一种用于检测热能交换系统中的运行异常的方法和系统，以及一种训练机器学习模型的方法与流程

本发明涉及一种用于检测热能交换系统中的运行异常(operationalirregularity)的计算机实现的方法。此外，本发明涉及一种用于检测区域热能交换系统中的运行异常的系统。此外，本发明涉及一种用于训练机器学习模型的计算机实现的方法，每个机器学习模型与具有多个变电站的热能交换系统的一个变电站相关联，以促进热能交换。此外，本发明涉及一种计算机程序产品。

背景技术：

1、热能交换系统广泛用于将在一个或多个位置产生的加热/冷却传递到一个或多个加热/冷却需求位置。例如，热能交换系统可以是区域加热/冷却系统(参见集体加热/冷却)，其被配置成产生加热/冷却以满足通常位于其他位置的多个客户的加热/冷却需求。例如，可以使用在加压管道系统中循环的介质(例如水基)来传递热能。热量需求可以包括住宅和/或商业建筑的空间加热需求以及用于卫生目的的家用热水需求。

2、热量可以在产热子系统处产生。热量可以通过热分配系统来分配/传输。此外，可以提供(客户)变电站，每个变电站被配置成将热量从热分配管传递到内部加热系统。内部加热系统可以包括空间加热回路和热水需求回路。

3、(区域)加热/冷却网络可以是由多种资源提供的集体网络(collectivenetwork)，例如基于化石燃料的锅炉，以及更可持续的资源，例如来自工业过程的多余热量和基于生物质或废物焚烧的热电联产工厂、地热和太阳热能。此外，大型热泵可用作热源，通过整合加热和电力部门，提供了增加能源系统灵活性的可能性。附加地或替代地，可以提供冷却源，例如使用热泵。

4、在现有的热能交换系统中，例如区域热能系统，由于系统温度的升高，多个部件可能表现不佳，导致系统运行效率低下。例如，对于区域加热，客户的装置是可能表现不佳的主要部件之一，导致热交换系统的加热系统的回流温度升高，因此需要提高来自产生热量的一侧的流量或主要供应温度来提供所需的热量。类似地，对于区域冷却，由于一个或多个装置的表现不佳，可能会导致回流温度降低。客户的装置可能包括变电站、空间加热系统和家用热水需求系统。变电站可以包括热交换器、阀门、传感器、致动器、控制器和热量表的组合。空间加热系统和家用热水系统可以包括多个阀门、散热器和热交换器。客户装置中的故障可能发生在许多不同的组件中，包括诸如热交换器结垢、温度传感器损坏、控制阀卡在打开位置、温度传感器放置在错误的管道上、预热器之前连接的家用热水循环、客户的内部加热系统的高回流温度以及客户系统中的高设定值等问题。所有这些运行异常可能不会被视为某物损坏的实际故障，但它们会导致产生加热的一侧的回流温度较高，而产生冷却的一侧回流温度较低。

5、变电站可能对热能交换系统的温度和效率有很大的影响。通过有效地保证变电站的正常运行，可以显著提高热能交换系统的性能。为了降低系统的温度以提高效率和整合低温可再生热源，有效地检测(和校正)热能交换系统中的故障单元/子系统是非常重要的。

6、对整个城市的热能交换系统进行建模是不切实际的，例如采用白盒模型。通常，使用手动分析方法来检测性能不佳的装置。然而，考虑到热能交换系统网络(例如区域加热)中可能存在大量变电站，手动方法可能非常耗时且成本高昂。因此，在故障检测过程中，需要一种更具成本效益且劳动强度更低的方法。

7、在热能交换系统中，需要有效地提高能源效率、加热/冷却源的灵活性和/或利用余热的能力。

技术实现思路

1、本发明的目的是提供一种能避免上述缺陷中的至少一种缺陷的方法和系统。

2、附加地或替代地，本发明的目的是对热能交换系统中运行异常的检测进行改进。

3、附加地或替代地，本发明的目的是更准确和/或鲁棒地检测热能交换系统中的故障。

4、附加地或替代地，本发明的目的是提供一种检测热能交换系统中运行异常的有效且经济的方法。

5、对此，本发明提供了一种用于检测热能交换系统中的运行异常的计算机实现的方法，其中，热能交换系统包括第一侧、第二侧以及第一侧和第二侧之间的接口，其中，在接口的上游的第一侧产生加热/冷却，在接口的下游的第二侧消耗加热/冷却，通过连接到第一侧和第二侧的多个变电站来提供接口，每个变电站被配置为促进第一侧和第二侧之间的热能交换，方法包括：获取对第一侧的一个或多个运行参数进行指示的测量数据，其中，测量数据是通过测量系统收集的；以及监控该测量数据以识别在接口和/或第二侧处的运行异常。

6、可以监控来自变电站的第一侧的数据。通过分析变电站的第一侧的数据，可以识别发生在变电站的部件内的和/或在第二侧(参见下游)连接到变电站的部件内的异常。连接到变电站的第二侧例如可以是客户/建筑物的加热系统。

7、第一侧可以被设置成提供加热/冷却的产生以及加热/冷却的分配/传输。第一侧可以包括使得加热/冷却通过接口从加热/冷却的产生向第二侧传递的管道。接口可以包括设置在第一侧和第二侧之间的单元。第二侧可以包括例如建筑物的内部加热系统。

8、对于示例性的区域/集体加热，与变电站相关联的异常或故障会导致热能交换系统的上游回流温度(在第一侧)的增加。因此，回流温度可以高于目标回流温度。如此高的回流温度导致整体效率的降低和运行成本的增加。如果回流温度太高，例如明显高于目标温度，热损失可能明显更高。此外，第一侧较低的(上游)回流温度可以提高第一侧(参见生产侧)生产单元的能源效率。例如，较低的回流温度可以增加布置在生产侧的热回收系统的效率。对于示例性区域/集体冷却，目标回流温度可以低于目标回流温度。

9、对于示例性的区域/集体加热，在变电站检测到的较高回流温度可能是由于变电站和/或建筑物中的一个或多个内部问题。因此，运行异常可能发生在变电站内和/或变电站外，例如连接到变电站的建筑装置中的故障。变电站中的故障可能与变电站部件的问题有关，例如传感器、阀门、致动器、一个(或多个)热交换器等故障。建筑装置中的故障可能是例如液压问题、故障部件(例如阀门、控制器、恒温器等)和散热器尺寸不当等。

10、应当理解，对于区域/集体加热，可以期望第一侧的回流温度尽可能低，例如接近第一目标温度。然而，对于区域/集体冷却，情况正好相反，其中希望第一侧的回流温度尽可能高，例如接近第二目标温度。这样，可以提高热能交换系统的效率。区域/集体加热系统(参见热能交换/转移系统)的异常和/或异常的运行会导致回流温度高于第一侧的第一(预设)目标回流温度。类似地，区域/集体冷却系统(参见热能交换/转移系统)的异常和/或异常的运行会导致回流温度低于第一侧的第二(预设)目标回流温度。

11、可选地，方法包括：执行基于类的处理，其中根据一个或多个预定标准将多个变电站分组为多个类，根据关键性能指标集合对多个变电站进行排序，并选择与变电站排序中表现最差的变电站对应的第一变电站集合；以及执行基于实例的处理，其中通过已训练的机器学习模型对每个变电站进行建模，其中，已训练的机器学习模型被配置为基于指示测量的一个或多个输入来提供预测输出，将已训练的机器学习模型的预测输出与测量输出进行比较，并选择预测输出和测量输出之间的差超过预定阈值的第二变电站集合；其中，将存在于第一变电站集合和/或第二变电站集合中的变电站识别为与至少一个故障子系统相关联的变电站，至少一个故障子系统位于变电站本身和/或位于连接到变电站的第二侧。

12、本公开的方法中基于类的方法和基于实例的方法相结合，可以显著改善运行异常的检测。

13、可以采用基于类的处理，以便提供变电站是否正常运行(即，如预期)的指示。基于该指示，可以在基于实例的处理中执行机器学习模型的训练和/或进一步适配。例如，如果通过基于类的处理检测到变电站之一运行异常(例如，表现不佳)，则可以首先对该变电站进行修复。因此，当该变电站被修复时，输出将改变。因此，测量将是正确的，并且基于实例的方法中的模型可以被正确地训练。

14、在基于类的方法中，变电站可以根据特定标准(功率分布(power profile)、电源温度等)进行分组或聚类。这可以涉及统计分析，其中热能交换系统的变电站被聚类并针对关键性能指标(key performance indicator，kpi)集合进行排序，即性能排序。选择和/或识别出表现最差的变电站可能与运行故障部件相关联(在变电站本身或变电站外)。

15、在基于实例的方法中，它预测了给定一组输入数据的变电站将如何运行。基于实例的模型(即训练的数据驱动模型)的输出(参见预测)可以与实际测量值进行比较。如果有偏差，可以断定变电站和/或变电站外出了问题(参见第二侧)。

16、有利地，该方法可以改善运行并减少和/或避免与热能交换系统的变电站相关联的扩展的运行异常，从而保持回流温度尽可能接近目标温度。

17、应当理解，训练过的模型可以基于正在进行的监测数据进一步调整。

18、数据可以由例如布置在每个变电站或其附近的电能表提供。电能表可以被配置成提供消耗能量的量的指示。通常，电能表安装在区域加热系统中，因此，可能不需要布置额外的传感器。在一些示例中，仅使用可从电能表获得的数据。例如，电能表可以提供指示供应温度的数据(例如，从区域加热网络进入区域加热变电站的上游温度)、指示回流温度的数据(参见离开区域加热变电站到区域加热网络的温度)、指示在第一侧通过区域加热变电站的流量的数据(参见上游侧的流量，即进入变电站)、指示累积流量的数据(参见已通过的介质的体积)、指示累积能量的数据(例如，基于累积流量和温度差dt来计算)。

19、电能表可以是自动仪表，自动仪表可以自动收集信息并将该信息传输到处理单元(例如，每小时、每30分钟、每分钟等)。

20、输入数据可以提供给预处理器或数据处理器。预处理器可以被配置成以预定格式转换数据、解决数据中的问题、清理数据、上报数据中的异常等。

21、可选地，存在于第一变电站集合和第二变电站集合中的变电站被识别为与至少一个故障子系统相关联的变电站，该至少一个故障子系统位于变电站本身内和/或位于连接到变电站的第二侧。

22、可选地，与每个变电站相关联的机器学习模型用在一个或多个时间间隔中捕获的历史数据来训练，其中变电站不存在于第一变电站集合中。

23、基于实例的处理可以基于某些历史数据来训练模型。然而，不知道历史数据是否代表了变电站和连接到变电站的第二侧的单元的正确运行。有利地，基于类的处理用于识别与其他变电站相比可能有故障和/或运行效率低下的变电站。导致这种情况的至少一个故障子系统可以位于变电站本身内和/或位于连接到变电站的第二侧(即变电站外的下游)。通过采用基于类的处理，可以更好地保证在基于实例的处理中使用正确的历史数据来训练模型。可以有效地确定用于训练机器学习模型的历史数据是否与正常/常规运行相关联。因此，基于类和基于实例的处理协同并行工作，以改进对热能交换系统中运行异常的检测。

24、在有利的示例中，如果使用正确的训练数据对用于基于实例的处理的基于实例的模型进行训练(参见使用基于类的处理至少部分地验证)，则可以使用基于实例的处理更可靠地监控连接到位于基于类的处理中识别的第一集合中的变电站的故障子系统。

25、可选地，在基于实例的处理中使用的预测输出与离开相关变电站朝向第一侧的传热介质的回流温度相关联。

26、可选地，已训练的机器学习模型是通过与相关变电站相关联的历史数据进行训练的灰盒模型。

27、灰盒模型可以是使用历史数据进行训练的数据驱动模型。灰盒模型可以被配置为对变电站本身及其所连接的部分(例如建筑物)进行建模。在一些示例中，灰盒模型是变电站及其以外的双/元模型，其中该模型包括可以使用历史数据训练的参数。与其他模型相比，灰盒模型的计算强度较低。此外，灰盒模型可以有效地应用于连接到变电站的第二侧的大量变电站和单元(例如变电站外的加热装置、建筑物等。)。

28、有利地，在一些示例中，可以使用基于类的处理来验证基于实例的模型(例如，灰盒/黑盒统计模型)，其中当基于类的处理没有检测到错误、不正确、异常和/或不佳运行时，仅使用历史训练数据。基于类的处理和基于实例的处理相结合(例如，并行执行单独的方法)可以显著改善故障子系统的检测。可以执行更精确的基于实例的处理，并且基于实例的处理可以提供对位于变电站内和/或连接到变电站的第二侧的故障子系统的更快检测。

29、可选地，灰盒模型包括具有训练参数的等效集总电路模型，例如等效电阻—电容(resistance-capacitance，rc)电路模型，其中，等效集总电路模型用于模拟在第二侧的至少一个建筑物处的热交换。

30、rc模型可以与变电站下游(参见第二侧)的建筑物/建筑相关联。散热器可以通过热交换器模型来建模。本文还设想了热交换器模型和rc模型的组合。

31、可选地，灰盒模型包括具有训练参数的热交换器模型，其中，热交换器模型用于变电站建模。

32、在一些示例中，建筑物使用包括容量和电阻的等效集总电路模型来建模。容量可能对应于建筑物容纳热量的能力。电阻可能对应于将热量散失到环境中的能力(参见取决于建筑物的绝缘)。因此，建筑物可以由(可选等效的)物理属性来表示。历史感测/测量数据可用于模型的训练参数。由此产生的灰盒模型最好地代表了建筑物的功能。已训练的灰盒模型可用于模拟建筑物的回流温度(并将其与回流温度的测量值进行比较)。模拟值和测量值(回流温度)之间的偏差可用于指示是否可能出现和/或已经可能出现了运行异常。例如，当偏差超过预定阈值时，可以推导出灰盒模型指示出现问题。这适用于集体/区域加热和集体/区域冷却。

33、在一些示例中，灰盒模型将建筑物的供应温度、进入建筑物的流量、室外温度和室内温度作为输入，并提供回流温度作为输出。然而，可以使用各种其他输入/输出参数。

34、在一些示例中，建筑物是通过rc模型来建模的。加热装置可以通过(简化的)散热器模型来表示。或者，数据驱动模型也可以用于建筑物建模。变电站可以通过热交换器模型来建模。

35、可选地，一个或多个输入包括以下中的至少一个：进入相关变电站的传热介质的供应温度、与相关变电站交换的传热介质的流速、相关变电站处的建筑物的室内温度或室外温度。

36、可选地，已训练的机器学习模型是黑盒模型。

37、黑盒可以是数据驱动的机器学习模型。应当理解，可以使用各种机器学习模型，例如人工(深度)神经网络模型(参见多层感知机)、线性回归模型、逻辑回归模型、决策树模型、支持向量机模型等。

38、在一些示例中，基于类的处理识别不存在于第一变电站集合中的变电站。仍然可以为这些变电站收集历史数据，这些变电站没有列在第一集合中，使得可以(进一步)训练在基于实例的处理中采用的黑盒机器学习模型。这样，可以保证在基于实例的处理中使用正确的历史数据来训练黑盒机器学习模型。换句话说，基于类的处理可以基于排序提供特定时间段的历史数据是否可以用于训练基于实例的处理中使用的黑盒机器学习模型的指示。此外，通过并行执行基于类和基于实例的处理，可以获得更鲁棒的故障检测。

39、可选地，预定标准包括以下中的至少一个：热功率分布、传热介质的供应温度或传热介质的回流温度。

40、回流温度可以是离开热能交换系统中的接口/变电站的传热介质被引导回第一侧的温度。功率分布可以指示在一段时间内消耗的热功率量的变化。应当理解，传热介质可以是用于传递加热/冷却的热能传递介质。

41、预定标准可以与一个或多个性能指标相关。性能指示器例如可以是指示供应温度和回流温度之间的温差的数据。例如，基于理想的温差，可以估计预期通过变电站的流体的理想立方米量。可以将实际流量与预期的理想流量进行比较，并将差异用作性能指标。附加地或替代地，可以使用各种其他性能指标，例如：指示每千瓦时使用多少流量的数据、根据提供了多少能量的回流温度、热传递效率的指标等。

42、基于类的处理可以采用被配置为创建变电站的类的类生成器。变电站可以基于某些标准(例如，主电源温度水平)进行分组。例如，由于生产侧和消耗侧之间的距离(参见热损失)，变电站可能不具有相同的供应温度。靠近生产侧(即热源)的变电站可能具有较高的供应温度，而远离热源的变电站可能具有较低的供应温度。供应温度可能影响回流温度。它提供了一种公平比较变电站的方法。附加地或替代地，也可以基于热负荷分布执行聚类。不同类型的建筑(如公寓、独栋住宅、仓库等)可能有不同的热需求分布。

43、变电站及变电站外(第二侧)的性能可以使用各种关键性能指标进行量化。一个(或多个)关键性能指标可用于确定排序。在排序中，表现最差的变电站及变电站外(例如15％、10％等)可被认为具有较高的运行异常风险。可以识别一组变电站，该组变电站的行为相对于该组其余部分的行为不同。变电站可以被跟踪，类之间的移动也可以被考虑在内。例如，客户的行为可能会影响聚类。

44、基于类的处理可以处理大量的变电站。例如，可以对一个地区/城市中在第二侧与其连接的数百甚至数千个变电站和单元进行评估。变电站和与之相关的单元可以相互比较以获得相对排序，其中，表现最差的数据点可能表明各自变电站和/或与之相关的单元(在第二侧)的异常运行。

45、基于类和基于实例的处理可以并行执行。

46、可选地，周期性地执行基于类的处理，并连续地执行基于实例的处理。

47、在一些示例中，基于类的处理基于历史数据，并且定期评估，例如每周或每月评估。在执行修复和/或维护措施后，可以进行更频繁的重新评估。由于基于类的处理可能需要足够的历史数据来识别数据中的趋势或变化，基于类的处理执行的频率可能低于基于实例的处理。基于实例的处理可用于准连续或连续评估(明显比基于类的处理更频繁)。

48、基于类的处理跟踪每个变电站和连接到每个变电站的第二侧的性能。有利地，至少最初在训练期间，基于类的处理的结果可以提供变电站及其以外(参见与其连接的第二侧)是否在正常目标参数内运行(例如，如预期的)的指示。基于该指示，可以选择用于训练的历史数据。在由基于类的处理识别的变电站或变电站之外的异常运行期间捕获的数据不用于在基于实例的处理中训练一个(或多个)模型。基于类的处理为改进基于实例的处理中的数据驱动建模提供了有利的方法。在一些示例中，如果基于实例的建模中的模型被正确训练，热能交换系统中运行异常的检测可以主要根据基于实例的处理来执行，这提供了高频和/或(准)连续评估。

49、可选地，热能交换系统是区域热能交换系统，区域热能交换系统被配置为向多个变电站提供集体的和/或集中的产热网络。

50、可选地，热能交换系统设置有至少两个变电站，优选至少十个变电站。该系统可易于扩展，并且可以使用大量的变电站。

51、在一些示例中，热能交换系统包括至少50个变电站，或者甚至至少200个变电站。根据本公开的方法和系统也可用于较大的系统，例如具有500多个变电站。

52、根据一个方面，本发明提供了一种用于检测区域热能交换系统中的运行异常的系统，其中，热能交换系统包括第一侧、第二侧、以及第一侧和第二侧之间的接口，其中，在接口的上游的第一侧产生加热/冷却，在接口的下游的第二侧消耗加热/冷却，通过连接到第一侧和第二侧的多个变电站来提供接口，每个变电站被配置为促进第一侧和第二侧之间的热能交换，系统包括处理单元，处理单元被配置为：获取对第一侧的一个或多个运行参数进行指示的测量数据，其中，测量数据是通过测量系统收集的；以及监控该测量数据以识别在接口和/或第二侧处的运行异常。

53、该系统为具有多个变电站的热能交换系统提供了有效和鲁棒的故障检测。该方法提供了一种自动统计和基于机器学习的分析技术，用于(区域加热和/或冷却)变电站和变电站外的故障检测和诊断。热能交换系统的操作员可以使用它来检测变电站内外的异常、故障和/或低效率，以便执行预测性维护。这样，可以避免系统潜在的代价高昂的故障。此外，可以防止回流温度的显著增加，从而避免热能交换系统(例如区域加热系统)的低效率。可以进一步避免运行成本的增加，从而产生更具成本效益的解决方案。

54、在一些示例中，热能交换系统包括产生热量的产热侧和包括一组构件(例如，管道、泵等)的热分配部分，热分配部分用于将热量从生产侧分配到消耗侧。客户装置可能包括变电站和内部加热系统。内部加热系统可以例如用于空间加热(以加热空间)和家用热水使用。变电站可以作为区域加热分配和用户之间的接口。例如，变电站可以包括一个或多个热交换器、阀门、管道、控制器，它们用于向用户侧提供所需的热量(将热量从第一侧传递到第二侧)。

55、如果从变电站返回到第一侧的回流温度增加，则需要更多的流量来提供相同的能量。泵送成本也会因此增加。因此，较高的回流温度可能是有害的，应该避免。解决该问题的方法之一是改善热能交换系统变电站的运行并减少和/或避免异常。

56、可选地，该处理单元包括：基于类的处理模块，配置为根据一个或多个预定标准将多个变电站分组为多个类，根据关键性能指标集合对多个变电站进行排序，并选择与变电站排序中表现最差的变电站对应的第一变电站集合；以及基于实例的处理模块，配置为通过已训练的机器学习模型对每个变电站进行建模，其中，已训练的机器学习模型被配置为基于指示测量的一个或多个输入来提供预测输出，基于实例的处理模块被配置为将已训练的机器学习模型的预测输出与测量输出进行比较，并选择该预测输出和测量输出之间的差超过预定阈值的第二变电站集合；其中，处理单元被配置为将存在于第一变电站集合和/或第二变电站集合中的变电站识别为与至少一个故障子系统相关联的变电站，至少一个故障子系统位于变电站本身和/或位于连接到该变电站的第二侧。

57、基于类的处理和基于实例的处理可以并行执行。在一些示例中，根据基于类的处理，确定时间段中的历史数据是否可用于训练基于实例的处理中采用的机器学习模型。当基于类的处理在一些时间段内没有检测到故障/不佳运行时，这些时间段内的历史数据可以用于(进一步)训练基于实例的处理中采用的机器学习模型。

58、基于实例的处理可以更快地检测具有故障、不正确、异常和/或不佳运行的子系统，然而，这种子系统的识别的鲁棒性可以通过两种处理方法一起工作(且并行执行)来增强。可以更好地验证基于实例的模型是否已经使用有效的历史数据进行了训练(子系统正常运行)。因此，本公开方法的两个耦接的处理步骤可以协同地改善热能交换系统中运行异常的检测。

59、基于实例的处理可以单独模拟每个变电站及变电站外。基于类的处理可以涉及考虑一组变电站。在基于类的处理中，可以更好地检测热能交换系统(例如，集中区域加热系统)中影响所有变电站及变电站外的一些变化。换句话说，使用基于类的处理和基于实例的处理的组合可以有效地提供可用于故障检测的附加信息。

60、根据一个方面，本发明提供了一种用于训练机器学习模型的计算机实现的方法，每个模型与热能交换系统的一个变电站相关联，热能交换系统具有多个用于促进热能交换的变电站，其中，每个已训练的机器学习模型是孪生模型，孪生模型被配置为基于指示测量数据的一个或多个输入来提供预测输出，将每个已训练的机器学习模型的预测输出和与相关变电站相关联的测量输出进行比较，其中，方法包括：根据一个或多个预定标准将多个变电站分组为多个类，根据关键性能指标集合对多个变电站进行排序，并选择与变电站排序中表现最差的变电站对应的第一变电站集合，其中，使用在一个或多个时间间隔中获取的历史数据来训练机器学习模型，其中变电站不存在于第一变电站集合中。

61、有利地，可以有效地避免用与异常运行相关联的历史数据来训练数据驱动模型。这可以通过使用来自基于类的处理的结果来防止，其中基于变电站的性能对所有变电站进行排序。如果基于排序，变电站之一被识别为异常变电站(选择)，则在这种异常运行的指示期间获得的历史数据不用于在基于实例的处理中训练模型。如果在基于类的处理中将变电站识别为常规变电站，则历史数据可以有效地用于基于实例的方法中的模型训练。

62、根据一个方面，本发明提供了一种计算机程序产品，该计算机程序产品被配置为当在处理单元上运行时，执行本公开方法的步骤。

63、应当理解，运行异常可能与变电站内核变电站外的操作故障、低效率等有关(参见设置在第二侧变电站之后的部件/单元)。不规则性例如可以是变电站的一个或多个部件中的、耦接到相应变电站的第二侧的一个或多个部件中的故障的结果(例如，客户的加热系统(如散热器等)的异常)。

64、应当理解，热能交换系统可以是集体加热和/或冷却系统。热能交换可以包括热/冷交换。

65、应当理解，根据该方法描述的任何方面、特征和选项同样适用于系统和所描述的训练方法。还将清楚的是，可以组合上述各方面、特征和选项中的任何一个或多个。