DE102017207036A1 - Method for computer-aided analysis of the operation of a production system - Google Patents
Method for computer-aided analysis of the operation of a production system Download PDFInfo
- Publication number
- DE102017207036A1 DE102017207036A1 DE102017207036.6A DE102017207036A DE102017207036A1 DE 102017207036 A1 DE102017207036 A1 DE 102017207036A1 DE 102017207036 A DE102017207036 A DE 102017207036A DE 102017207036 A1 DE102017207036 A1 DE 102017207036A1
- Authority
- DE
- Germany
- Prior art keywords
- event
- entities
- production
- operating
- events
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Abstract
Die Erfindung betrifft ein Verfahren zur rechnergestützten Analyse des Betriebs eines Produktionssystems (PS), wobei digitale Daten in der Form von mehreren zeitlich aufeinander folgenden Ereignissequenzen (ES) verarbeitet werden, welche jeweils mehrere zeitlich hintereinander aufgetretene Betriebsereignisse (E1, E2, ..., En) umfassen, welche jeweils eine Betriebsmeldung enthalten, die im Betrieb des Produktionssystems (PS) erzeugt wurde. Im erfindungsgemäßen Verfahren werden die Betriebsereignisse (E1, E2, ..., En) mit digitalen Kontextinformationen (CI) verknüpft, wodurch Ereignissequenzen (ES) aus einer Vielzahl von digitalen Entitäten (EN) entstehen. Anschließend werden unter Verwendung dieser Entitäten als Trainingsdaten digitale Repräsentationsvektoren (V) mittels eines unüberwachten Repräsentationslernens (RL) ermittelt. Das Repräsentationslernen erfolgt dabei basierend auf einer Ähnlichkeitsfunktion, welche die Ähnlichkeit von einer jeweiligen Entität (EN) zu den anderen Entitäten (EN) in der gleichen Ereignissequenz (ES) beschreibt. Das erfindungsgemäße Verfahren liefert eine robuste Repräsentation von sowohl Betriebsereignissen als auch damit verknüpften Kontextinformationen. Diese Repräsentation kann anschließend in geeigneter Weise weiterverarbeitet werden, um aussagekräftige Informationen über das Produktionssystem zu erhalten.The invention relates to a method for computer-aided analysis of the operation of a production system (PS), digital data being processed in the form of a plurality of temporally successive event sequences (ES), each of which several operating events (E1, E2,... En), each containing an operating message generated in the operation of the production system (PS). In the method according to the invention, the operating events (E1, E2,..., En) are linked to digital context information (CI), which results in event sequences (ES) from a multiplicity of digital entities (EN). Subsequently, using these entities as training data, digital representation vectors (V) are determined by means of an unsupervised representation learning (RL). Representation learning is based on a similarity function which describes the similarity of a respective entity (EN) to the other entities (EN) in the same event sequence (ES). The inventive method provides a robust representation of both operational events and context information associated therewith. This representation can then be suitably processed further in order to obtain meaningful information about the production system.
Description
Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur rechnergestützten Analyse des Betriebs eines Produktionssystems sowie ein entsprechendes Computerprogrammprodukt und Computerprogramm.The invention relates to a method and a device for computer-aided analysis of the operation of a production system and to a corresponding computer program product and computer program.
Methoden zur rechnergestützten Analyse von Betriebsdaten eines Produktionssystems stellen wichtige Werkzeuge dar, um Produktionsprozesse und den Entwurf von Produktionssystemen zu optimieren. Beispielsweise sind analytische Verfahren bekannt, um mittels FMEA-Modellen (FMEA = Failure Mode Effects Analysis) die Wechselwirkung zwischen Fehlern und deren Ursachen in Produktionssystemen festzustellen. Mit dem Ergebnis solcher Verfahren können Experten die Ursachen von schweren Betriebsfehlern bzw. Betriebsausfällen ermitteln und entsprechend beseitigen, um Standzeiten des Produktionssystems zu vermeiden, eine hohe Qualität der gefertigten Produkte zu erreichen und den Wartungsaufwand des Produktionssystems gering zu halten.Methods for the computer-aided analysis of operating data of a production system are important tools to optimize production processes and the design of production systems. For example, analytical methods are known for determining the interaction between errors and their causes in production systems by means of FMEA (Failure Mode Effects Analysis) models. The result of such procedures allows experts to identify and eliminate the causes of serious operational failures and failures in order to avoid production system downtime, achieve high quality of manufactured products, and minimize maintenance of the production system.
Bei der rechnergestützten Analyse von Produktionsprozessen besteht die Schwierigkeit, dass für den Produktionsprozess relevante Daten aus unterschiedlichen Domänen, wie Produktionsplanung, Produkt-Engineering und Produktionsausführung, stammen. Demzufolge wird oft eine gemeinsame Analyse der Daten aus allen Domänen nicht durchgeführt, was z.B. bei der Produktion von neuen Produktvarianten problematisch sein kann, sofern hierfür Prozesse genutzt werden, welche in der Vergangenheit zu Fehlern bzw. Produktionsausfällen geführt haben.The computer-aided analysis of production processes involves the difficulty that data relevant to the production process comes from different domains, such as production planning, product engineering and production execution. As a result, joint analysis of the data from all domains is often not performed, e.g. can be problematic in the production of new product variants, provided that processes are used for this, which have led in the past to errors or production losses.
Derzeit werden Betriebsdaten von Produktionssystemen, wie z.B. Sequenzen von Betriebsereignissen, basierend auf Data-Mining-Algorithmen oder graphischen Modellen, wie Bayesschen Netzen, analysiert. Zur Implementierung dieser Methoden ist ein hoher Aufwand erforderlich. Insbesondere müssen ausführliche Interviews mit Ingenieuren mit Spezialwissen über die unterschiedlichen Komponenten des Produktionssystems durchgeführt werden.Currently, operational data of production systems, such as e.g. Sequences of operational events based on data mining algorithms or graphical models, such as Bayesian networks. Implementing these methods requires a lot of effort. In particular, detailed interviews must be conducted with engineers with specialist knowledge of the different components of the production system.
Aus dem Stand der Technik sind ferner simulations-basierte Analysemethoden für Produktionssysteme bekannt. Auch diese Verfahren erfordern einen hohen Aufwand und benötigen Spezialwissen von Domänenexperten. Da Simulationsmodelle die unvermeidbare Variabilität der tatsächlichen Ausführung von physikalischen Prozessen nicht vollumfänglich beschreiben können, verlassen sie sich auch auf empirische Beobachtungen des Produktionssystems und müssen somit regelmäßig aktualisiert werden.Furthermore, simulation-based analysis methods for production systems are known from the prior art. These procedures also require a lot of effort and require specialist knowledge from domain experts. Since simulation models can not fully describe the inevitable variability of the actual execution of physical processes, they rely on empirical observations of the production system and thus need to be regularly updated.
Aufgabe der Erfindung ist es, ein Verfahren zur rechnergestützten Analyse des Betriebs eines Produktionssystems zu schaffen, mit dem aussagekräftige und gut auswertbare Informationen über Problemstellen im Betrieb des Produktionssystems gewonnen werden können.The object of the invention is to provide a method for computer-aided analysis of the operation of a production system, with which meaningful and easily evaluable information about problem areas in the operation of the production system can be obtained.
Diese Aufgabe wird durch die unabhängigen Patentansprüche gelöst. Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen definiert.This object is solved by the independent claims. Further developments of the invention are defined in the dependent claims.
Das erfindungsgemäße Verfahren dient zur rechnergestützten Analyse des Betriebs eines Produktionssystems. Unter einem Produktionssystem ist dabei eine Anlage zu verstehen, welche automatisiert ein oder mehrere Produkte fertigt bzw. herstellt.The inventive method is used for computer-aided analysis of the operation of a production system. A production system is to be understood as an installation which automatically manufactures or produces one or more products.
Im Rahmen des erfindungsgemäßen Verfahrens werden digitale Daten in der Form von mehreren zeitlich aufeinander folgenden Ereignissequenzen verarbeitet. Sofern hier und im Folgenden der Begriff „digital“ verwendet wird, wird hierdurch angezeigt, dass es sich um digitale Datenstrukturen handelt. Jede Ereignissequenz umfasst mehrere zeitlich hintereinander aufgetretene Betriebsereignisse, wobei jedes Betriebsereignis eine Betriebsmeldung enthält, die im Produktionssystem erzeugt wurde. Diese Meldung kann im Rahmen des Betriebs des Produktionssystems ggf. über eine Benutzerschnittstelle ausgegeben worden sein. Auf jeden Fall wurde die Betriebsmeldung in einem entsprechenden Speicher protokolliert.In the context of the method according to the invention, digital data are processed in the form of a plurality of sequences of temporally successive events. If the term "digital" is used here and below, this indicates that they are digital data structures. Each event sequence comprises a plurality of operational events occurring in tandem, each operational event containing an operational message generated in the production system. This message may have been issued as part of the operation of the production system via a user interface. In any case, the operating message was logged in a corresponding memory.
Im Rahmen des erfindungsgemäßen Verfahrens werden die Betriebsereignisse jeder Ereignissequenz (d.h. aller verarbeiteter Ereignissequenzen) mit digitalen Kontextinformationen verknüpft, welche zu den jeweiligen Betriebsereignissen gehören, wodurch für jede Ereignissequenz eine Vielzahl von digitalen Entitäten erhalten wird. Eine jeweilige Entität stellt dabei den Typ eines Betriebsereignisses bzw. den Typ einer Kontextinformation dar. Demzufolge wird jedes Betriebsereignis durch eine Entität des entsprechenden Typs repräsentiert. Analog werden die mit einem jeweiligen Betriebsereignis verknüpften Kontextinformationen durch eine oder mehrere Entitäten repräsentiert, je nachdem, wie viele verschiedene Typen von Kontextinformationen in den verknüpften Kontextinformationen enthalten sind. Da die Entitäten Typen spezifizieren, kann eine jeweilige Ereignissequenz ggf. mehrere gleiche Entitäten enthalten.In the method of the invention, the operational events of each event sequence (ie, all processed event sequences) are associated with digital context information associated with the respective operational events, thereby obtaining a plurality of digital entities for each event sequence. In this case, a respective entity represents the type of an operational event or the type of context information. Accordingly, each operational event is represented by an entity of the corresponding type. Similarly, the context information associated with a respective operational event is represented by one or more entities, depending on how many different types of context information in the linked context information is included. Because the entities specify types, a respective event sequence may contain multiple equal entities.
Im erfindungsgemäßen Verfahren werden für die verschiedenen Entitäten aller verarbeiteter Ereignissequenzen jeweilige digitale Repräsentationsvektoren ermittelt. Gleiche Entitäten haben somit identische Repräsentationsvektoren. Diese Ermittlung erfolgt basierend auf einem unüberwachten Repräsentationslernen, wobei die Entitäten der Ereignissequenzen die Trainingsdaten dieses Lernens darstellen. Verfahren des unüberwachten Repräsentationslernens (englisch: „Unsupervised Feature Learning“ oder „Unsupervised Representation Learning“) sind an sich bekannt und haben das Ziel, niedrigdimensionale Merkmalsvektoren aus hochdimensionalen Eingangsdaten zu generieren. Mittels des Repräsentationslernens werden die Entitäten nunmehr als Vektoren in einem Vektorraum mit einer vorgegebenen Anzahl an Dimensionen dargestellt. In the method according to the invention, respective digital representation vectors are determined for the different entities of all processed event sequences. Same entities thus have identical representation vectors. This determination is based on unsupervised representation learning, where the entities of the event sequences represent the training data of that learning. Methods of unsupervised representation learning (English: Unsupervised Feature Learning or Unsupervised Representation Learning) are known per se and have the goal of generating low-dimensional feature vectors from high-dimensional input data. By means of representation learning, the entities are now represented as vectors in a vector space with a given number of dimensions.
Insbesondere ist die vorgegebene Anzahl an Dimensionen kleiner als die Gesamtanzahl der Entitäten aller Ereignissequenzen, wobei in dieser Gesamtanzahl auch alle gleichen, mehrmals auftretenden Entitäten mitgezählt werden. Mit anderen Worten werden die einzelnen Entitäten durch niedrigdimensionale Repräsentationsvektoren dargestellt.In particular, the predetermined number of dimensions is less than the total number of entities of all event sequences, including in this total number all the same multiple occurrences of entities. In other words, the individual entities are represented by low-dimensional representation vectors.
Das unüberwachte Repräsentationslernen wird basierend auf einer Ähnlichkeits- bzw. Korrelationsfunktion durchgeführt, welche die Ähnlichkeit einer jeweiligen Entität zu den anderen Entitäten in der gleichen Ereignissequenz beschreibt. Die Einträge der erhaltenen Repräsentationsvektoren sind dabei numerische Werte in einem bestimmten Wertebereich, wobei die Repräsentationsvektoren in der Regel auf eine Einheitslänge normiert sind.The unsupervised representation learning is performed based on a similarity or correlation function describing the similarity of a respective entity to the other entities in the same event sequence. The entries of the obtained representation vectors are numerical values in a certain range of values, the representation vectors usually being normalized to one unit length.
Das erfindungsgemäße Verfahren zeichnet sich dadurch aus, dass auf einfache Weise über Repräsentationslernen Ereignissequenzen und damit verknüpfte Kontextinformationen analysiert werden, um Korrelationen in den Ereignissequenzen zu erkennen. Als Ergebnis werden Vektoren für Entitäten erhalten, welche durch weitergehende rechnergestützte Verfahren einfach ausgewertet werden können bzw. geeignet visualisiert werden können. Je nach Ausgestaltung kann das erfindungsgemäße Verfahren online während des Betriebs des Produktionssystems durchgeführt werden und in diesem Sinne das Produktionssystem überwachen. Nichtsdestotrotz kann die erfindungsgemäße Analyse auch vom Betrieb des Produktionssystems entkoppelt sein.The method according to the invention is characterized in that event sequences and associated context information are analyzed in a simple manner via representation learning in order to recognize correlations in the event sequences. As a result, vectors for entities are obtained, which can be easily evaluated by more advanced computerized methods or can be visualized appropriately. Depending on the configuration, the method according to the invention can be carried out online during the operation of the production system and monitor the production system in this sense. Nevertheless, the analysis according to the invention can also be decoupled from the operation of the production system.
In einer bevorzugten Variante des erfindungsgemäßen Verfahrens basiert die verwendete Ähnlichkeitsfunktion auf der Summe der paarweisen Skalarprodukte der jeweiligen Entität mit allen anderen Entitäten in der gleichen Ereignissequenz im Vektorraum der Entitäten.In a preferred variant of the method according to the invention, the similarity function used is based on the sum of the paired scalar products of the respective entity with all other entities in the same event sequence in the vector space of the entities.
In einer besonders bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens stammen für zumindest einen Teil der Betriebsereignisse der Ereignissequenzen die zugehörigen Kontextinformationen zumindest teilweise aus einem Produktionsverwaltungssystem. Der Begriff des Produktionsverwaltungssystems ist weit zu verstehen. Vorzugsweise handelt es sich bei diesem System um ein Produktionssteuersystem, insbesondere um ein an sich bekanntes MES-System. Alternativ oder zusätzlich kann das Produktionssystem auch ein Warenwirtschaftssystem umfassen.In a particularly preferred embodiment of the method according to the invention, the associated context information for at least part of the operating events of the event sequences originates at least in part from a production management system. The concept of the production management system is to be understood broadly. This system is preferably a production control system, in particular a MES system known per se. Alternatively or additionally, the production system may also include a merchandise management system.
Zur Verknüpfung der Kontextinformationen aus dem Produktionsverwaltungssystem mit den entsprechenden Betriebsereignissen werden vorzugsweise Zeitstempel verwendet. Dabei sind sowohl den Betriebsereignissen als auch den Kontextinformationen Zeitstempel für deren Auftreten zugeordnet. Im Rahmen der Verknüpfung werden Kontextinformationen mit dem gleichen Zeitstempel eines Betriebsereignisses mit diesem Betriebsereignis verknüpft.To link the context information from the production management system with the corresponding operational events, timestamps are preferably used. In this case, both the operating events and the context information are assigned time stamps for their occurrence. As part of the link, context information with the same timestamp of an operational event is linked to this operational event.
Gegebenenfalls stammen die Kontextinformationen zumindest zum Teil auch nicht aus einem Produktionsverwaltungssystem. In einer Variante werden für zumindest einen Teil der Betriebsereignisse der Ereignissequenzen die zugehörigen Kontextinformationen zumindest teilweise aus den jeweiligen Betriebsereignissen selbst extrahiert. Zum Beispiel können für zumindest einen Teil der Betriebsereignisse der Ereignissequenzen textuelle Ausdrücke (insbesondere Wörter) aus der Betriebsmeldung des jeweiligen Betriebsereignisses als Kontextinformationen extrahiert werden.If appropriate, the context information is at least partly not derived from a production management system. In one variant, the associated context information is at least partially extracted from the respective operating events themselves for at least a part of the operating events of the event sequences. For example, for at least a portion of the operational events of the event sequences textual expressions (in particular words) may be extracted from the operational message of the respective operational event as context information.
Je nach Ausgestaltung können die digitalen Kontextinformationen verschiedene Daten enthalten. Vorzugsweise umfassen diese Informationen eine oder mehrere der folgenden digitalen Informationen:
- - ein oder mehrere Produktionsmodule und/oder eine oder mehrere Produktionsmodul-Komponenten, die in dem Produktionssystem enthalten sind und in denen die jeweiligen Betriebsereignisse aufgetreten sind;
- - Informationen aus einer oder mehreren Stücklisten, wobei eine jeweilige Stückliste Teile angibt, welche durch das Produktionsmodul oder die Produktionsmodul-Komponente verarbeitet werden, in dem oder in der das jeweilige Betriebsereignis aufgetreten ist, wobei vorzugsweise eine oder manche der Stücklisten jeweils Zusatzinformationen zu den jeweiligen Teilen umfassen, insbesondere Chargen- und/oder Herstellerinformationen;
- - Informationen aus einer oder mehreren Prozesslisten, wobei eine jeweilige Prozessliste Prozessschritte angibt, welche durch das Produktionsmodul oder die Produktionsmodul-Komponente ausgeführt werden, in dem oder in der das jeweilige Betriebsereignis aufgetreten ist, wobei vorzugsweise eine oder manche der Prozesslisten jeweils Zusatzinformationen zu den Prozessschritten umfassen;
- - eine oder mehrere Produktvarianten, wobei eine jeweilige Produktvariante durch das Produktionsmodul oder die Produktionsmodul-Komponente gefertigt wird, in dem oder in der das jeweilige Betriebsereignis aufgetreten ist;
- - Informationen aus einer digitalen technischen Beschreibung des Produktionssystems.
- - one or more production modules and / or one or more production module components included in the production system and in which the respective operating events have occurred;
- Information from one or more parts lists, wherein a respective parts list indicates parts which are processed by the production module or the production module component in which or in which the respective operating event has occurred, preferably one or some of the parts lists each additional information to the respective Parts include, in particular batch and / or manufacturer information;
- Information from one or more process lists, wherein a respective process list indicates process steps that are executed by the production module or the production module component in which or in which the respective operating event has occurred, preferably one or some of the process lists each additional information about the process steps include;
- one or more product variants, wherein a respective product variant is produced by the production module or the production module component in which or in which the respective operating event has occurred;
- - Information from a digital technical description of the production system.
In einer weiteren Ausgestaltung wird eine spezielle Variante eines unüberwachten Repräsentationslernens durchgeführt. Im Rahmen dieser Variante wird beim unüberwachten Repräsentationslernen eine Optimierung basierend auf einem Optimierungsziel durchgeführt, das von einer Wahrscheinlichkeitsfunktion abhängt, welche die Wahrscheinlichkeit einer Kombination aus einer Entität und restlichen Entitäten in einer Ereignissequenz in der Form einer bedingten Wahrscheinlichkeit repräsentiert. Diese bedingte Wahrscheinlichkeit ist die Wahrscheinlichkeit des Auftretens der Entität unter der Bedingung des Vorhandenseins der restlichen Entitäten in der Ereignissequenz. Vorzugsweise wird als Wahrscheinlichkeitsfunktion die an sich bekannte Softmax-Verteilung (d.h. die normierte Exponentialverteilung) verwendet. Das Optimierungsziel ist dabei eine möglichst große Summe derjenigen Wahrscheinlichkeiten, deren Kombinationen aus einer Entität und restlichen Entitäten in den Trainingsdaten tatsächlich auftreten.In a further embodiment, a special variant of an unsupervised representation learning is performed. In this variant, in unsupervised representation learning, optimization is performed based on an optimization objective that depends on a probability function that represents the likelihood of a combination of an entity and remaining entities in an event sequence in the form of a conditional likelihood. This conditional probability is the probability of occurrence of the entity under the condition of the presence of the remaining entities in the event sequence. Preferably, the well-known Softmax distribution (i.e., the normalized exponential distribution) is used as the probability function. The optimization goal is the largest possible sum of those probabilities whose combinations of an entity and remaining entities actually occur in the training data.
In einer weiteren Variante des erfindungsgemäßen Verfahrens wird basierend auf den digitalen Repräsentationsvektoren ein rechnergestütztes Cluster-Verfahren zur Clusterung von ähnlichen Entitäten durchgeführt. Dabei können an sich bekannte maschinelle Lernverfahren zu dieser Clusterung genutzt werden, wie z.B. der k-Means-Algorithmus. Mit dieser Ausführungsform können auf einfache Weise Informationen über Korrelationen zwischen aufgetretenen Betriebsereignissen und Kontextinformationen abgeleitet werden. Das rechnergestützte Cluster-Verfahren kann direkt auf die digitalen Repräsentationsvektoren angewendet werden. Nichtsdestotrotz besteht auch die Möglichkeit, dass die digitalen Repräsentationsvektoren zunächst einer Dimensionsreduktion unterzogen werden, z.B. basierend auf einer PCA-Analyse (PCA = Principal Component Analysis). Das Cluster-Verfahren wird dann auf die dimensionsreduzierten Vektoren angewendet.In a further variant of the method according to the invention, a computer-aided cluster method for clustering similar entities is carried out based on the digital representation vectors. In this case, known machine learning methods can be used for this clustering, such as e.g. the k-means algorithm. With this embodiment, information about correlations between occurred operational events and context information can be easily derived. The computer-aided clustering method can be applied directly to the digital representation vectors. Nevertheless, there is also the possibility that the digital representation vectors will first undergo dimensionality reduction, e.g. based on a PCA (Principal Component Analysis) analysis. The cluster method is then applied to the reduced-dimensional vectors.
In einer weiteren Ausführungsform des erfindungsgemäßen Verfahrens wird basierend auf den digitalen Repräsentationsvektoren eine Visualisierung auf einer Anzeigeeinheit generiert, wobei aus der Visualisierung die Ähnlichkeit zwischen zumindest einem Teil der Entitäten ersichtlich wird. In einer Variante wird die Ähnlichkeit mittels einer Farb- und/oder Helligkeitskodierung in der Visualisierung wiedergegeben. Gegebenenfalls kann die Visualisierung auch erst nach einer Dimensionsreduktion der digitalen Repräsentationsvektoren erzeugt werden. Beispielsweise kann eine Dimensionsreduktion in einen zweidimensionalen oder dreidimensionalen Raum erfolgen, so dass die Vektoren in einem zweidimensionalen oder dreidimensionalen Koordinatensystem visualisiert werden können und über die Abstände zwischen den Vektoren deren Ähnlichkeiten erkannt werden können.In a further embodiment of the method according to the invention, based on the digital representation vectors, a visualization is generated on a display unit, wherein the visualization shows the similarity between at least a part of the entities. In a variant, the similarity is reproduced by means of a color and / or brightness coding in the visualization. Optionally, the visualization can also be generated only after a dimension reduction of the digital representation vectors. For example, a dimension reduction can take place in a two-dimensional or three-dimensional space, so that the vectors can be visualized in a two-dimensional or three-dimensional coordinate system and their similarities can be recognized via the distances between the vectors.
In einer weiteren Variante des erfindungsgemäßen Verfahrens wird basierend auf den digitalen Repräsentationsvektoren ein maschinelles Lernverfahren zur Prädiktion von Ereignissequenzen aus bekannten Ereignissequenzen gelernt. Beispielsweise kann hierzu ein rekurrentes neuronales Netz genutzt werden. Das Lernverfahren kann entweder direkt auf den digitalen Repräsentationsvektoren angewendet werden. Nichtsdestotrotz ist es wiederum möglich, das Lernverfahren erst nach einer Dimensionsreduktion auf die Vektoren mit verringerter Dimension anzuwenden. Über die Prädiktion von Ereignissequenzen kann das zukünftige Verhalten des Produktionssystems festgestellt werden. Ebenso können in der Vergangenheit liegende Ursachen für ein bestimmtes Verhalten des Produktionssystems ermittelt werden. Mit anderen Worten kann eine Prädiktion sowohl in die Zukunft als auch in die Vergangenheit erfolgen.In a further variant of the method according to the invention, based on the digital representation vectors, a machine learning method for prediction of event sequences from known event sequences is learned. For example, a recurrent neural network can be used for this purpose. The learning process can either be applied directly to the digital representation vectors. Nonetheless, it is again possible to apply the learning process to the diminished dimension vectors only after a dimensional reduction. The prediction of event sequences can determine the future behavior of the production system. Similarly, past causes of a specific behavior of the production system can be determined. In other words, a prediction can be made both in the future and in the past.
Neben dem oben beschriebenen Verfahren betrifft die Erfindung eine Vorrichtung zur rechnergestützten Analyse des Betriebs eines Produktionssystems, wobei in der Vorrichtung digitale Daten in der Form von mehreren zeitlich aufeinander folgenden Ereignissequenzen verarbeitbar sind, welche jeweils mehrere zeitlich hintereinander aufgetretene Betriebsereignisse umfassen, die jeweils eine Betriebsmeldung enthalten, die im Produktionssystem erzeugt wurde. Die Vorrichtung ist dabei zur Durchführung des erfindungsgemäßen Verfahrens bzw. einer oder mehrerer bevorzugter Varianten des erfindungsgemäßen Verfahrens eingerichtet. In addition to the method described above, the invention relates to a device for computer-aided analysis of the operation of a production system, wherein in the device, digital data in the form of several temporally successive event sequences are processable, each comprising a plurality of consecutively occurred operating events, each containing an operating message that was created in the production system. The device is set up to carry out the method according to the invention or one or more preferred variants of the method according to the invention.
Die Erfindung betrifft darüber hinaus ein Computerprogrammprodukt mit einem auf einem maschinenlesbaren Träger gespeicherten Programmcode zur Durchführung des erfindungsgemäßen Verfahrens bzw. einer oder mehrerer bevorzugter Varianten des erfindungsgemäßen Verfahrens, wenn der Programmcode auf einem Rechner ausgeführt wird.The invention further relates to a computer program product with a program code stored on a machine-readable carrier for carrying out the method according to the invention or one or more preferred variants of the method according to the invention when the program code is executed on a computer.
Ferner umfasst die Erfindung ein Computerprogramm, mit einem Programmcode zur Durchführung des erfindungsgemäßen Verfahrens bzw. einer oder mehrerer bevorzugter Varianten des erfindungsgemäßen Verfahrens, wenn der Programmcode auf einem Rechner ausgeführt wird.Furthermore, the invention comprises a computer program, with a program code for carrying out the method according to the invention or one or more preferred variants of the method according to the invention, when the program code is executed on a computer.
Ausführungsbeispiele der Erfindung werden nachfolgend anhand der beigefügten Figuren detailliert beschrieben.Embodiments of the invention are described below in detail with reference to the accompanying drawings.
Es zeigen:
-
1 eine schematische Darstellung einer Architektur zur Durchführung des erfindungsgemäßen Verfahrens; -
2 bis6 schematische Darstellungen, welche unterschiedliche Arten der Verknüpfung von Betriebsereignissen mit Kontextinformationen gemäß der Erfindung wiedergeben; -
7 eine schematische Darstellung zur Verdeutlichung des im erfindungsgemäßen Verfahren durchgeführten Repräsentationslernens; und -
8 bis10 verschiedene Beispiele von Visualisierungen, die basierend auf Ausführungsformen der Erfindung erzeugt wurden.
-
1 a schematic representation of an architecture for carrying out the method according to the invention; -
2 to6 schematic representations representing different ways of linking operational events with context information according to the invention; -
7 a schematic representation to illustrate the performed in the method according to the invention representation learning; and -
8th to10 various examples of visualizations generated based on embodiments of the invention.
Im Betrieb des Produktionssystems wird eine Vielzahl von Betriebsereignissen erfasst, welche Betriebsmeldungen, wie z.B. Störmeldungen, enthalten, die durch das Produktionssystem erzeugt wurden. Die Betriebsereignisse sind als Ereignissequenzen ES von zeitlich aufeinander folgenden Betriebsmeldungen in einem entsprechenden Speicher des Produktionssystems
Ziel der Erfindung ist es nunmehr, die Ereignissequenzen mit einem geeigneten rechnergestützten Verfahren zu analysieren, um hierüber weitergehende Informationen zum Betrieb des Produktionssystems abzuleiten. Um dies zu erreichen, wird in einem ersten Schritt eine Kontext-Verknüpfung CM (CM = Context Mapping) durchgeführt. Dabei wird auf Kontextinformationen
In der Ausführungsform der
Die Kontext-Verknüpfung CM wird dadurch erreicht, dass Kontextinformationen, welche den gleichen Zeitstempel wie ein entsprechendes Betriebsereignis in den Ereignissequenzen aufweisen, mit diesem Betriebsereignis verknüpft werden. Auf diese Weise enthält man durch die Kontext-Verknüpfung CM für jede Ereignissequenz ES eine Vielzahl von Entitäten EN, welche Typen von in der Ereignissequenz aufgetretenen Betriebsereignissen und Typen von damit verknüpften Kontextinformationen spezifizieren. Eine jeweilige Ereignissequenz kann somit weniger unterschiedliche Entitäten als Betriebsereignisse und Kontextinformationen enthalten, sofern bestimmte Typen von Betriebsereignissen bzw. Kontextinformationen mehrmals in der entsprechenden Ereignissequenz auftreten. The context link CM is achieved by linking context information having the same timestamp as a corresponding operational event in the event sequences to this operational event. In this way, for each event sequence ES, context context CM contains a plurality of entities EN which specify types of operational events that have occurred in the event sequence and types of context information associated therewith. Thus, a particular event sequence may contain fewer entities than operational events and context information, as long as certain types of operational events or context information occur multiple times in the corresponding event sequence.
Neben Kontextinformationen aus dem Produktionsverwaltungssystem
Zur Verdeutlichung der Kontext-Verknüpfung CM aus
In dem Beispiel der
Im Folgenden wird nochmals anhand eines einfachen Beispiels erläutert, wie die Kontext-Verknüpfung der
Wie man erkennt, umfassen die Ereignisse E1 bis E3 neben der eigentlichen Betriebsmeldung den Zeitstempel T1, T2 bzw. T3, der das Auftreten des Ereignisses spezifiziert, sowie die jeweiligen Module, in denen die Ereignisse aufgetreten sind. Mit anderen Worten ist das Ereignis E1 zum Zeitpunkt T1 im Modul M1 aufgetreten, das Ereignis E2 zum Zeitpunkt T2 im Modul M2 und das Ereignis E3 zum Zeitpunkt T3 im Modul M1.As can be seen, the events E1 to E3 comprise, in addition to the actual operating message, the time stamp T1, T2 or T3, which specifies the occurrence of the event, as well as the respective modules in which the events occurred. In other words, the event E1 has occurred in the module M1 at the time T1, the event E2 at the time T2 in the module M2 and the event E3 at the time T3 in the module M1.
Für die genannten Zeitstempel T1 bis T3 können aus dem Produktionsverwaltungssystem die folgenden Kontextinformationen extrahiert werden:
Wie man erkennt, wurde zum Zeitpunkt T1 die Produktvariante VA1 durch das Modul M1 hergestellt. Ferner wurde zum Zeitpunkt T2 ebenfalls die Produktvariante VA1 durch das Modul M2 hergestellt. Demgegenüber wurde zum Zeitpunkt T3 die Produktvariante VA2 durch das Modul M1 hergestellt.As can be seen, the product variant VA1 was produced by the module M1 at the time T1. Furthermore, at the time T2 also the product variant VA1 was produced by the module M2. In contrast, at the time T3, the product variant VA2 was produced by the module M1.
Basierend auf der Kontext-Verknüpfung erhält man über die Zuordnung einander entsprechender Zeitstempel schließlich die folgenden Entitäten für die betrachtete Ereignissequenz.
Wie man erkennt, enthält jede Ereignissequenz nunmehr die darin aufgetretenen Betriebsereignisse E1, E2 und E3 in Form entsprechender Entitäten. Ferner sind die Kontext-Entitäten der Produktvarianten VA1 und VA2 sowie der Module M1 und M2 Bestandteil der Ereignissequenz.As can be seen, each event sequence now contains the operational events E1, E2 and E3 which have occurred therein in the form of corresponding entities. Furthermore, the context entities of the product variants VA1 and VA2 as well as the modules M1 and M2 are part of the event sequence.
Wie dargelegt wurde, erhält man nach der Kontext-Verknüpfung CM der
Die Durchführung des in der hier beschriebenen Ausführungsform genutzten Embedding-Learning-Algorithmus wird nachfolgend anhand von
Im Rahmen des Embedding-Learning-Algorithmus werden viele solcher Ereignissequenzen ES verarbeitet. Der Algorithmus analysiert getrennt für jede einzelne Entität (d.h. für sowohl Betriebsereignissen als auch Kontextinformationen zugeordnete Entitäten) den diese Entität umgebenden Kontext (d.h. alle übrigen Entitäten) innerhalb der jeweiligen Ereignissequenz ES. In dem Beispiel der
Im Embedding-Learning-Algorithmus EL1 wird nunmehr jede Entität einer Ereignissequenz über eine Wahrscheinlichkeitsfunktion modelliert. Die jeweiligen Entitäten werden dabei als Vektoren in einem Vektorraum mit vorgegebener Dimension beschreiben, wobei die Dimension deutlich niedriger als die Gesamtanzahl der aufgetretenen Entitäten in den betrachteten Ereignissequenzen ist. Der Vektor einer Entität e wird im Folgenden als ve bezeichnet. Demgegenüber werden diese Vektoren in
Die Wahrscheinlichkeit des Auftretens einer Entität mit dem Vektor ve unter der Bedingung des entsprechenden Kontextes C wird durch folgende Verteilung beschrieben:
Gemäß dem Nenner dieser Wahrscheinlichkeitsverteilung wird über alle Entitäten einer Ereignissequenz summiert, welche nicht der gerade betrachteten Entität e entspricht. Die obige Wahrscheinlichkeitsverteilung stellt dabei die sog. Softmax-Verteilung dar, bei der es sich um die normierte Exponentialverteilung handelt. Das Argument S() dieser Wahrscheinlichkeitsverteilung ist eine Ähnlichkeits- bzw. Korrelationsfunktion zwischen dem Vektor ve der betrachteten Entität und dem entsprechenden Kontext C. In der hier beschriebenen Variante hängt diese Ähnlichkeitsfunktion von der Summe der paarweisen Skalarprodukte aus dem betrachteten Ereignisvektor ve mit den jeweiligen Vektoren des Kontextes C ab. Beispielsweise kann die Ähnlichkeitsfunktion dieser Summe entsprechen bzw. den Mittelwert der paarweisen Skalarprodukte darstellen.According to the denominator of this probability distribution, all entities of an event sequence are summed which does not correspond to the entity e currently being considered. The above probability distribution represents the so-called Softmax distribution, which is the normalized exponential distribution. The argument S () of said probability distribution is a similarity or correlation function between the vector v e of the subject entity and the corresponding context C. In the variant described here this similarity function depends on the sum of the pair of scalar products of the considered event vector v e with the respective vectors of the context C. For example, the similarity function may correspond to this sum or represent the mean value of the paired scalar products.
Mittels des Embedding-Learning-Algorithmus wird ein Optimierungsproblem basierend auf dem Optimierungsziel gelöst, das alle Wahrscheinlichkeiten, für welche es in den verarbeiteten Ereignissequenzen in der Tat die Kombination aus einem Vektor ve und einem entsprechenden Kontext C gibt, maximiert wird. Zur Beschreibung dieses Optimierungsziels wird eine sog. Negative-Sampling-Technik genutzt. Mit anderen Worten wird das Optimierungsziel über eine Funktion beschrieben, welche die negative Summe über den Logarithmus der Wahrscheinlichkeiten ist. Diese Zielfunktion ist dann im Rahmen der Optimierung zu minimieren.By means of the embedding learning algorithm, an optimization problem is solved based on the optimization objective, which maximizes all the probabilities for which there is, in fact, the combination of a vector v e and a corresponding context C in the processed event sequences. To describe this optimization goal, a so-called negative-sampling technique is used. In other words, the optimization objective is described by a function which is the negative sum over the logarithm of the probabilities. This objective function is then to be minimized as part of the optimization.
Das genannte Optimierungsproblem kann in an sich bekannter Weise mit einem stochastischen Gradientenabstiegs-Verfahren gelöst werden, wobei hierfür bekannte Bibliotheken des maschinellen Lernens in C++ genutzt werden können. Als Ergebnis des beschriebenen Algorithmus erhält man somit eine verteilte Repräsentation DR, welche aus einer Vielzahl von Repräsentationsvektoren V besteht, wobei jeder Repräsentationsvektor eine in den Ereignissequenzen aufgetretene Entität repräsentiert. Gleiche Entitäten haben dabei identische Repräsentationsvektoren. Üblicherweise sind die Vektoren in dem Vektorraum auf eins normiert.The aforementioned optimization problem can be solved in a manner known per se with a stochastic gradient descent method, using known machine learning libraries in C ++ for this purpose. As a result of the described algorithm, one thus obtains a distributed representation DR consisting of a plurality of representation vectors V, each representation vector representing an entity which has appeared in the event sequences. Identical entities have identical representation vectors. Usually, the vectors in the vector space are normalized to one.
Mittels dieser Repräsentationsvektoren können dann je nach Ausgestaltung des erfindungsgemäßen Verfahrens verschiedene weitere Verarbeitungsschritte durchgeführt werden. In
Gemäß dem Verarbeitungsschritt PR werden die über das Repräsentationslernen erhaltenen Vektoren V als Trainingsdaten für ein weiteres maschinelles Lernverfahren genutzt, wobei hierfür in einer bevorzugten Variante ein rekurrentes neuronales Netz verwendet wird. Mit einem solchen Lernverfahren können dann basierend auf früheren Ereignissequenzen neue Ereignissequenzen prädiziert werden, wodurch das Verhalten des Produktionssystems vorhergesagt werden kann. Gegebenenfalls kann auch eine zeitlich rückwärts gerichtete Prädiktion durchgeführt werden, indem aus einer aktuellen Ereignissequenz früher aufgetretene Sequenzen abgeleitet werden. Auf diese Weise können Ursachen für ein bestimmtes Betriebsverhalten des Produktionssystems ermittelt werden. Im Rahmen der Prädiktionsschritts PR kann ggf. zunächst eine Dimensionsreduktion der entsprechenden Vektoren mit geeigneten Verfahren, wie z.B. einer PCA-Analyse (PCA = Principal Component Analysis), durchgeführt werden. Das entsprechende maschinelle Lernverfahren wird dann auf die Vektoren mit der reduzierten Dimension angewandt.According to the processing step PR, the vectors V obtained via the representation learning are used as training data for a further machine learning method, whereby in a preferred variant a recurrent neural network is used for this purpose. With such a learning method, new event sequences can then be predicated based on earlier event sequences, thereby reducing the behavior of the production system can be predicted. Optionally, a temporally backward prediction can be carried out by deducing earlier sequences from a current event sequence. In this way, causes for a specific operating behavior of the production system can be determined. In the context of the prediction step PR, a dimension reduction of the corresponding vectors may initially be carried out using suitable methods, such as, for example, a PCA (Principal Component Analysis) analysis. The corresponding machine learning procedure is then applied to the reduced dimension vectors.
Bei einer Nachverarbeitung basierend auf einer Clusterung CL werden mit einem an sich bekannten Cluster-Verfahren, wie z.B. dem k-Means-Algorithmus, die Vektoren klassifiziert, d.h. in entsprechende Cluster gruppiert. Mittels einer solchen Clusterung können Ausreißer identifiziert werden, d.h. Entitäten, die weit außerhalb der gebildeten Cluster liegen. Die soeben beschriebene Clusterung kann ggf. auch wieder in einem Vektorraum mit reduzierter Dimension durchgeführt werden, d.h. vor der Clusterung werden die Vektoren einer Dimensionsreduktion unterzogen, z.B. basierend auf einer PCA-Analyse.In a post-processing based on a clustering CL, a cluster process known per se, such as e.g. the k-means algorithm classifying vectors, i. grouped into corresponding clusters. By means of such clustering outliers can be identified, i. Entities that are far outside of the formed clusters. If necessary, the clustering just described can also be carried out again in a reduced-dimensional vector space, i. prior to clustering, the vectors are dimensionally reduced, e.g. based on a PCA analysis.
Eine Nachverarbeitung basierend auf einer Visualisierung VI wird nachfolgend anhand der Beispiele der
Die dargestellte Visualisierung der
Die im Vorangegangenen beschriebenen Ausführungsformen der Erfindung weisen eine Reihe von Vorteilen auf. Insbesondere wird eine robuste rechnergestützte Analyse eines Produktionssystems basierend auf Repräsentationslernen mittels im Produktionssystem aufgetretener Ereignisse erreicht. Als Ergebnis erhält man Repräsentationsvektoren, mit denen weitergehende Auswertungen bzw. Visualisierungen durchgeführt werden können. Das erfindungsgemäße Verfahren lernt dabei Korrelationen zwischen Betriebsereignissen und Kontextinformationen, welche zur Diagnose und Optimierung des Produktionssystems genutzt werden können. Im Besonderen können Erkenntnisse über die Interaktion zwischen Ereignissen und Kontextinformationen abgeleitet werden. Hierüber lassen sich die Qualität von analytischen Modellen zur Beschreibung von Produktionssystemen verbessern. Darüber hinaus weist das Verfahren eine hohe Skalierbarkeit auf, sofern effiziente Lernalgorithmen eingesetzt werden.The embodiments of the invention described above have a number of advantages. In particular, a robust computer-aided analysis of a production system based on representation learning is achieved by means of events occurring in the production system. As a result, one obtains representation vectors with which further evaluations or visualizations can be carried out. The method according to the invention learns correlations between operating events and context information which can be used for the diagnosis and optimization of the production system. In particular, insights into the interaction between events and contextual information can be derived. This can improve the quality of analytical models for describing production systems. In addition, the method has a high scalability, provided that efficient learning algorithms are used.
Das erfindungsgemäße Verfahren kann z.B. in einer Produkt- bzw. Produktions-Engineering-Software umgesetzt werden, um die Produktion eines herzustellenden Produkts mit dem entsprechenden Produktionssystem, aus dem die Ereignissequenzen stammen, zu optimieren. Ferner kann das erfindungsgemäße Verfahren in einem MES-System implementiert werden, um Ursachen für fehlerhaftes Verhalten des Produktionssystems zu ermitteln und somit einen robusten Betrieb des Produktionssystems zu gewährleisten. Darüber hinaus kann das erfindungsgemäße Verfahren in Software zum Entwurf von Produktionssystemen eingesetzt werden.The method of the invention may e.g. be implemented in product or production engineering software to optimize the production of a product to be manufactured with the appropriate production system from which the event sequences originate. Furthermore, the method according to the invention can be implemented in an MES system in order to determine causes for faulty behavior of the production system and thus to ensure a robust operation of the production system. In addition, the inventive method can be used in software for the design of production systems.
Claims (15)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017207036.6A DE102017207036A1 (en) | 2017-04-26 | 2017-04-26 | Method for computer-aided analysis of the operation of a production system |
PCT/EP2018/060574 WO2018197550A1 (en) | 2017-04-26 | 2018-04-25 | Method for the computer-aided analysis of the operation of a production system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017207036.6A DE102017207036A1 (en) | 2017-04-26 | 2017-04-26 | Method for computer-aided analysis of the operation of a production system |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102017207036A1 true DE102017207036A1 (en) | 2018-10-31 |
Family
ID=62148315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102017207036.6A Withdrawn DE102017207036A1 (en) | 2017-04-26 | 2017-04-26 | Method for computer-aided analysis of the operation of a production system |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102017207036A1 (en) |
WO (1) | WO2018197550A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021210025A1 (en) | 2021-09-10 | 2023-03-16 | Zf Friedrichshafen Ag | Planning system for creating an order plan for at least one component and training method |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060053342A1 (en) * | 2004-09-09 | 2006-03-09 | Bazakos Michael E | Unsupervised learning of events in a video sequence |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9842302B2 (en) * | 2013-08-26 | 2017-12-12 | Mtelligence Corporation | Population-based learning with deep belief networks |
EP3180662B1 (en) * | 2014-09-25 | 2019-11-20 | Siemens Aktiengesellschaft | Control apparatus of an automation system |
-
2017
- 2017-04-26 DE DE102017207036.6A patent/DE102017207036A1/en not_active Withdrawn
-
2018
- 2018-04-25 WO PCT/EP2018/060574 patent/WO2018197550A1/en active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060053342A1 (en) * | 2004-09-09 | 2006-03-09 | Bazakos Michael E | Unsupervised learning of events in a video sequence |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021210025A1 (en) | 2021-09-10 | 2023-03-16 | Zf Friedrichshafen Ag | Planning system for creating an order plan for at least one component and training method |
Also Published As
Publication number | Publication date |
---|---|
WO2018197550A1 (en) | 2018-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0852759B1 (en) | Drafting method for industrial and building systems and computer-controlled planning system for use in said method | |
DE102017222616A1 (en) | A method for automatically creating rules for rule-based anomaly detection in a data stream | |
DE10241746B4 (en) | Method for cyclic quality assessment and process monitoring in periodical production processes | |
EP3736817A1 (en) | Checking and / or improvement in the consistency of data codes in medical image processing | |
EP3970113A1 (en) | Determining the level of wear of a tool | |
DE102019217613A1 (en) | METHOD OF DIAGNOSING AN ENGINE CONDITION AND DIAGNOSTIC MODELING METHOD FOR THEREOF | |
DE102016012451A1 (en) | Method for monitoring, analyzing and operating at least one production facility | |
EP1055180B1 (en) | Method and device for designing a technical system | |
DE102020207449B4 (en) | Method, computer program and device for processing signals | |
EP2808749A1 (en) | Method for the exchange of control information between operating and observation devices of an industrial automation system and industrial automation system | |
DE102017207036A1 (en) | Method for computer-aided analysis of the operation of a production system | |
EP3786853A1 (en) | Compression of a deep neural network | |
WO2019233735A1 (en) | Method for quality assurance during the production of a product, computing device and computer program | |
EP3901713B1 (en) | Method and device for operating a technical system with optimal model | |
DE102018221684A1 (en) | Device and method for anomaly detection and for training a model for anomaly detection | |
EP1157317B1 (en) | Method and device for reducing a number of measured values of a technical system | |
DE102020119853B3 (en) | Method for controlling an automation system with visualization of program objects of a control program of the automation system and automation system | |
EP4060433A1 (en) | Method and system for predicting the operation of a technical system | |
DE202021101570U1 (en) | System for displaying the status of an automation system | |
EP3951529A1 (en) | Monitoring device and method for detection of abnormalities | |
EP3953865A1 (en) | Method, device, and computer program for operating a deep neural network | |
DE102019131613A1 (en) | Method for operating an electronic computing device for a product development process using machine learning, as well as electronic computing device | |
EP1717651B1 (en) | Method and system for analysing events related to operating a vehicle | |
EP2996001A1 (en) | Method for computer-based analysis of a data set from observations | |
EP1157311B1 (en) | Method and device for designing a technical system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: G06Q0010060000 Ipc: G07C0003080000 |
|
R016 | Response to examination communication | ||
R082 | Change of representative | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |