参数）可能与相应的本领域技术人员有关。

以此，尤其是在客户的相同要求的情况下，可能得出不同的设计、也就是说针对复杂设备的结构参数。尤其是由于在优化结构参数时的多次迭代，如今常见的设计过程也可能是耗时的。

发明内容

作为任务，本发明所基于的是，使复杂设备的设计变得简单，和/或改进复杂设备的结构，并且尤其是更高效地做出对复杂设备的结构参数的确定，和/或使依据这样确定的结构参数建造的这种复杂设备的结构协调。

每次根据独立权利要求的教导，分别通过一种用于从至少一个规格参数出发来生成复杂设备的结构参数的计算机辅助的方法，通过一种用于从至少一个规格参数出发来生成复杂设备的结构参数的系统和通过一种用于从至少一个规格参数出发来生成复杂设备的结构参数的计算机程序产品，本发明解决所述任务。本发明的有利的实施形式、扩展方案和变型方案尤其是从属权利要求的主题。

本发明的第一方面涉及一种用于借助神经网络从至少一个规格参数出发来生成复杂设备的结构参数的计算机辅助的方法。该方法具有以下的内容。在该方法中，提供参考数据，在一些变型方案中，尤其是提供比方说历史设计、工作步骤的时间表，和/或基于人工产生的输入参数借助敏感性分析来确定，所述参考数据标明多个复杂设备和所述多个复杂设备的相应的至少一个规格参数，以及分别标明结构参数。在该方法中，提供运行数据，所述运行数据标明多个复杂设备和所述多个复杂设备的相应的运行参数，所述相应的运行参数与相应的结构参数对应。再者，在该方法中，基于参考数据和运行数据来训练神经网络。最后，从至少一个规格参数出发并且借助经过训练的神经网络，生成复杂设备的结构参数。

当输入参数借助专用的和复杂的软件导致具有所期望的运行参数的具体产品时，本发明的一些变型方案得以使用。

有利的使用和对此的相对应地构造的变型方案可以是：

- 变压器：借助复杂软件（分析和验证），如绕组布局和绕组类型等之类的合适的输入参数和初始配置导致具体的设计，在该具体的设计中必须达到如损耗、噪声等之类的客户要求；

- 驱动机构；

- 汽轮机；和

- 针对化学工业的蒸馏塔。

在本发明的意义上，“结构参数”要被理解为至少如下数据：所述数据（尤其是通过数值）表征和/或在其执行中确定复杂设备的至少一个部分。这样，尤其是复杂设备的实际尺寸可以通过一个结构参数或者通过多个结构参数来表征和确定—比方说通过以如米或者英寸之类的长度单位来说明其相应的伸展的值，表征和确定这种复杂设备的总高度、总宽度和/或总长度。材料特性和/或所使用的材料也可以通过一个或者多个结构参数来确定—比方说通过说明对相应材料进行编码的数值或者文本（比方说针对铜的“Kupfer”、“Cu”或者任意数值标识符），确定这种复杂设备的线缆的材料。根据应用情况确定的结构参数（尤其是所谓的设计参数）也可能是特别相关的。

这样，变压器的设计参数尤其是：

- 变化的参数：

o 芯直径

o 电磁钢的等级

o 绕组布局

o 匝数

o 绕组中的并联导体的数目

o 导体中的导体元件的数目

o 电流密度

o 绕组中的层或者线圈的数目

o 冷却装备

- 目标变量：

o 几何数据：

■最大尺寸

■最大重量

o 运行数据：

■短路阻抗

■最大损耗

■最大噪声

o 最小成本。

在本发明的意义上，“运行参数”要被理解为至少如下数据：所述数据在复杂设备运行时表征所述复杂设备的至少一部分，和/或表征复杂设备的运行。在此，这种运行参数尤其是与一个结构参数或者与多个结构参数有关，和/或可以对应于所述结构参数。这样，比方说这种复杂设备的实际尺寸也可以是运行参数。再者，功率值、干扰的出现和/或表征复杂设备或者其部件的运行的数值可以是运行参数。

在本发明的意义上，“复杂设备”要被理解为如下至少一个设备：所述至少一个设备具有多个结构参数和运行参数，并且在此在结构参数与运行参数之间存在如下关系：所述关系复杂到使得，至少在一般选择的针对结构参数的值或者数据的情况下，不可能说明一般的功能性（尤其是数学）关系。在此，一些这种复杂设备可以通过高维微分方程是可描述的，可是由于其高维度并且由于结构参数和运行参数的复杂关系，所述高维微分方程不具有稳定解或者只针对有限的值域具有稳定解。

在本发明的意义上，“神经网络”要被理解为至少一个人工神经网络。这种神经网络（或者简称为“神经网”）尤其是可以具有输入值到输出值的可适配的变换，其中所述变换能通过一个或者优选地多个中间层（神经网的所谓的层）进行。为了适配，可以尤其是利用针对输入值的数据来训练神经网，并且必要时训练针对输出值的相关联的数据，这通常作为所谓的“监督式学习（Supervised Learning）”进行。尤其是，这种人工神经网络可以以电子方式和/或以数字方式来实施。

借助经过训练的神经网络生成复杂设备的结构参数的优点尤其是可以在于，这样确定的结构参数和因此复杂设备的设计可以可再现地（并且尤其是与相应的本领域技术人员无关地）被确定，由此可以使这种复杂设备的结构协调。尤其是通过这种协调，基于相应的结构参数，以始终不变的质量和/或以相应设计的同类的方式和方法可以提供和/或制造复杂设备的设计，并且以此可以提供和/或制造复杂设备的结构。尤其是，以此也可以获得在多个（也就是说利用这样生成的结构参数）这样建造的复杂设备之间的较高的兼容性。既基于参考数据又基于运行数据来训练神经网络的优点尤其是也可以在于，既可以训练在规格参数与针对所述规格参数的可能的解之间的关系（也就是说相应的结构参数），又可以训练从相应的结构参数中得出的运行参数，由此尤其是能够实现神经网络的更高效的训练和/或更快速的收敛。

以这种有利的方式（尤其是在复杂设备中，在所述复杂设备中专家必须执行许多设计迭代，以便找出合适的结构参数），也可以减小为了生成/找出结构参数所需的绝对/总时间。这样，比方说利用足够的计算能力，可以在数秒钟之内找出针对相应的结构参数的合适的或者最优的解。尤其是，在（手动）设计如变压器之类的这种复杂设备时，困难尤其是可能在于，如例如成本函数之类的强烈非线性函数仍然必须导致离散值、如例如绕组的数目。在此，神经网的优点尤其是可能在于，所述神经网也可以针对这样的强烈非线性的函数被训练和/或输出合适的解。

在一些有利的实施形式中，在该方法中此外还监控多个复杂设备中的至少一个复杂设备的手动设计迭代，以达到所述至少一个复杂设备的至少一个规格参数。再者，在该方法中适配参考数据，其中关于所述至少一个复杂设备，对于每个手动设计迭代都存储结构参数。此外，在该方法中，适配运行数据，其中关于所述至少一个复杂设备，对于每个手动设计迭代都存储运行参数。在此，基于经过适配的参考数据和运行数据，训练神经网络。以有利的方式，不仅可以基于针对多个复杂设备中的复杂设备的（最终）结构参数来训练神经网络，而且可以基于针对至少一个复杂设备的结构参数来训练神经网络，对于每个手动设计迭代已（尤其是通过本领域技术人员输入和）使用所述结构参数，以便达到针对所述至少一个复杂设备的至少一个规格参数。也能够实现，利用与针对相应的设计迭代的结构参数对应的相应的运行参数来训练神经网络，使得给神经网络在训练时预先给定用于设计至少一个复杂设备的途径以及各个手动设计迭代的成功或者失败（那就是至少一个复杂设备由于其相应的运行参数对于每个设计迭代以何种程度对应于至少一个规格参数）。经此，尤其是在训练神经网络时，可以获得更好的和/或更快速的收敛。利用经过适配的参考数据和运行数据（所述参考数据和运行数据对于每个设计迭代标明结构参数和对应的运行参数）进行训练的优点尤其是也可能在于，由神经网络生成的结构参数与相对应的本领域技术人员可能会确定的这种结构参数汇聚，和/或由经过训练的神经网络生成的结构参数和以此尤其是针对复杂设备的设计的解对于本领域技术人员而言变得更加可理解（nachvollziehbarer）。

在一些实施形式中，该方法此外还具有：基于所生成的结构参数来模拟复杂设备，以确定复杂设备的运行参数。在这种实施形式中，神经网络的训练再者基于复杂设备的至少一个规格参数和运行参数。以这种有利的方式能够实现，在训练神经网络时，作为（其他）训练数据预先给定或此外训练（也）基于神经网络的解的质量、那就是尤其是生成复杂设备的结构参数，并且在此作为（其他）训练数据预先给定或此外训练（也）基于经由复杂设备的运行参数达到至少一个规格参数，所述运行参数与所生成的结构参数对应，由此可以改进训练，并且尤其是借助这样经过训练的神经网络可以生成更好的解，也就是说根据运行参数在复杂设备运行时更好地遵守规格参数。

在一些实施形式中，其中基于所生成的结构参数来模拟所述复杂设备并且利用这样确定的运行参数训练神经网络，在基于分别生成的结构参数相应模拟复杂设备的情况下迭代地执行对神经网络的训练。以这种有利的方式，可以进一步改进神经网络的训练，并且以此可以进一步改进经过训练的神经网络，其中尤其是可以迭代地进一步优化针对复杂设备的解、那就是所生成的结构参数。优点尤其是也可以在于，针对其他训练不需要其他的（尤其是外部的）数据，那就是尤其是即使在参考数据和运行数据保持相同的情况下，也可以进一步改进神经网络。

在一些实施形式中，在该方法中模拟多个复杂设备中的至少一个复杂设备，以为了提供或者适配运行数据而确定所述至少一个复杂设备的运行参数。模拟至少一个复杂设备的优点尤其是可以在于，通过模拟可以高效地和/或以与比方说在建设原型时相比更小的资源需求来确定运行参数。

在一些实施形式中，借助模拟程序，模拟复杂设备，或者模拟多个复杂设备中的至少一个复杂设备。以这种有利的方式，所述复杂设备或者所述至少一个复杂设备的运行参数可以借助具有这种模拟程序的计算机来确定，其中通过采用相对应的模拟程序和/或通过提高的计算能力，通常可以提高在确定运行参数时的品质（那就是所模拟的运行参数在实际运行中以何种程度对应于实际运行参数）。也能够实现，针对多个复杂设备和/或针对多个设计迭代，以有利的方式（尤其是高效地、成本低廉地和/或以小时间延迟来）确定运行参数。

在一些实施形式中，在该方法中，为了提供针对多个复杂设备中的至少一个复杂设备的运行数据，接收运行参数。在此，为了接收，在一些有利的变型方案中，由传感系统发送运行参数，所述传感系统设立用于测量至少一个复杂设备的运行参数。

在一些实施形式中，其中从传感系统接收至少一个复杂设备的运行参数，在该方法中借助传感系统来测量至少一个复杂设备的运行参数。

接收借助传感系统来测量的运行参数的优点尤其是可能在于，所述运行参数在真实运行状况下反映实际的运行参数。这样，可以从原型运行中、从现场采用中和/或也从生产使用中测量和接收尤其是至少一个复杂设备的运行参数。经此，可以考虑影响变量，所述影响变量比方说在模拟时可能不会被考虑或者可能会只以高开销来考虑，如比方说生产波动、在生产中使用的材料中的波动、干扰影响或者真实的运行条件，它们是未知的和/或在客户的针对复杂设备的描述中未充分详细说明。

在一些实施形式中，在训练神经网络时，确定误差大小。在此，误差大小具有在参考数据的结构参数与借助神经网络确定的结构参数之间的偏差。

在一些实施形式中，在训练神经网络时，确定误差大小。在此，误差大小具有在相应的至少一个规格参数与相应的运行参数之间的偏差，所述相应的运行参数与借助神经网络确定的结构参数对应。

在其中确定误差大小的一些实施形式中，误差大小可以具有偏差的组合，和/或误差大小具有的偏差可以彼此组合（尤其是被合计成经过加权的总误差值）。

确定误差大小的优点尤其是可以在于，也可以基于误差大小来训练神经网络。在此，有利地可以将用于训练神经网络的多个准则经由误差大小彼此组合和合并。尤其是在迭代式训练神经网络时，在训练的进一步迭代中，也可以使用误差大小。此外，确定误差大小可以能够实现，借助（尤其是在多次迭代中相应的）误差大小，量化训练的成功和/或量化分别在训练时确定的或者生成的结构参数的品质，由此尤其是可以更高效地实施训练。在一些变型方案中，所述变型方案为了训练实施反向传播算法（所述反向传播算法尤其是对应于用于在解空间中的超平面（Hyperebene）上找出（局部）最优值的梯度下降），可以根据误差大小来改变步长。在一些变型方案中，在训练时，如果存在大的误差（那就是确定的或者所生成的结构参数还远远偏离合适的解），则可以选择大的步长或者神经网络的大的适配，而如果误差已经小了（那就是相应的解已经接近（局部）最优值），则可以选择小的步长或者神经网络的小的适配，由此尤其是能够实现快速的和/或精确的收敛。

根据其中确定误差大小的一些实施形式，针对用于达到至少一个规格参数的多个设计迭代，针对多个复杂设备中的至少一个复杂设备的参考数据分别对于每个设计迭代标明结构参数。再者，针对至少一个复杂设备的运行数据分别对于每个设计迭代标明运行参数，其中运行参数与关于所述至少一个设备和关于相应的设计迭代的结构参数对应。再者，在这种实施形式中，神经网络设立为，从至少一个复杂设备的至少一个规格参数出发，针对多个设计迭代分别确定结构参数。此外，在该方法中，尤其是在确定误差大小时，此外确定对于针对至少一个复杂设备的每个设计迭代的如下偏差：所述偏差为在参考数据的结构参数与借助神经网络确定的结构参数之间的偏差，其中误差大小也具有所述偏差。以这种有利的方式，借助神经网络可以生成针对多个设计迭代的结构参数，和/或可以相对应地训练神经网络，以模仿（尤其是手动的）设计过程，由此由神经网络生成的解（那就是尤其是复杂设备的结构参数）对于本领域技术人员变得可理解，和/或能够实现，特定地训练神经网络来使得，在经由多个设计迭代生成结构参数时执行确定的途径。尤其是通过可理解性，可以使本领域技术人员能够实现，进一步适配和/或优化设计（也就是说复杂设备的结构参数），使得可以进一步改进复杂设备，和/或可以考虑其他规格参数。在一些变型方案中，作为参考数据的部分，这样的适配也可以在其他设计迭代的结构参数的意义上被用于训练神经网络。

在一些实施形式中，其中确定误差大小，并且针对多个设计迭代，针对多个复杂设备中的至少一个复杂设备的参考数据分别对于每个设计迭代标明结构参数，该方法此外具有：对于每个设计迭代并且基于相应的结构参数，模拟至少一个复杂设备，以为了提供或者适配运行数据而提供所述至少一个复杂设备的相应的运行参数。再者，在该方法中，尤其是在确定误差大小时，此外确定对于针对所述至少一个复杂设备的每个设计迭代的如下偏差：所述偏差为在至少一个复杂设备的至少一个规格参数与针对相应的设计迭代的相应的运行参数之间的偏差，其中误差大小也具有所述偏差。

在其中确定误差大小的一些实施形式中，神经网络设立为，从复杂设备的至少一个规格参数出发，对于多个设计迭代中的每个设计迭代，生成复杂设备的结构参数。再者，在该方法中，对于每个设计迭代，模拟复杂设备的相应的运行参数。此外，在该方法中，尤其是在确定误差大小时，此外确定对于每个设计迭代的在至少一个规格参数与相应的运行参数之间的偏差，其中误差大小也具有所述偏差。从中，可以得出优点，所述优点对应于如下实施形式的优点：在所述实施形式中，参考数据对于每个设计迭代关于多个复杂设备中的至少一个复杂设备标明结构参数。以这种有利的方式也能够实现，基于针对复杂设备的一系列结构参数和对应的运行参数来训练神经网络，其中尤其是误差大小和/或训练可以构建为使得，当相应的运行参数对于规格参数在该系列上收敛至最终值时，那么误差是特别小的。以这种有利的方式，可以训练神经网络，以生成可理解的和/或收敛的解，也就是说生成针对复杂设备的在多个设计迭代上的结构参数，随着设计迭代的进展，所述复杂设备的分别对应的运行参数与至少一个规格参数越来越相对应。

在其中确定误差大小的一些实施形式中，借助反向传播算法来执行神经网络的训练，并且使误差大小最小化。以这种有利的方式，可以基于误差大小来实现快速收敛，和/或可以经由误差大小（尤其是以经过加权的方式）将用于训练神经网络的不同准则一同包含在内。

在一些实施形式中，在本体论结构化的数据库（ontologisch strukturiertenDatenbank）中存储有参考数据。

在一些实施例中，针对多个复杂设备中的至少一个复杂设备，在本体论结构化的数据库中存储有初始设计。

本体论结构化的数据库和将参考数据、运行数据和/或初始设计存储在所述本体论结构化的数据库中的优点可以尤其是在于，在此以结构化的方式可以存储有相对应的数据，使得能够实现在本体论结构化的数据库上高效地（相似性）搜索确定的类别的复杂设备、规格参数、结构参数和/或运行参数。

在一些实施形式中，其中在本体论结构化的数据库中存储有参考数据和/或运行数据，该方法此外还具有将参考数据和/或运行数据存储在本体论结构化的数据库中。在此，在一些有利的变型方案中，尤其是为了建立本体论，可以关于结构参数中的一个结构参数和/或关于规格参数来执行敏感性分析，使得确定，确定的运行参数特别是与哪些结构参数和/或与哪些规格参数有关，或者相对应地反之亦然。

在一些实施形式中，其中在本体论结构化的数据库中存储有参考数据和/或运行数据，该方法具有：从本体论结构化的数据库中，检索参考数据，以提供所述参考数据，和/或检索运行数据，以提供所述运行数据。

将初始设计存储在本体论结构化的数据库中的优点尤其是可以在于，针对类似的设计，尤其是基于在本体论结构化的数据库中的相似性搜索，可以从本体论结构化的数据库中检索初始设计。于是，在一些有利的变型方案中，初始设计作为直接解被排除，但是借助神经网络，尤其是基于初始设计，确定解。

在一些实施形式中，其中在本体论结构化的数据库中存储有初始设计，该方法此外可以具有：基于在本体轮结构化的数据库上的相似性搜索，从至少一个规格参数出发，确定复杂设备的初始设计。再者，在这种实施形式中，神经网络的训练此外基于复杂设备的初始设计，和/或基于至少一个复杂设备的初始设计。最后，复杂设备的结构参数的生成此外从复杂设备的初始设计出发。基于初始设计和/或从初始设计出发进行训练和生成的优点尤其是可以在于，可以高效地（也就是说以较低的计算能力）生成复杂设备的结构参数，和/或（尤其是在执行局部优化的神经方法中）可以确定解，也就是说确定复杂设备的结构参数，所述结构参数处于通过初始设计预先给定的针对类似的复杂设备的局部区域中。

本发明的第二方面涉及一种用于从至少一个规格参数出发来生成复杂设备的结构参数的系统。该系统具有神经网络和数据处理设备。再者，该系统具有一个或者多个数据接口，用于接收参考数据并且用于接收运行数据，所述参考数据标明多个复杂设备和所述多个复杂设备的相应的至少一个规格参数，以及分别标明结构参数，所述运行数据标明多个复杂设备和所述多个复杂设备的相应的运行参数，所述相应的运行参数与相应的结构参数对应。数据处理设备设立为，借助数据接口中的一个数据接口来接收参考数据和运行数据。再者，数据处理设备设立为，基于参考数据和运行数据来训练神经网络。最后，数据处理设备设立为，从至少一个规格参数出发并且借助经过训练的神经网络，生成复杂设备的结构参数。

本发明的第一方面的之前已经提到的可能的优点、实施形式或者变型方案相对应地也适用于根据本发明的系统。

在一些实施形式中，数据处理设备再者设立为，实施神经网络。为此，在一些变型方案中，数据处理设备可以具有如下程序：所述程序具有计算机可读取的指令，在数据处理设备上执行时，所述计算机可读取的指令促使所述数据处理设备，执行与神经网络相对应的计算。以这种有利的方式，可以经由商业上通用的计算机来实施神经网络。

在一些实施形式中，该系统具有其他数据处理设备，所述其他数据处理设备特定地设立为，执行神经网络的计算。在一些变型方案中，其他数据处理设备可以是神经形态处理器、神经处理器或者神经突触处理器（或者也简称为“神经处理机（Neuro-Prozessor）”）、如比方说IBM公司的具有一个或者多个TrueNorth处理器的系统。以这种有利的方式，神经网络可以特别高效地（那就是，尤其是以高的计算速度和/或低的电流需求或者资源需求）来实施。

在一些实施形式中，数据接口中的一个数据接口构造为网络接口，使得可以经由网络（比方说从互联网中）接收参考数据和/或运行数据。

在一些实施形式中，该系统具有数据存储设备，所述数据存储设备设立为，存储参考数据和/或运行数据。在此，在一些有利的变型方案中，数据接口中的一个数据接口可以构造为在数据存储设备与数据处理设备之间的内部数据接口，使得可以借助内部数据接口来接收和/或提供参考数据和/或运行数据。

本发明的第三方面涉及一种用于从至少一个规格参数出发来生成复杂设备的结构参数的计算机程序产品。在此，计算机程序产品具有计算机可读取的指令，或者提供所述计算机可读取的指令，其中在数据处理设备上执行时，计算机可读取的指令促使所述数据处理设备，基于参考数据和运行数据来训练神经网络，以及从至少一个规格参数出发并且借助经过训练的神经网络来生成复杂设备的结构参数。参考数据标明多个复杂设备和所述多个复杂设备的相应的至少一个规格参数，以及分别标明结构参数。运行数据标明多个复杂设备和所述多个复杂设备的相应的运行参数，所述相应的运行参数与相应的结构参数对应。

本发明的上述方面的之前已经提到的可能的优点、实施形式或者变型方案相对应地也适用于根据本发明的用于生成结构参数的计算机程序产品。

在一些实施形式中，计算机程序产品构造为利用相对应的计算机可读取的指令来写入的数据载体。

替选地，在一些实施形式中，计算机程序产品构造为（尤其是虚拟的）计算机网络，所述计算机网络设立为，提供计算机可读取的数据。在此，在一些变型方案中，计算机可读取的数据可以存储在数据载体上。替选地或者附加地，在一些变型方案中，计算机网络可以有利地设立为，尤其是基于程序的基于文本的描述（尤其是源代码）或者基于多个数据元素（尤其是，比方说如BitTorrent之类的点对点（Peer-To-Peer）网络的分布式数据段），经由算法来生成并且这样提供计算机可读取的指令。

其他优点、特征和应用可能性从随后的对实施例的详细描述中和/或从附图中得出。

附图说明

随后参照附图，依据有利的实施例，更详细地阐述本发明。如果这没有另外描述或者没有另外从上下文中得出，则这些实施例的相同元件或者组件基本上通过相同的附图标记来标明。

为此，部分示意性地：

图1示出了按照实施形式的用于从至少一个规格参数出发来生成复杂设备的结构参数的计算机辅助的方法的流程图；以及

图2示出了按照实施形式的用于从至少一个规格参数出发来生成复杂设备的结构参数的系统。

这些附图是本发明的不同实施形式和/或实施例的示意图。在这些附图中所描绘的元件和/或组件不一定比例正确地予以描绘。更确切地说，再现在这些附图中所描绘的不同元件和/或组件，使得这些元件和/组件的功能和/或其目的对于本领域技术人员变得明了。

在这些附图中所描绘的在功能单元和元件之间的连接和耦合也可以被实施为间接连接或者耦合。尤其是，数据连接可以有线地或者无线地构造，那就是尤其是构造为无线电连接。为了清楚起见，也可以不描绘比方说用于进行能量供给的确定的连接、比方说电连接。

具体实施方式

图1利用流程图图解说明了按照本发明的实施形式的用于从至少一个规格参数出发来生成复杂设备的结构参数的计算机辅助的方法100。在此，借助神经网络，生成复杂设备的结构参数。

在一个实施例中，方法100具有方法步骤 120、130、132、134、140、142、144、150、156、160、162、166 和170以及过程条件（Verfahrensbedingung）110、112、114和116。方法100在方法起始102处开始，并且在方法结束104处结束，其中可以重复地执行一个或者多个方法步骤（尤其是一系列方法步骤）和优选地整个方法100。

在方法步骤120中，提供至少一个规格参数。为此，所述至少一个规格参数在一些变型方案中可以经由用户界面而被读入。基于自然语言处理（也就是说Natural LanguageProcessing），也可以从用户的说明中和/或从客户的针对期望的复杂设备的描述中有利地提取所述至少一个规格参数。在此不言而喻，也可以提供并且尤其是可以提取针对复杂设备的其他的这样的规格参数，和/或所述方法（尤其是生成复杂设备的结构参数）也可以从这些其他规格参数出发。

尤其是为了在方法步骤130中提供参考数据和/或在方法步骤140中提供运行数据，在过程条件110处检查，参考数据或运行数据是否还没有包括多个复杂设备，和/或是否应针对多个复杂设备补充至少一个复杂设备。

如果参考数据或运行数据应被补充至少一个复杂设备，那就是尤其是要补充或者新添加关于至少一个复杂设备的数据（这在流程图中在过程条件110处通过用符号表示），则在方法步骤132中监控针对至少一个复杂设备的一个或者多个手动设计迭代，其中手动设计迭代的目的在于，达到所述至少一个复杂设备的至少一个规格参数。

在一些变型方案中，在此在相应的要建造的复杂设备的相应领域中的技术人员适配所述复杂设备的一个或者多个结构参数，使得达到或者至少接近所述至少一个复杂设备的至少一个规格参数。

在此，在一些变型方案中，对于结构参数的每个改变，不是仅至少一个规格参数可以改变，而是（尤其是由于结构参数和规格参数的复杂的功能性关系）多个规格参数可以改变。

在此，在方法步骤134中，对于每个手动设计迭代，记录所述至少一个复杂设备的结构参数，并且尤其是记录所述结构参数的变化，而且关于所述至少一个复杂设备的参考数据适配来使得：针对所述至少一个复杂设备的参考数据对于每个手动设计迭代都具有结构参数，所述至少一个复杂设备因此是多个复杂设备中的复杂设备之一。

在替代于执行方法步骤132和134的变型方案中，只要不存在足够的参考数据或运行数据，该方法就也可以在过程条件110之后中止或在没有解的情况下结束。

在过程条件112处检查，基于在前的手动设计迭代的结构参数是否已经达到至少一个复杂设备的至少一个规格参数，和/或是否要结束手动设计过程（因为尤其是借助模拟可能会需要比方说对设计的进一步检验，或者已达到预先确定的最大数目的设计迭代）。如果要继续手动设计过程，也就是说尤其是要执行其他手动设计迭代，和/或如果尚还未达到至少一个复杂设备的至少一个规格参数（这在流程图中在过程条件112处通过用符号表示），则重新执行方法步骤132，使得得出迭代方法，那就是得出具有多个手动设计迭代的迭代式设计过程。

如果要结束手动设计过程和/或已达到多个复杂设备中的至少一个复杂设备的至少一个规格参数（这在流程图中在过程条件112处通过用符号表示），则在方法步骤130中提供（经过适配的）参考数据，所述参考数据标明多个复杂设备和所述多个复杂设备的相应的至少一个规格参数，以及分别标明结构参数。

替选地或者附加地，在一些变型方案中，关于手动设计过程和其他方法步骤 130、142以及下列等等，也可以并发地执行方法 100，使得通过手动设计过程来适配参考数据，并且同时地（也在没有达到至少一个规格参数的情况下）而且在方法步骤130中为其他步骤提供所述参考数据。

通过（尤其是与利用相应的迭代是否达到或者已至少进一步接近至少一个规格参数无关地）对于每个手动设计迭代都记录结构参数，尤其是可以利用所述迭代步骤中的每个迭代步骤来训练神经网络，使得可以获得相对于仅部分记录更快速的收敛。

在方法步骤142中，对于每个手动设计迭代并且基于相应的结构参数来模拟至少一个复杂设备，用于确定所述复杂设备的相应的运行参数。

在方法步骤144中，适配至少关于所述至少一个复杂设备的运行数据，并且在此，对于每个手动设计迭代，存储借助模拟已确定的运行参数，而且因此适配所述运行数据。

在过程条件114处检查，基于关于所述至少一个复杂设备的来自利用在前的设计迭代的结构参数的在前的模拟的运行参数，是否已达到所述至少一个复杂设备的至少一个规格参数。如果情况不是如此（这在流程图中在过程条件114处通过用符号表示），则重新地并且以此迭代地在方法步骤132处继续该方法。

在一些有利的变型方案中，用于达到至少一个规格参数的准则是，至少一个规格参数在公差带之内，那就是尤其是在预先确定的最小值和最大值之间。只要要达到多个规格参数（如尤其是客户要求、抗短路能力或者基于标准的值），这样在这种变型方案中就要将相对应的准则应用于规格参数中的每个规格参数。

如果根据所模拟的运行参数已达到至少一个复杂设备的至少一个规格参数（这在流程图中在过程条件114处通过用符号表示），则在方法步骤140中提供运行数据，必要时相对应地已适配所述运行数据，并且所述运行数据标明多个复杂设备和所述多个复杂设备的相应的运行参数，所述相应的运行参数与相应的结构参数对应。

在一些有利的变型方案中，参考数据和运行数据可以存储在本体论结构化的数据库中，并且比方说在方法步骤134和144处可以存储在那里，以及针对方法步骤130和140，可以从本体论结构化的数据块检索所述参考数据和运行数据。

如果在多个复杂设备中不应补充至少一个复杂设备（这在流程图中在过程条件110处通过用符号表示），则在方法步骤130处继续该方法，其中在一些变型方案中，尤其是如果对于运行数据而言不存在足够的运行参数，则在方法步骤142和144中确定运行参数并且相对应地适配运行数据。在另外的变型方案（未描绘）中，可以在方法步骤150处继续该方法，其中提供参考数据和运行数据。

迭代地，在方法步骤150中训练神经网络，并且在方法步骤160中生成复杂设备的结构参数。在此，以迭代的方式进一步执行该方法，直至根据过程条件116已获得对神经网络的充分训练和/或已达到预先确定的最大迭代次数（这在流程图中在过程条件160处通过用符号表示）。

为此，在一些有利的变型方案中，详细地执行以下的内容。

在方法步骤150中，至少基于参考数据和运行数据来训练神经网络。

在如所描绘的那样可以是方法步骤150的部分的方法步骤156中，为了评价训练结果和/或针对训练的下一次迭代，确定误差大小，所述误差大小具有在参考数据的结构参数与借助神经网络确定的结构参数之间的偏差，以及所述误差大小具有在相应的至少一个规格参数与相应的运行参数之间的偏差，所述相应的运行参数与借助神经网络确定的结构参数对应。

在方法步骤160中，从至少一个规格参数出发并且借助经过训练的神经网络，生成复杂设备的结构参数。在一些变型方案（未描绘）中，为了生成结构参数可以从初始设计出发，所述初始设计在其他方法步骤中尤其是通过在本地论结构化的数据库上的相似性搜索来确定。

在方法步骤162中，基于所生成的结构参数对复杂设备进行模拟，以确定复杂设备的运行参数。在此，该方法步骤（如所描绘的那样）可以是方法步骤160的部分。

在如所描绘的那样可以是方法步骤160的部分的方法步骤166中，确定在至少一个规格参数与（经由模拟确定的）运行参数之间的偏差，其中误差大小也具有所述偏差。

在一些有利的变型方案中，神经网络可以设立为，不仅将复杂设备的结构参数确定为结构参数（的最终值），而且针对多个设计迭代和从复杂设备的至少一个规格参数出发来确定复杂设备的结构参数。相对应地，在方法步骤150中，神经网络在训练时对于针对多个复杂设备中的至少一个复杂设备的每个设计迭代分别确定结构参数；并且在方法步骤160中，对于针对（要设计的）复杂设备的每个设计迭代，神经网络分别生成结构参数。以这种方式，可以使本领域技术人员有利地理解设计过程，使得神经网络也针对一系列设计迭代生成和/或优化结构参数。

在方法步骤156中确定误差大小时，在一些有利的变型方案中，此外分别确定针对至少一个复杂设备的每个设计迭代的如下偏差：所述偏差为在参考数据的结构参数与借助神经网络确定的结构参数之间的偏差，针对所述至少一个复杂设备已监控了手动设计迭代，其中误差大小也具有所述偏差。再者，在一些有利的变型方案中，在方法步骤156中，其中对于每个手动设计迭代已模拟了针对至少一个复杂设备的运行参数，可以确定对于针对至少一个复杂设备的每个设计迭代的如下偏差：所述偏差在所述至少一个复杂设备的至少一个规格参数与针对相应的设计迭代的相应的运行参数之间的偏差，其中所述误差大小也具有所述偏差。

在过程条件116处检查，是否已充分训练神经网络，也就是说尤其是误差大小是否在预先确定的范围中。如果这不是这种情况，那就是比方说神经网络在训练时所做的误差还过大（这在流程图中在过程条件116处通过用符号表示），则在方法步骤150处继续该方法。

否则，那就是在经过充分训练的神经网络的情况下或者如果已超过确定数目的最大迭代（这在流程图中在过程条件116处通过用符号表示），则在方法步骤170中输出所生成的结构参数。在此，如果直至达到最大迭代都还没有得到经过充分训练的神经网络，那么尤其是可以超过确定数目的最大迭代。通过附加的或者替选的条件，可以避免未经限定地长的训练时间，和/或如果神经网络还未充分训练来使得可能获得至少一个（即便可能不是最优的）解，则也可以继续该方法。

在图2中，示意性描绘了按照本发明的实施形式的系统1，用于从至少一个规格参数出发来生成复杂设备的结构参数。

在一个实施例中，系统1具有神经网络6、数据处理设备10、多个数据接口32、62和数据存储设备34。系统1设立为，执行根据本发明的实施形式的用于生成结构参数的方法，并且尤其是执行根据关于图1的实施形式的方法100。为此，在有利的变型方案中，系统1可以具有根据本发明的实施形式的计算机程序产品，和/或数据处理设备10可以借助计算机可读取的指令设立为，执行相对应的方法，所述计算机程序产品具有或者提供所述计算机可读取的指令。

在一个实施例中，系统1再者具有监控设备30，所述监控设备30设立为监控用于设计至少一个复杂设备的手动设计迭代，其中在一些变型方案中，监控设备30可以构造为商业上通用的计算机，在所述计算机上安装有用于设计相对应的复杂设备的软件。利用这种监控设备30，本领域技术人员可以设计相对应的复杂设备。在此，记录本领域技术人员的输入、那就是尤其是针对相应的复杂设备的所输入的结构参数。

在一个实施例中，系统1此外还具有传感系统40，所述传感系统40设立为，检测至少一个复杂设备的运行参数。

如在图2中所描绘的那样，在一些变型方案中，至少一个复杂设备44可以是系统1的部分，而所述至少一个复杂设备44在系统1的另外的变型方案中在该系统外部。在此，传感系统40设立为，检测复杂设备44的运行参数。这种检测在一些有利的变型方案中可以在检查环境（Prueffeld）中或者持久地在复杂设备运行中进行。

在一些变型方案中，传感系统40可以具有温度传感器、麦克风、电压传感器或者负载传感器。

在一些变型方案中，传感系统40也可以设立为，检测温度、电压、电功率或负载、确定的化学化合物或者噪声，和/或执行所谓的“气体中油（oil in gas）”分析、执行监控（Durchfuehrungsueberwachung）、负载流量监控、尤其是关于电功率的功率测量或者部分放电测量。

在图2中，也用符号表示互联网42，其中该互联网42不是系统1的部分。可是，系统1的不同部件可以经由互联网42而处于数据连接。

在一些变型方案中，数据接口32与数据处理设备10和数据存储设备34交互作用地设立为，从监控设备30（尤其是经由互联网42）接收参考数据，并且同样从监控设备30和/或从传感系统40（尤其是经由互联网42）接收运行数据。

在一些变型方案中，数据处理设备10设立为，将参考数据和运行数据存储在数据存储设备34上的本体论结构化的数据库中。

在一个实施例中，数据存储设备10再者设立为，在训练神经网络6和基于至少一个规格参数生成复杂设备的结构参数之后，借助数据接口62输出所生成的结构参数。在此，在一些变型方案中，数据接口62可以构造为用户接口或者构造为网络接口。

在一些变型方案中，数据处理设备10可以构造为商业上通用的计算机。替选地，在一些变型方案中，数据处理设备10和尤其是数据存储设备34以及神经网络6的实施可以构造为分布式计算设施（比方说构造为服务器群集（Server-Cluster）），并且进一步有利地尤其是虚拟化地来构造。

对于神经网络6而言，在一些变型方案中，数据处理设备10可以具有合适的编程（比方说针对反向传播的多层神经网）。在一些有利的变型方案中，系统1也可以具有针对神经网络的特定硬件（比方说所谓的神经处理机），所述特定硬件能够实现特别高效地处理这样的神经算法。

在一些变型方案中，要注意的是，变压器通常必须按照标准发生检查。在检查环境中的典型的测量包括：

- 开路损耗，

- 负载损耗，

- 短路阻抗，

- 比差，

- 冷却特性，

- 噪声排放，以及

- 具有测试电压的绝缘强度。

在此，传感系统40可有利地针对所述测量中的一个或者多个测量来设立。

虽然尤其是参照附图已详细地描述了实施例，但是应指出的是，多种修改方案是可能的。此外，应指出的是，示例性的实施方案仅是实例，这些实例绝对不应限制保护范围、应用和建立。更确切地说，通过之前的描述为本领域技术人员给出了实现至少一个实施例的指导，其中各种修改方案、尤其是替选的或者附加的特征和/或对所描述的组成部分的功能和/或布局的修改可以按照本领域技术人员的意愿进行，而在此不偏离在所附的权利要求中分别规定的主题以及该主题的法律等同物，和/或不离开该主题以及该主题的法律等同物的保护范围。