[发明专利]用于控制具有多个燃烧器的内燃机的方法和装置

权利要求书

1.一种用于控制具有多个燃烧器（BN1，BN2）的内燃机（GT）的方法，其中

a）为相应燃烧器（BN1，BN2）以特定于燃烧器的方式检测燃烧测量数据（VD1，VD2）并且分配给标识相应燃烧器（BN1，BN2）的燃烧器标识符（BK1，BK2），

b）检测所述内燃机（GT）的性能测量数据（PD），基于所述性能测量数据来确定性能值，

c）借助于所述燃烧测量数据（VD1，VD2）、分配的燃烧器标识符（BK1，BK2）以及所述性能测量数据（PD）来训练机器学习模型（NN），以生成特定于燃烧器的控制数据（SD1，SD2），当通过所述控制数据（SD1，SD2）以特定于燃烧器的方式操控所述燃烧器（BN1，BN2）时，所述控制数据优化所述性能值，以及

d）输出由经过训练的机器学习模型（NN）生成的控制数据（SD1，SD2），以用于特定于燃烧器地操控所述燃烧器（BN1，BN2）。

2.如权利要求1所述的方法，其特征在于，

根据所述控制数据（SD1，SD2）以特定于燃烧器的方式将到相应燃烧器（BN1，BN2）的燃料供给流划分到多个燃料级（FSA，FSB）。

3.如权利要求2所述的方法，其特征在于，

通过特定于燃烧器的多路阀（MV1，MV2）将所述燃料供给流划分到所述燃料级（FSA，FSB）。

4.如前述权利要求中任一项所述的方法，其特征在于，

为了短暂中断或减少燃料供给流，操控跨燃烧器的阀。

5.如前述权利要求中任一项所述的方法，其特征在于，

以特定于燃料级的方式检测燃烧测量数据并且分别分配给燃料级标识符，以及

将所分配的燃料级标识符用于所述机器学习模型（NN）的训练。

6.如前述权利要求中任一项所述的方法，其特征在于，

通过强化学习方法来训练所述机器学习模型（NN）。

7.如前述权利要求中任一项所述的方法，其特征在于，

所述机器学习模型（NN）包括人工神经网络、递归神经网络、卷积神经网络、贝叶斯神经网络、自动编码器、深度学习架构、支持向量机、数据驱动的可训练回归模型、k-最近邻分类器、物理模型和/或决策树。

8.如前述权利要求中任一项所述的方法，其特征在于，

基于当前检测的燃烧测量数据（VD1，VD2）和性能测量数据（PD）在所述内燃机（GT）的正在进行的运行期间进一步训练所述机器学习模型（NN）。

9.如前述权利要求中任一项所述的方法，其特征在于，

在校准阶段借助于训练内燃机和/或借助于内燃机的仿真模型对所述机器学习模型（NN）进行预训练。

10.如前述权利要求中任一项所述的方法，其特征在于，

所述机器学习模型（NN）包括多个特定于相应燃烧器（BN1，BN2）的子模型（ML1，ML2），每个子模型生成特定于相应燃烧器（BN1，BN2）的控制数据（SD1，SD2）。

11.如权利要求10所述的方法，其特征在于，

所述子模型（ML1，ML2）并行执行以生成特定于燃烧器的控制数据（SD1，SD2）。

12.如前述权利要求中任一项所述的方法，其特征在于，

训练另外的机器学习模型以生成另外的控制数据，通过所述另外的控制数据设置所述燃烧器（BN1，BN2）之间的燃料流分布和/或燃烧温度并且优化所述性能值和/或另外的性能值。

13.一种用于控制具有多个燃烧器（BN1，BN2）的内燃机（GT）的装置，被设置为执行如前述权利要求中任一项所述的方法。