DE102022200694A1

DE102022200694A1 - Manufacturing method for a monitoring device for an automation system

Info

Publication number: DE102022200694A1
Application number: DE102022200694.1A
Authority: DE
Inventors: Simon Weilandt
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 2022-01-21
Filing date: 2022-01-21
Publication date: 2023-08-10
Also published as: WO2023139081A1

Abstract

Die Erfindung betrifft ein Verfahren (100) zum Herstellen einer Überwachungsvorrichtung (80) für eine Automatisierungsanlage (30). Die Automatisierungsanlage (30) umfasst eine Mehrzahl an Geräten (12), die mittelbar über eine Steuereinheit (41) oder unmittelbar miteinander verbunden sind. Das Verfahren (100 umfasst einen ersten Schritt (110), in dem ein Bereitstellen von Geräten (12) einer ersten Baugruppe (11) der Automatisierungsanlage (30) in einem aktiven Betriebszustand erfolgt. Es folgt ein zweiter Schritt (120), in dem Kandidaten-Korrelationen (22) zwischen einer Mehrzahl an Paaren von Geräten (12) der ersten Baugruppe (11) erstellt werden. Weiter umfasst das Verfahren (100) einen dritten Schritt (130), in dem ein Betätigen von zumindest einem ersten Gerät (12) durchgeführt wird, das als Aktor (13) ausgebildet ist. Ebenso erfolgt ein Erfassen von Messwerten (23) der Geräte (12), die mit dem Aktor (13) verbunden sind und ein Ermitteln eines zugehörigen Korrelationswerts (25). Ein vierter Schritt (140) des Verfahrens (100) umfasst ein Erkennen einer Nullkorrelation (24) zwischen dem ersten Gerät (12) und einem damit verbundenen zweiten Gerät (16), wenn der Korrelationswert (25) einen einstellbaren Korrelationsschwellenwert (27) betragsmäßig unterschreitet und Löschen der Nullkorrelation (24).The invention relates to a method (100) for producing a monitoring device (80) for an automation system (30). The automation system (30) comprises a plurality of devices (12) which are connected to one another directly or indirectly via a control unit (41). The method (100) comprises a first step (110) in which devices (12) of a first module (11) of the automation system (30) are made available in an active operating state. A second step (120) follows in the candidate - correlations (22) between a plurality of pairs of devices (12) of the first assembly (11) are created. The method (100) further comprises a third step (130), in which an actuation of at least one first device (12) is carried out, which is designed as an actuator (13).Measured values (23) of the devices (12) that are connected to the actuator (13) are also recorded and an associated correlation value (25) is determined.A fourth step ( 140) of the method (100) includes detecting a zero correlation (24) between the first device (12) and a second device (16) connected thereto if the correlation value (25) falls below an adjustable correlation threshold value (27) in terms of absolute value and deleting the zero correlation (24).

Description

Die Erfindung betrifft ein Verfahren zur Herstellung einer Überwachungsvorrichtung einer Automatisierungsanlage. Ebenso betrifft die Erfindung ein Computerprogrammprodukt, das zum Durchführen eines solchen Verfahrens ausgebildet ist. Die Erfindung betrifft auch eine Überwachungsvorrichtung, die nach einem derartigen Verfahren hergestellt ist und eine übergeordnete Steuereinheit, die mit einem solchen Computerprogrammprodukt ausgestattet ist. Ferner betrifft die Erfindung eine Automatisierungsanlage, die über eine Überwachungseinrichtung verfügt, die mittels eines entsprechenden Verfahrens hergestellt ist.The invention relates to a method for producing a monitoring device for an automation system. The invention also relates to a computer program product that is designed to carry out such a method. The invention also relates to a monitoring device that is manufactured using such a method and a higher-level control unit that is equipped with such a computer program product. The invention also relates to an automation system that has a monitoring device that is produced using a corresponding method.

Die Patentanmeldung CN 111967486 A offenbart ein Fehlerdiagnoseverfahren, das auf einer Sensorfusion basiert. Das Fehlerdiagnoseverfahren umfasst, dass im laufenden Betrieb einer komplexen Anlage mittels Sensoren Daten erfasst werden. Die Signale, in denen die Daten enthalten sind, werden aufbereitet und als eindimensionale Datensätze bereitgestellt. Die eindimensionalen Datensätze werden zu einem zweidimensionalen Datenfeld kombiniert. Die zweidimensionalen Datenfelder werden als Eingabe für einen selbstlernenden Algorithmus verwendet, um ein neuronales Netz zu erzeugen.The patent application CN 111967486A discloses a fault diagnosis method based on sensor fusion. The error diagnosis method includes data being recorded by sensors during ongoing operation of a complex system. The signals containing the data are processed and made available as one-dimensional data sets. The one-dimensional data sets are combined into a two-dimensional data array. The two-dimensional arrays of data are used as input to a self-learning algorithm to create a neural network.

In der Promotionsschrift mit dem Titel „Design and formal analysis of Petri Net based Logic Control Algorithms“ von Georg Frey wird die Erstellung von Steuerungsalgorithmen anhand von Petri-Netzen vorgeschlagen.In the doctoral thesis entitled "Design and formal analysis of Petri Net based Logic Control Algorithms" by Georg Frey, the creation of control algorithms based on Petri nets is proposed.

Automatisierungsanlagen weisen eine steigende Anzahl an Sensoren und Aktoren auf, wodurch sich für deren Herstellung und Betrieb eine steigende Komplexität ergibt. Infolgedessen steigen der Fertigungsaufwand bei Prozessautomatisierungsanlagen und dabei auch die Fehleranfälligkeit. Dies gilt unter anderem für Überwachungsvorrichtungen, die zum Überwachen des Betriebs solcher Automatisierungsanlagen vorgesehen sind. Es besteht Bedarf an einer Möglichkeit, die Bereitstellung einer solchen Überwachungsvorrichtung zu beschleunigen und gleichzeitig die damit einhergehende Fehleranfälligkeit zu reduzieren.Automation systems have an increasing number of sensors and actuators, resulting in increasing complexity for their manufacture and operation. As a result, the production costs for process automation systems increase, as does the susceptibility to errors. This applies, among other things, to monitoring devices that are provided for monitoring the operation of such automation systems. There is a need for a way of speeding up the provision of such a monitoring device and at the same time reducing the associated susceptibility to errors.

Die Aufgabenstellung wird durch ein erfindungsgemäßes Verfahren zur Herstellung einer Überwachungsvorrichtung für eine Automatisierungsanlage gelöst. Die Automatisierungsanlage umfasst eine Mehrzahl an Geräten, durch deren Zusammenwirken die Funktion der Automatisierungsanlage bereitgestellt wird. Die Geräte können dazu als Aktoren ausgebildet sein, durch die im Betrieb auf einen Anlagenprozess eingewirkt wird. Alternativ können die Geräte auch als Sensoren ausgebildet sein, durch die eine mit dem Anlagenprozess zusammenhängende Größe erfassbar ist. Die Geräte sind mittelbar über eine Steuereinheit oder unmittelbar miteinander verbunden. Dementsprechend sind die Geräte ansteuerbar und Messwerte von diesen auslesbar, also empfangbar. Das Verfahren umfasst einen ersten Schritt, in dem Gerät einer ersten Baugruppe der Automatisierungsanlage in einem aktiven Betriebszustand bereitgestellt werden. Unter einem aktiven Betriebszustand ist zu verstehen, dass die Geräte in der ersten Baugruppe bestimmungsgemäß montiert sind und funktionstüchtig sind. Die erste Baugruppe kann eine Untermenge aller Geräte sein, die in der Automatisierungsanlage verwendet werden.The task is solved by a method according to the invention for producing a monitoring device for an automation system. The automation system includes a plurality of devices, through the interaction of which the function of the automation system is provided. For this purpose, the devices can be in the form of actuators which act on a system process during operation. Alternatively, the devices can also be in the form of sensors, by means of which a variable associated with the system process can be detected. The devices are connected to one another indirectly via a control unit or directly. Accordingly, the devices can be controlled and measured values can be read from them, i.e. they can be received. The method includes a first step in which devices are made available to a first assembly of the automation system in an active operating state. An active operating state means that the devices in the first assembly are installed as intended and are functional. The first module can be a subset of all devices that are used in the automation system.

Das Verfahren umfasst weiter einen zweiten Schritt, in dem zwischen einer Mehrzahl an Paaren von Geräten der ersten Baugruppe Kandidaten-Korrelationen erstellt werden. Die Paare von Geräten sind folglich über die jeweilige Kandidaten-Korrelation verknüpft. Unter einer Kandidaten-Korrelation ist ein quantitativer Zusammenhang zu verstehen, der zum Zeitpunkt der Erstellung frei von einem empirisch oder theoretisch erstellten Korrelationswert ist. Durch die Kandidaten-Korrelation ist für das weitere Verfahren festgelegt, dass während des zweiten Schritts ein zumindest indirekter physikalischer Zusammenhang zwischen den derart miteinander verbundenen Geräten für möglich gehalten wird. Die Kandidaten-Korrelationen werden im zweiten Schritt unabhängig von bekannten oder vermuteten physikalischen Zusammenhängen zwischen den jeweiligen Geräten erstellt. Die Erstellung der Kandidaten-Korrelationen erfolgt somit für die jeweiligen Geräte pauschal. Des Weiteren umfasst das Verfahren einen dritten Schritt, in dem zumindest ein erstes Gerät der ersten Baugruppe betätigt wird. Das erste Gerät ist dazu als Aktor ausgebildet, der zu einem Einwirken auf den Anlagenprozess geeignet ist. Durch das Betätigen des ersten Geräts wird eine physikalische Wirkung hervorgerufen, die in Form von Messwerten der Geräte erfassbar ist, die über Kandidaten-Korrelationen mit dem ersten Gerät verknüpft sind. Zu den Messwerten wird, bezogen auf die jeweilige Kandidaten-Korrelation, ein zugehöriger Korrelationswert ermittelt. Der Korrelationswert ist dazu ausgebildet, quantitativ eine Intensität eines Zusammenhangs zwischen der Betätigung des ersten Geräts und dem entsprechenden über die Kandidaten-Korrelation verknüpften Geräts wiederzugeben.The method further comprises a second step in which candidate correlations are established between a plurality of pairs of devices of the first assembly. The pairs of devices are consequently linked via the respective candidate correlation. A candidate correlation is to be understood as meaning a quantitative relationship which, at the time of creation, is free of an empirically or theoretically created correlation value. The candidate correlation stipulates for the further method that during the second step an at least indirect physical connection between the devices connected to one another in this way is considered possible. In the second step, the candidate correlations are created independently of known or suspected physical relationships between the respective devices. The creation of the candidate correlations is therefore carried out for the respective devices. The method also includes a third step, in which at least one first device of the first assembly is actuated. For this purpose, the first device is designed as an actuator which is suitable for influencing the system process. Actuating the first device causes a physical effect that can be detected in the form of measured values of the devices that are linked to the first device via candidate correlations. An associated correlation value is determined for the measured values, based on the respective candidate correlation. The correlation value is designed to quantitatively reflect an intensity of a connection between the actuation of the first device and the corresponding device linked via the candidate correlation.

Ferner umfasst das Verfahren einen vierten Schritt, in dem eine Nullkorrelation zwischen dem ersten Gerät und einem damit verbundenen, also über eine Kandidaten-Korrelation verknüpften, zweiten Gerät, erkannt wird. Die Nullkorrelation wird erkannt, wenn der zugehörige Korrelationswert, der im dritten Schritt ermittelt wird, einen einstellbaren Korrelationsschwellenwert betragsmäßig unterschreitet. Der Korrelationsschwellenwert ist durch einen Benutzer und/oder einen Algorithmus einstellbar. Der Korrelationsschwellenwert gibt vor, unterhalb welcher betragsmäßigen Grenze ein zumindest anscheinend vorliegender physikalischer Zusammenhang zwischen dem ersten und zweiten Gerät als vernachlässigbar einzustufen ist. Dementsprechend wird die zwischen dem ersten und zweiten Gerät vorliegende Kandidaten-Korrelation im dritten Schritt als Nullkorrelation eingestuft und gelöscht.The method also includes a fourth step, in which a zero correlation between the first device and a second device connected thereto, ie linked via a candidate correlation, is detected. The zero correlation is recognized when the associated correlation value, which is determined in the third step, is an adjustable one Correlation threshold falls below in terms of amount. The correlation threshold is adjustable by a user and/or an algorithm. The correlation threshold value specifies the limit below which an at least apparently existing physical connection between the first and second device is to be classified as negligible. Accordingly, in the third step, the candidate correlation present between the first and second device is classified as zero correlation and deleted.

Alternativ weist das Verfahren einen fünften Schritt auf, in dem eine Betriebskorrelation zwischen dem ersten und zweiten Gerät erkannt wird, wenn der Korrelationswert, der im dritten Schritt ermittelt wird, den einstellbaren Korrelationsschwellenwert betragsmäßig überschreitet. Komplementär zum Ablauf im vierten Schritt wird die vorliegende Kandidaten-Korrelation im fünften Schritt als betriebsrelevant eingestuft. Dementsprechend besteht somit zwischen dem ersten und zweiten Gerät ein physikalischer Zusammenhang, der in der herzustellenden Überwachungsvorrichtung wiederzugeben ist. Im fünften Schritt wird die Kandidaten-Korrelation zwischen dem ersten und zweiten Gerät als eine Betriebskorrelation eingestuft.Alternatively, the method has a fifth step, in which an operating correlation between the first and second device is detected if the correlation value, which is determined in the third step, exceeds the adjustable correlation threshold value in terms of absolute value. Complementary to the procedure in the fourth step, the present candidate correlation is classified as operationally relevant in the fifth step. Accordingly, there is a physical connection between the first and second device, which is to be reflected in the monitoring device to be produced. In the fifth step, the candidate correlation between the first and second device is classified as an operational correlation.

Die so erkannte Betriebskorrelation zwischen dem ersten und zweiten Gerät gehört zu einem ersten Teilnetz eines neuronalen Netzes. Das neuronale Netz wiederum gehört zur herzustellenden Überwachungsvorrichtung. Das erste Teilnetz wird in der Überwachungsvorrichtung gespeichert. Dadurch wird der Überwachungsvorrichtung das Vorliegen von zumindest einem physikalischen Zusammenhang in der Automatisierungsvorrichtung in zuverlässiger Weise selbsttätig vermittelt. Das erfindungsgemäße Verfahren erstellt eine Vielzahl an Kandidaten-Korrelationen, so dass auch von einem Benutzer unvermutete physikalische Zusammenhänge im Wesentlichen automatisch experimentell erkannt werden. Dementsprechend bietet ein so erstelltes erstes Teilnetz bzw. neuronales Netz einer Überwachungsvorrichtung einen erhöhten Grad an Modellabbildungstreue. Dadurch, dass ein Durchlauf des beanspruchten Verfahrens lediglich für Geräte einer ersten Baugruppe durchgeführt wird, ist die Anzahl der Kandidaten-Korrelationen, die darauf zu prüfen sind, ob sie Nullkorrelationen oder Betriebskorrelationen sind, verringert. Insbesondere wird so der für das Verfahren notwendige Rechenaufwand minimiert. Das erfindungsgemäße Verfahren ist somit auch auf Hardware mit geringer Rechenleistung zuverlässig ausführbar. Die so hergestellte Überwachungsvorrichtung mit dem neuronalen Netz, das das erste Teilnetz umfasst, wird weiter Benutzung bereitgestellt. Durch das Speichern des neuronalen Netzes in der Überwachungsvorrichtung ist diese in der angestrebten Form hergestellt.The operating correlation between the first and second devices identified in this way belongs to a first sub-network of a neural network. The neural network in turn belongs to the monitoring device to be produced. The first subnet is stored in the monitoring device. As a result, the presence of at least one physical relationship in the automation device is automatically communicated to the monitoring device in a reliable manner. The method according to the invention creates a large number of candidate correlations, so that physical relationships unexpected by a user are essentially automatically recognized experimentally. Accordingly, a first sub-network or neural network created in this way offers a monitoring device an increased degree of model fidelity. Because the claimed method is run through only for devices in a first assembly, the number of candidate correlations that need to be checked to determine whether they are zero correlations or operational correlations is reduced. In particular, the computing effort required for the method is minimized in this way. The method according to the invention can therefore also be reliably executed on hardware with low computing power. The thus manufactured monitoring device with the neural network comprising the first sub-network is further provided for use. By storing the neural network in the monitoring device, this is produced in the desired form.

In einer Ausführungsform des beanspruchten Verfahrens kann der Korrelationsschwellenwert als Absolutwert oder als Relativwert ausgebildet sein. Ein Absolutwert stellt ein einfaches Kriterium dar, durch das Nullkorrelationen schnell ermittelbar sind. Durch Vorgeben eines Absolutwerts als Korrelationsschwellenwert sind beispielsweise Erfahrungswerte aus baugleichen oder bauähnlichen ersten Baugruppen anderer Automatisierungsanlagen gezielt nutzbar. Ein Relativwert als Korrelationsschwellenwert hingegen erlaubt es, eine gleitende Grenze zwischen Nullkorrelationen und Betriebskorrelationen zu definieren. Beispielsweise kann durch den Relativwert definiert werden, dass nur solche Kandidatenkorrelationen als Betriebskorrelationen erkannt, also eingestuft werden, die die Nullkorrelationen mit ihren betragsmäßig geringeren Korrelationswerten signifikant überragen. Hierzu können beispielsweise Parameter statistischer Verteilungen oder Verteilungsparameter wie ein Gini-Koeffizient verwendet werden. Dadurch ist auch in ersten Baugruppen von Automatisierungsanlagen realisierbar, zu denen höchstens geringfügige Erfahrungswerte vorliegen. Das beanspruchte Verfahren ist folglich in puncto Geschwindigkeit und Adaptivität in einfacher Weise anpassbar.In one embodiment of the claimed method, the correlation threshold value can be embodied as an absolute value or as a relative value. An absolute value represents a simple criterion by which zero correlations can be determined quickly. By specifying an absolute value as a correlation threshold value, for example, empirical values from structurally identical or structurally similar first assemblies of other automation systems can be used in a targeted manner. A relative value as a correlation threshold, on the other hand, makes it possible to define a sliding boundary between zero correlations and operational correlations. For example, the relative value can be used to define that only such candidate correlations are recognized as operational correlations, ie classified, which significantly exceed the zero correlations with their lower correlation values in terms of amount. For this purpose, for example, parameters of statistical distributions or distribution parameters such as a Gini coefficient can be used. As a result, it can also be implemented in the first assemblies of automation systems for which there are at most insignificant empirical values. The claimed method can therefore be easily adapted in terms of speed and adaptivity.

Des Weiteren kann im beanspruchten Verfahren jedes Gerät der ersten Baugruppe nach dem zweiten Schritt mit jedem anderen Gerät der ersten Baugruppe über eine Kandidaten-Korrelation verknüpft sein. Folglich werden im zweiten Schritt alle kombinatorisch möglichen Kandidaten-Korrelationen zwischen den Geräten der ersten Baugruppe erzeugt. Der zweite Schritt wird hierdurch vereinfacht und kann im Wesentlichen selbsttätig durchgeführt werden. Eingaben durch den Benutzer oder Berechnungen weitergehender Algorithmen sind für den zweiten Schritt somit entbehrlich. Ferner werden so auch für unvermutete physikalische Zusammenhänge Kandidaten-Korrelationen erzeugt. Ein Übersehen solcher physikalischer Zusammenhänge durch den Benutzer wird dadurch vermieden, wodurch die herzustellende Überwachungsvorrichtung ein weiter gesteigertes Maß an Abbildungstreue aufweist. Weiter wird das Verfahren durch eine derartige Ausgestaltung des zweiten Schritts beschleunigt.Furthermore, in the claimed method, each device of the first assembly can be linked to each other device of the first assembly via a candidate correlation after the second step. Consequently, in the second step, all combinatorially possible candidate correlations between the devices of the first assembly are generated. This simplifies the second step and can essentially be carried out automatically. Inputs by the user or calculations of further algorithms are therefore not necessary for the second step. Furthermore, candidate correlations are also generated for unexpected physical relationships. This prevents the user from overlooking such physical relationships, as a result of which the monitoring device to be produced has a further increased degree of imaging fidelity. Furthermore, the method is accelerated by such a configuration of the second step.

In einer weiteren Ausführungsform des beanspruchten Verfahrens wird der einstellbare Korrelationsschwellenwert angepasst, bis ein vorgebbarer Komplexitätswert zumindest des ersten Teilnetzes erreicht wird. Dies kann beispielsweise in mehreren Durchgängen des beanspruchten Verfahrens erfolgen. Der Komplexitätswert hängt hierbei von der Anzahl an Geräten in der ersten Baugruppe und den zwischen diesen vorliegenden Betriebskorrelationen ab. Der Komplexitätswert ist umso höher, je höher das Verhältnis zwischen der Anzahl an Betriebskorrelationen und der Anzahl an Geräten im ersten Teilnetz bzw. der ersten Baugruppe ist. Je höher der Korrelationsschwellenwert eingestellt wird, umso weniger Kandidaten-Korrelationen werden als Betriebskorrelationen kategorisiert, also eingestuft. Je weniger Betriebskorrelationen im ersten Teilnetz bzw. der ersten Baugruppe vorliegen, umso geringer sind die Anforderungen an die Rechenleistung für die herzustellende Überwachungsvorrichtung. Ferner sind das erste Teilnetz bzw. das neuronale Netz für den Benutzer bei einer Wartung oder Modifikation der Überwachungsvorrichtung umso einfacher und schneller nachvollziehbar, je weniger Betriebskorrelationen darin vorliegen. Je mehr Betriebskorrelationen im ersten Teilnetz bzw. im neuronalen Netz vorliegen, umso höher ist die Abbildungstreue der herzustellenden Überwachungsvorrichtung. Das Anpassen des einstellbaren Komplexitätsschwellenwerts zum Erreichen des vorgebbaren Komplexitätswerts kann als selbsttätig ablaufende Optimierung des ersten Teilnetzes bzw. des neuronalen Netzes ausgebildet sein. Das beanspruchte Verfahren ist folglich schnell selbsttätig in puncto Rechenaufwand, und damit Hardwareanforderungen, einstellbar. Das beanspruchte Verfahren ist infolgedessen auf unterschiedliche Anwendungsfälle anpassbar und weist ein breites mögliches Einsatzspektrum auf.In a further embodiment of the claimed method, the adjustable correlation threshold value is adjusted until a specifiable complexity value of at least the first sub-network is reached. This can be done, for example, in several passes of the claimed method. The complexity value depends on the number of devices in the first assembly and the operating correlations between them. The complexity value is higher, the higher the ratio between the number of operational correlations and the number of devices in the first subnet or the first assembly. The higher the correlation threshold is set, the fewer candidate correlations are categorized as operational correlations, i.e. classified. The fewer operational correlations in the first sub-network or the first assembly, the lower the demands on the computing power for the monitoring device to be produced. Furthermore, the first sub-network or the neural network can be understood more easily and quickly by the user during maintenance or modification of the monitoring device, the fewer operational correlations there are in it. The more operational correlations there are in the first sub-network or in the neural network, the higher the imaging fidelity of the monitoring device to be produced. The adaptation of the adjustable complexity threshold value to reach the predefinable complexity value can be designed as an automatically running optimization of the first sub-network or of the neural network. Consequently, the claimed method can quickly and automatically be adjusted in terms of computing effort and thus hardware requirements. As a result, the claimed method can be adapted to different applications and has a wide possible range of uses.

Darüber hinaus kann das beanspruchte Verfahren, insbesondere der erste bis fünfte Schritt, auch für eine zweite Baugruppe von Geräten durchgeführt werden. Analog zur ersten Baugruppe und dem ersten Teilnetz wird dabei für die zweite Baugruppe ein korrespondierendes zweites Teilnetz hergestellt. Im zweiten Teilnetz sind Geräte über Betriebskorrelationen miteinander verknüpft, die analog den Betriebskorrelationen im ersten Teilnetz identifiziert sind.In addition, the claimed method, in particular the first to fifth steps, can also be carried out for a second assembly of devices. Analogous to the first module and the first sub-network, a corresponding second sub-network is produced for the second module. Devices are linked to one another in the second sub-network via operational correlations, which are identified analogously to the operational correlations in the first sub-network.

Weiter kann das Verfahren einen sechsten Schritt umfassen, in dem zwischen zumindest einem Gerät der ersten Baugruppe und einer Mehrzahl an Geräten der zweiten Baugruppe Kandidaten-Brückenkorrelationen hergestellt werden. Die Kandidaten-Brückenkorrelationen verbinden zumindest das Gerät der ersten Baugruppe paarweise mit Geräten der zweiten Baugruppe. Insbesondere können alle Geräte der ersten Baugruppe paarweise mit allen Geräten der zweiten Baugruppe über Kandidaten-Brückenkorrelationen verknüpft werden. Unter einer Kandidaten-Brückenkorrelation ist korrespondierend zu einer Kandidaten-Korrelation innerhalb der ersten Baugruppe ein quantitativer Zusammenhang zu verstehen, der zum Zeitpunkt der Erstellung frei von einem empirisch oder theoretisch erstellten Korrelationswert ist. Durch die Kandidaten-Brückenkorrelation ist für das weitere Verfahren festgelegt, dass während des sechsten Schritts ein zumindest indirekter physikalischer Zusammenhang zwischen den derart miteinander verbundenen Geräten für möglich gehalten wird. Die Kandidaten-Brückenkorrelationen werden im sechsten Schritt unabhängig von bekannten oder vermuteten physikalischen Zusammenhängen zwischen den jeweiligen Geräten erstellt. Die Erstellung der Kandidaten-Brückenkorrelationen erfolgt somit für die jeweiligen Geräte pauschal.The method can also include a sixth step, in which candidate bridge correlations are established between at least one device in the first assembly group and a plurality of devices in the second assembly group. The candidate bridge correlations pair at least the device of the first assembly with devices of the second assembly. In particular, all devices in the first assembly can be linked in pairs with all devices in the second assembly via candidate bridge correlations. A candidate bridge correlation is to be understood as meaning a quantitative relationship corresponding to a candidate correlation within the first assembly group, which at the time of creation is free of an empirically or theoretically created correlation value. The candidate bridge correlation stipulates for the further method that during the sixth step an at least indirect physical connection between the devices connected to one another in this way is considered possible. In the sixth step, the candidate bridge correlations are created independently of known or suspected physical relationships between the respective devices. The creation of the candidate bridge correlations is thus carried out in a general way for the respective devices.

Das Verfahren kann weiter einen siebten Schritt umfassen, in dem das zumindest eine Gerät der ersten Baugruppe gemäß dem sechsten Schritt betätigt wird. Des Weiteren erfolgt ein Erfassen von Messwerten von Geräten der zweiten Baugruppe, die mit dem zumindest einen Gerät der ersten Baugruppe über die Kandidaten-Brückenkorrelationen verknüpft sind. Basierend auf den Messwerten wird ferner ein Brücken-Korrelationswert ermittelt. Der Brücken-Korrelationswert korrespondiert funktionell mit dem Korrelationswertgemäß dem vierten Schritt. Der Brücken-Korrelationswert ist dazu ausgebildet, quantitativ eine Intensität eines Zusammenhangs zwischen der Betätigung des zumindest einen Geräts der ersten Baugruppe und dem entsprechenden über die Kandidaten-Brückenkorrelation verknüpften Gerät der zweiten Baugruppe wiederzugeben.The method can further include a seventh step, in which the at least one device of the first assembly group is actuated according to the sixth step. Furthermore, measured values are recorded from devices in the second assembly, which are linked to the at least one device in the first assembly via the candidate bridge correlations. A bridge correlation value is also determined based on the measured values. The bridge correlation value corresponds functionally to the correlation value according to the fourth step. The bridge correlation value is designed to quantitatively reflect an intensity of a connection between the actuation of the at least one device of the first assembly and the corresponding device of the second assembly linked via the candidate bridge correlation.

Darüber hinaus kann das Verfahren einen achten Schritt umfassen, in dem eine Null-Brückenkorrelation erkannt wird, wenn der im siebten Schritt erfasste Brücken-Korrelationswert einen einstellbaren Brücken-Korrelationsschwellenwert betragsmäßig unterschreitet. Alternativ kann das Verfahren einen neunten Schritt umfassen, in dem eine Betriebs-Brückenkorrelation erkannt wird, wenn der Brücken-Korrelationswert den einstellbaren Brücken-Korrelationsschwellenwert betragsmäßig überschreitet. Der Brücken-Korrelationsschwellenwert gibt vor, unterhalb welcher betragsmäßigen Grenze ein zumindest anscheinend vorliegender physikalischer Zusammenhang zwischen dem zumindest einen Gerät der ersten Baugruppe und einem Gerät der zweiten Baugruppe als vernachlässigbar einzustufen ist. Dementsprechend wird entsprechend die zwischen dem zumindest einen Gerät der ersten Baugruppe und dem Gerät der zweiten Baugruppe vorliegende Kandidaten-Korrelation im achten Schritt als Nullkorrelation eingestuft und gelöscht. Der Brücken-Korrelationsschwellenwert korrespondiert somit funktionell mit dem Korrelationsschwellenwert gemäß dem vierten Schritt. Eine im neunten Schritt erkannte Betriebs-Brückenkorrelation hingegen wird hingegen gespeichert.In addition, the method can include an eighth step, in which a zero bridge correlation is detected if the bridge correlation value detected in the seventh step falls below an adjustable bridge correlation threshold value in terms of absolute value. Alternatively, the method can include a ninth step, in which an operational bridge correlation is detected if the bridge correlation value exceeds the adjustable bridge correlation threshold value in terms of absolute value. The bridge correlation threshold value specifies the limit below which an at least apparently existing physical connection between the at least one device of the first module and a device of the second module is to be classified as negligible. Accordingly, in the eighth step, the candidate correlation present between the at least one device of the first module and the device of the second module is classified as zero correlation and deleted. The bridge correlation threshold thus functionally corresponds to the correlation threshold according to the fourth step. On the other hand, an operating bridge correlation recognized in the ninth step is stored.

Durch zumindest eine erkannte Betriebs-Brückenkorrelation besteht eine Verknüpfung zwischen dem ersten und dem zweiten Teilnetz. Das erste und zweite Teilnetz werden derart miteinander verknüpft gespeichert und gehören zum neuronalen Netz der herzustellenden Überwachungsvorrichtung. Das beanspruchte Verfahren kann somit für eine erste und eine zweite Baugruppe unabhängig voneinander durchgeführt werden und die dabei erzeugten Teilnetze, also das erste und zweite Teilnetz, miteinander zum neuronalen Netz verknüpft werden. Die Betriebs-Brückenkorrelationen sind im Wesentlichen gleichartig zu den Betriebskorrelationen innerhalb der ersten und zweiten Baugruppe. Folglich ist das neuronale Netz mit dem ersten und zweiten Teilnetz homogen ausgebildet. Weiter ist die Anzahl an Kandidaten-Brückenkorrelationen relativ gering. Die Erstellung des neuronalen Netzes ist durch das beanspruchte Verfahren somit in kompakte Teilaufgaben zerlegbar. Je kompakter die Teilaufgaben sind, umso zuverlässiger können die entsprechenden Teilnetze beispielsweise über verfügbare Petri-Netz-Algorithmen erzeugt und parametriert werden. Dementsprechend ist das beanspruchte Verfahren ohne Weiteres auf komplexe Automatisierungsanlagen skalierbar, die eine Vielzahl an Geräten bzw. Baugruppen aufweisen. Mittels des beanspruchten Verfahrens wird nicht nur die Herstellung der Überwachungsvorrichtung beschleunigt, sondern auch die Herstellung der zugehörigen Automatisierungsanlage.A link exists between the first and the second sub-network as a result of at least one detected operational bridge correlation. The first and second partial network are stored linked to one another in this way and belong to the neural network of the monitoring device to be produced. The The claimed method can thus be carried out independently of one another for a first and a second assembly and the sub-networks generated in the process, ie the first and second sub-network, can be linked to form a neural network. The operational bridge correlations are essentially similar to the operational correlations within the first and second assemblies. Consequently, the neural network with the first and second sub-network is formed homogeneously. Furthermore, the number of candidate bridge correlations is relatively small. The creation of the neural network can thus be broken down into compact subtasks using the claimed method. The more compact the subtasks are, the more reliably the corresponding subnets can be generated and parameterized, for example using available Petri net algorithms. Accordingly, the claimed method can easily be scaled to complex automation systems that have a large number of devices or assemblies. By means of the claimed method, not only is the production of the monitoring device accelerated, but also the production of the associated automation system.

In einer weiteren Ausführungsform des beanspruchten Verfahrens wird dieses begleitend zu einer Fertigung der ersten und/oder zweiten Baugruppe ausgeführt. Die erste bzw. zweite Baugruppe stellen Abschnitte oder Funktionsblöcke der Automatisierungsanlage dar, die separat hergestellt werden können. Beispielsweise kann das erste Teilnetz mittels des beanspruchten Verfahrens hergestellt werden, wenn die erste Baugruppe in der Fertigung ihre Funktionstüchtigkeit erreicht. Das Gleiche gilt korrespondierend für das zweite Teilnetz im Zusammenhang mit der zweiten Baugruppe. Während der Herstellung der ersten bzw. zweiten Baugruppe sind deren einzelne Funktionalitäten für den Benutzer in einfacher Weise erfassbar und Implausibilitäten schneller erkennbar. Die Funktionstüchtigkeit des ersten bzw. zweiten Teilnetzes kann folglich in einer frühen Phase der Herstellung der Automatisierungsanlage zuverlässig geprüft werden. Die Prozesssicherheit bei der Herstellung der Überwachungsvorrichtung, und damit der Automatisierungsanlage, wird so weiter gesteigert.In a further embodiment of the claimed method, this is carried out while the first and/or second assembly is being manufactured. The first and second assemblies represent sections or function blocks of the automation system that can be manufactured separately. For example, the first partial network can be produced using the claimed method when the first assembly has reached its functional capability in production. The same applies correspondingly to the second sub-network in connection with the second module. During the manufacture of the first or second assembly, their individual functionalities can be easily ascertained by the user and implausibility can be recognized more quickly. The functionality of the first or second sub-network can consequently be reliably checked in an early phase of the production of the automation system. The process reliability in the production of the monitoring device, and thus the automation system, is thus further increased.

In einer weiteren Ausführungsform des beanspruchten Verfahrens kann der Brücken-Korrelationsschwellenwert zum Erreichen eines vorgebbaren Komplexitätswerts, insbesondere des neuronalen Netzes, angepasst werden. Der Brücken-Korrelationsschwellenwert entspricht in seiner Funktionsweise im Wesentlichen dem Korrelationsschwellenwert gemäß dem vierten oder fünften Schritt des Verfahrens. Je höher der Brücken-Korrelationsschwellenwert ist, umso geringer ist die Anzahl an Betriebs-Brückenkorrelationen, die im neunten Schritt erkannt werden. Je geringer die Anzahl an Betriebs-Brückenkorrelationen ist, umso einfacher ist das neuronale Netz und umso geringer ist die zu seinem Betrieb erforderliche Rechenleistung. Der Brücken-Korrelationsschwellenwert bzw. der Komplexitätswert können basierend auf einer Angabe über die verfügbare Rechenleistung der herzustellenden Überwachungsvorrichtung ausgewählt werden. Das beanspruchte Verfahren ist dementsprechend in einfacher Weise zur Herstellung eines performanten neuronalen Netzes anpassbar. Infolgedessen wird die Echtzeitfähigkeit der herzustellenden Überwachungsvorrichtung gesteigert, indem der Komplexitätswert des neuronalen Netzes vorgegeben wird.In a further embodiment of the claimed method, the bridge correlation threshold value can be adjusted in order to achieve a predefinable complexity value, in particular of the neural network. The functioning of the bridge correlation threshold essentially corresponds to the correlation threshold according to the fourth or fifth step of the method. The higher the bridge correlation threshold, the lower the number of operational bridge correlations detected in the ninth step. The fewer the number of operational bridge correlations, the simpler the neural network and the less computational power required to operate it. The bridge correlation threshold or the complexity value can be selected based on an indication of the available computing power of the monitoring device to be manufactured. Accordingly, the claimed method can be easily adapted to produce a high-performance neural network. As a result, the real-time capability of the monitoring device to be manufactured is increased by specifying the complexity value of the neural network.

Ferner kann im beanspruchten Verfahren zwischen dem ersten Gerät und dem zweiten Gerät der ersten Baugruppe anhand der Betriebskorrelation, die zwischen diesen vorliegt, ein virtueller Sensor bereitgestellt werden. Beispielsweise kann durch die Betriebskorrelation wiedergegeben sein, dass das erste und zweite Gerät der ersten Baugruppe denselben physikalischen Zusammenhang bzw. unterschiedliche Verkörperungen desselben physikalischen Phänomens anzeigen. Beispielsweise korrespondiert eine Pegelhöhe in einem Wassertank mit einem Druck Boden des Wassertanks. Folglich kann anhand der Brücken-Korrelation ein virtueller Sensor erstellt werden, der dazu geeignet ist, das erste bzw. zweite Gerät bei einem Ausfall zu ersetzen. Durch das beanspruchte Verfahren wird somit eine intelligente Datennutzung, insbesondere eine sogenannte Sensorfusion, umgesetzt. Folglich weist das beanspruchte Verfahren eine gesteigerte Funktionsintegration auf. Im beanspruchten Verfahren kann des Weiteren anhand der Betriebs-Brückenkorrelation zwischen einem Gerät der ersten Baugruppe und einem Gerät der zweiten Baugruppe ein virtueller Sensor bereitgestellt werden. Das Bereitstellen des virtuellen Sensors erfolgt hierbei korrespondierend zum Bereitstellen des virtuellen Sensors basierend auf dem ersten und zweiten Gerät der ersten Baugruppe.Furthermore, in the claimed method, a virtual sensor can be provided between the first device and the second device of the first assembly based on the operational correlation that exists between them. For example, the operational correlation can reflect that the first and second devices of the first assembly display the same physical relationship or different embodiments of the same physical phenomenon. For example, a level in a water tank corresponds to a pressure at the bottom of the water tank. Consequently, based on the bridge correlation, a virtual sensor can be created that is suitable for replacing the first or second device in the event of a failure. The claimed method thus implements an intelligent use of data, in particular a so-called sensor fusion. Consequently, the claimed method has increased functional integration. In the claimed method, a virtual sensor can also be provided based on the operational bridge correlation between a device of the first assembly and a device of the second assembly. In this case, the virtual sensor is provided in a manner corresponding to the provision of the virtual sensor based on the first and second device of the first assembly.

Des Weiteren können der erste bis fünfte Schritt wiederholt durchgeführt werden und dem Benutzer ermittelte erste Teilnetze zur Auswahl angezeigt werden. In den Durchgängen des Verfahrens kann beispielsweise der Korrelationsschwellenwert und/oder der Brückenkorrelationsschwellenwert verändert werden. Die ermittelten ersten Teilnetze können dem Benutzer in einer graphischen Darstellung gleichzeitig oder nacheinander angezeigt werden, so dass eine Komplexität des ersten Teilnetzes sinnfällig erfassbar ist. Weiter kann das Verfahren dazu ausgebildet sein, dass der Benutzer ein erstes Teilnetz auswählt, das ermittelt wird. Dadurch ist die Einstellung der Komplexität des neuronalen Netzes durch den Benutzer präzise beeinflussbar. Insbesondere ist so eine Erfahrung des Benutzers mit neuronalen Netzen in das beanspruchte Verfahren miteinbeziehbar. Die Qualität des neuronalen Netzes, und somit der herzustellenden Überwachungseinrichtung, ist damit steigerbar. Alternativ oder ergänzend können auch zweite Teilnetze anzeigt werden und dem Benutzer zur Auswahl gestellt werden. Das Gleiche gilt für neuronale Netze, die mit einer unterschiedlichen Anzahl an Betriebs-Brückenkorrelationen aufweisen, die das erste Teilnetz mit dem zweiten Teilnetz verknüpfen.Furthermore, the first to fifth steps can be carried out repeatedly and the first sub-networks determined can be displayed to the user for selection. For example, the correlation threshold value and/or the bridge correlation threshold value can be changed in the steps of the method. The determined first sub-networks can be displayed to the user in a graphical representation simultaneously or one after the other, so that the complexity of the first sub-network can be clearly detected. The method can also be designed so that the user selects a first subnetwork that is determined. As a result, the setting of the complexity of the neural network can be influenced precisely by the user. in particular More specifically, such an experience of the user with neural networks can be included in the claimed method. The quality of the neural network, and thus of the monitoring device to be produced, can thus be increased. Alternatively or additionally, second partial networks can also be displayed and made available to the user for selection. The same is true for neural networks having different numbers of operational bridge correlations linking the first sub-network to the second sub-network.

Die zugrundeliegende Aufgabenstellung wird auch durch ein Computerprogrammprodukt gelöst, das dazu ausgebildet ist, ein neuronales Netz zu erstellen. Das Computerprogrammprodukt kann monolithisch ausgebildet sein und so durch auf einer einzigen Hardwareplattform ausgeführt werden. Alternativ kann das Computerprogrammprodukt auch modular aufgebaut sein und als Mehrzahl an Teilprogrammen ausgebildet sein, die auf unterschiedlichen Hardwareplattformen ausführbar sind und durch gegenseitigen Datenaustausch die Funktionalität des Computerprogrammprodukts verwirklichen. Das Computerprogrammprodukt kann ferner als Software, als Firmware oder festverdrahtet, beispielsweise als Chip, Integrierte Schaltung oder FPGA, oder als Kombination hieraus ausgebildet sein. Erfindungsgemäß ist das Computerprogrammprodukt dazu ausgebildet, das Verfahren nach einer der oben skizzierten Ausführungsformen durchzuführen.The underlying task is also solved by a computer program product that is designed to create a neural network. The computer program product can be monolithic and can thus be executed on a single hardware platform. Alternatively, the computer program product can also have a modular structure and be designed as a plurality of subprograms that can be executed on different hardware platforms and implement the functionality of the computer program product through mutual data exchange. The computer program product can also be designed as software, as firmware or hard-wired, for example as a chip, integrated circuit or FPGA, or as a combination thereof. According to the invention, the computer program product is designed to carry out the method according to one of the embodiments outlined above.

Ebenso wird die oben dargestellte Aufgabe durch eine erfindungsgemäße Überwachungsvorrichtung gelöst. Die Überwachungsvorrichtung ist dazu ausgebildet, eine Automatisierungsanlage zu überwachen, die eine Mehrzahl an Geräten in zumindest einer Baugruppe umfasst. Die Überwachungsvorrichtung weist eine Eingabeschnittstelle auf, über die einem Digitalen Zwilling der Automatisierungsanlage Eingaben bereitstellbar sind. Unter einem Digitalen Zwilling ist insbesondere ein solcher wie in US 2017/286572 A1 näher skizziert zu verstehen. Die Eingabeschnittstelle für den Digitalen Zwilling ist mit einem neuronalen Netz der Überwachungsvorrichtung gekoppelt. Erfindungsgemäß ist das neuronale Netz nach einem Verfahren gemäß einer der oben skizzierten Ausführungsformen ausgebildet.The object presented above is also achieved by a monitoring device according to the invention. The monitoring device is designed to monitor an automation system that includes a plurality of devices in at least one module. The monitoring device has an input interface via which inputs can be made available to a digital twin of the automation system. A digital twin is in particular one like in U.S. 2017/286572 A1 to understand in more detail. The input interface for the digital twin is coupled to a neural network of the monitoring device. According to the invention, the neural network is formed using a method according to one of the embodiments outlined above.

Gleichermaßen wird die zugrundeliegende Aufgabenstellung durch eine erfindungsgemäße übergeordnete Steuereinheit gelöst, die dazu ausgebildet ist, ein neuronales Netz zu erstellen, die zu einem Überwachen einer Automatisierungsanlage geeignet ist. Die übergeordnete Steuereinheit kann mit der Steuereinheit der Automatisierungsanlage gekoppelt ausgebildet sein. Die übergeordnete Steuereinheit kann dazu beispielsweise als Leitrechner oder als Computer-Cloud ausgebildet sein und über eine kommunikative Datenverbindung mit der Automatisierungsanlage verbunden sein. Erfindungsgemäß ist die übergeordnete Steuereinheit mit einem Computerprogrammprodukt nach einer der oben dargestellten Ausführungsformen ausgestattet, um das neuronale Netz zu erstellen. Die übergeordnete Steuereinheit kann ferner die Überwachungsvorrichtung umfassen oder umgekehrt.Equally, the underlying task is solved by a higher-level control unit according to the invention, which is designed to create a neural network that is suitable for monitoring an automation system. The higher-level control unit can be coupled to the control unit of the automation system. For this purpose, the higher-level control unit can be designed, for example, as a master computer or as a computer cloud and can be connected to the automation system via a communicative data connection. According to the invention, the higher-level control unit is equipped with a computer program product according to one of the embodiments presented above in order to create the neural network. The higher-level control unit can also include the monitoring device or vice versa.

Die eingangs beschriebene Aufgabe wird auch durch eine erfindungsgemäße Automatisierungsanlage gelöst, die eine Mehrzahl an Geräten umfasst, die unmittelbar oder mittelbar über eine Steuereinheit miteinander verbunden sind. Die Automatisierungsanlage umfasst ferner eine Überwachungsvorrichtung, die dazu geeignet ist, den Betrieb der Automatisierungsanlage zu überwachen. Erfindungsgemäß ist die Überwachungsvorrichtung nach einer der oben skizzierten Ausführungsformen ausgebildet. Die erfindungsgemäße Automatisierungsanlage ist durch die darin eingesetzte Überwachungsvorrichtung schnell und zuverlässig herstellbar, insbesondere in Betrieb zu setzen.The object described at the outset is also achieved by an automation system according to the invention, which comprises a plurality of devices which are connected to one another directly or indirectly via a control unit. The automation system also includes a monitoring device that is suitable for monitoring the operation of the automation system. According to the invention, the monitoring device is designed according to one of the embodiments outlined above. The automation system according to the invention can be produced, in particular put into operation, quickly and reliably by the monitoring device used therein.

Die beanspruchte Automatisierungsanlage kann unter anderem als chemische Produktionsanlage, als Lebensmittelverarbeitungsanlage, als Raffinerie, als Fertigungsstraße, als Kraftwerk, als Versorgernetz, beispielsweise ein Stromnetz, ein Wassernetz, Gasnetz, oder Telekommunikationsnetz, als Stoffanalytik-System, insbesondere als Gaschromatograph oder als Gasanalysator, oder als Verkehrsleitsystem ausgebildet sein. Derartige Automatisierungsanlagen weisen eine erhöhte Anzahl an zusammenwirkenden Geräten auf. Folglich wird die Herstellung der zugehörigen Überwachungsvorrichtung durch das zugrundeliegende erfindungsgemäße Verfahren beschleunigt und der Betrieb der Automatisierungsanlage zuverlässiger gestaltet.The claimed automation system can be used, among other things, as a chemical production system, as a food processing system, as a refinery, as a production line, as a power plant, as a supply network, for example an electricity network, a water network, a gas network, or a telecommunications network, as a material analysis system, in particular as a gas chromatograph or as a gas analyzer, or be designed as a traffic control system. Such automation systems have an increased number of interacting devices. Consequently, the production of the associated monitoring device is accelerated by the underlying method according to the invention and the operation of the automation system is made more reliable.

Die Erfindung wird im Folgenden anhand einer Ausführungsform in Figuren näher erläutert. Die Figuren sind insoweit in gegenseitiger Ergänzung zu lesen, dass gleiche Bezugszeichen in unterschiedlichen Figuren die gleiche technische Bedeutung haben. Die Merkmale der Ausführungsform sind mit den oben skizzierten Merkmalen kombinierbar. Es zeigen im Einzelnen:

1 schematisch eine Ausführungsform des beanspruchten Verfahrens in einem ersten Stadium;
2 schematisch die Ausführungsform des beanspruchten Verfahrens in einem zweiten Stadium;
3 schematisch die Ausführungsform des beanspruchten Verfahrens in einem dritten Stadium;
4 schematisch die Ausführungsform des beanspruchten Verfahrens in einem vierten Stadium;
5 schematisch die Ausführungsform des beanspruchten Verfahrens in einem fünften Stadium;
6 schematisch die Ausführungsform des beanspruchten Verfahrens in einem sechsten Stadium;
7 schematisch ein neuronales Netz gemäß dem beanspruchten Verfahren in einem Überwachungsbetrieb.

The invention is explained in more detail below using an embodiment in figures. The figures are to be read as complementing one another to the extent that the same reference symbols in different figures have the same technical meaning. The features of the embodiment can be combined with the features outlined above. They show in detail:

1 schematically an embodiment of the claimed method in a first stage;
2 schematically the embodiment of the claimed method in a second stage;
3 schematically the embodiment of the claimed method in a third stage;
4 schematically the embodiment of the claimed method in a fourth stage;
5 schematically the embodiment of the claimed method in a fifth stage;
6 schematically the embodiment of the claimed method in a sixth stage;
7 schematically a neural network according to the claimed method in a monitoring operation.

Eine Ausführungsform des beanspruchten Verfahrens 100 ist in 1 in einem ersten Stadium schematisch abgebildet. Das Verfahren 100 dient dazu, eine in 1 nicht näher gezeigte Überwachungsvorrichtung 80 für eine Automatisierungsanlage 30 herzustellen. Darin ist eine Mehrzahl an Geräten 12 bereitgestellt, die zu einer ersten Baugruppe 11 der herzustellenden oder bereitstehenden Automatisierungsanlage 30 gehören. Die Geräte 12 sind dazu ausgebildet, unmittelbar oder mittelbar auf einen Anlagenprozess 32 einzuwirken, der mit der Automatisierungsanlage 30 durchzuführen ist oder durchgeführt wird. Die Geräte 12 sind in einem ersten Schritt 110 des Verfahrens 100 in einem aktiven Betriebszustand bereitgestellt. Die Geräte 12 sind somit als Komponenten der ersten Baugruppe 11 montiert und in einem funktionstüchtigen Zustand. Die Geräte 12 können beispielsweise als Aktoren, Sensoren, Steuereinheiten oder sonstige Baugruppenkomponenten der ersten Baugruppe 11 ausgebildet sein. Eines der Geräte 12 ist als eine lokale Steuereinheit 41 ausgebildet, die der ersten Baugruppe 11 zugeordnet ist. Ebenso ist nach dem ersten Schritt 110 eine übergeordnete Steuereinheit 60 bereitgestellt, in der ein Computerprogrammprodukt 50 ausführbar gespeichert ist. Im Verfahren 100 wird nach dem ersten Schritt 110 ein zweiter Schritt 120 durchgeführt, in dem zwischen den Geräten 12 Kandidaten-Korrelationen 22 erstellt werden. Dies erfolgt im Rahmen einer Ausführung des Computerprogrammprodukts 50. Die Kandidaten-Korrelationen 22 existieren somit als Objekte innerhalb des Computerprogrammprodukts 50. Die Geräte 12 sind gleich mit ihren Repräsentanzen als Objekte im Computerprogrammprodukt 50 aufzufassen. Durch eine Kandidaten-Korrelation 22 ist ausgedrückt, dass im Rahmen der herzustellenden Überwachungsvorrichtung 80 im Sinne eines in 1 nicht näher gezeigten neuronalen Netzes 40 ein mittelbarer oder unmittelbarer Zusammenhang zwischen diesen Geräten für möglich erachtet wird. Die Kandidaten-Korrelationen 22 werden im zweiten Schritt 120 zwischen jedem kombinatorisch möglichen Paar an Geräten 12 erzeugt. Der zweite Schritt 120 ist somit in einfacher Weise durchführbar. Aufwendige Abschätzungen, beispielsweise aus Erfahrungsdatenbanken oder durch einen Benutzer, sind entbehrlich. Die Kandidaten-Korrelationen 22 werden im zweiten Schritt 120 von der übergeordneten Steuereinheit 60 vorgegeben.An embodiment of the claimed method 100 is in 1 shown schematically in a first stage. The method 100 is used to create an in 1 not shown in detail monitoring device 80 for an automation system 30 to produce. A plurality of devices 12 are provided therein, which belong to a first subassembly 11 of the automation system 30 to be manufactured or ready. The devices 12 are designed to act directly or indirectly on a system process 32 that is to be carried out or is being carried out with the automation system 30 . In a first step 110 of the method 100, the devices 12 are provided in an active operating state. The devices 12 are thus installed as components of the first assembly 11 and are in a functional state. The devices 12 can be embodied, for example, as actuators, sensors, control units or other assembly components of the first assembly 11 . One of the devices 12 is in the form of a local control unit 41 which is assigned to the first assembly 11 . Likewise, after the first step 110, a higher-level control unit 60 is provided, in which a computer program product 50 is executably stored. In the method 100, after the first step 110, a second step 120 is carried out, in which candidate correlations 22 are created between the devices 12. This takes place as part of an execution of the computer program product 50. The candidate correlations 22 therefore exist as objects within the computer program product 50. The devices 12 are to be understood as objects in the computer program product 50 with their representations. A candidate correlation 22 expresses that within the scope of the monitoring device 80 to be produced in the sense of an in 1 neural network 40 not shown in detail, an indirect or direct connection between these devices is considered possible. The candidate correlations 22 are generated in the second step 120 between each combinatorially possible pair of devices 12 . The second step 120 can thus be carried out in a simple manner. Elaborate estimates, for example from experience databases or by a user, are unnecessary. The candidate correlations 22 are specified in the second step 120 by the higher-level control unit 60 .

2 zeigt ein zweites Stadium des beanspruchten Verfahrens 100, das auf das erste Stadium gemäß 1 folgt. Folglich geht 2 davon aus, dass der zweite Schritt 120 bereits abgeschlossen ist. Im zweiten Stadium erfolgt ein dritter Schritt 130 des Verfahrens 100, in dem ein erstes Gerät 14 von der übergeordneten Steuereinheit 60, und damit auch vom Computerprogrammprodukt 50, einen Befehl zu einem Betätigen 15 erhält. Das erste Gerät 14 ist als Aktor 13 ausgebildet und in der Lage, auf eine in oder im Bereich der ersten Baugruppe 11 vorliegende physikalische Größe einzuwirken. Von den Geräten 12 wird eine Reaktion erfasst und in Form von Messwerten 23 an die übergeordnete Steuereinheit 60 übertragen. Ausgehend von den Messwerten 45 werden Korrelationswerte 25 für die Kandidaten-Korrelationen 22 ermittelt. Der Korrelationswert 25 einer Kandidaten-Korrelation 22 ist als ein Maß ausgebildet, inwieweit der Messwert 23 des jeweiligen Geräts 12 dem Betätigen 15 des ersten Geräts 14 folgt. Je höher der so ermittelte Korrelationswert 25 betragsmäßig ist, umso enger ist der mittelbare oder unmittelbare physikalische Zusammenhang zwischen dem Betätigen 15 und dem Messwert 23. Die Korrelationswerte 25 für die jeweiligen Kandidaten-Korrelationen 22 sind weiter mit einem einstellbaren Korrelationsschwellenwert 27 vergleichbar. Die Korrelationsschwellenwerte 27 sind für alle Kandidaten-Korrelationen 22 oder einzeln durch einen Benutzer oder einen Algorithmus einstellbare, der zum Computerprogrammprodukt 50 in der übergeordneten Steuereinheit 60 gehört. 2 FIG. 12 shows a second stage of the claimed method 100 corresponding to the first stage 1 follows. Consequently goes 2 assume that the second step 120 has already been completed. In the second stage, a third step 130 of the method 100 takes place, in which a first device 14 receives a command for an actuation 15 from the superordinate control unit 60, and thus also from the computer program product 50. The first device 14 is designed as an actuator 13 and is able to act on a physical variable present in or in the area of the first assembly 11 . A reaction is recorded by the devices 12 and transmitted to the superordinate control unit 60 in the form of measured values 23 . Based on the measured values 45, correlation values 25 for the candidate correlations 22 are determined. The correlation value 25 of a candidate correlation 22 is designed as a measure of the extent to which the measured value 23 of the respective device 12 follows the actuation 15 of the first device 14 . The higher the correlation value 25 determined in this way, the closer the direct or indirect physical connection between the actuation 15 and the measured value 23. The correlation values 25 for the respective candidate correlations 22 can also be compared with an adjustable correlation threshold value 27. The correlation threshold values 27 can be set for all candidate correlations 22 or individually by a user or an algorithm that belongs to the computer program product 50 in the higher-level control unit 60 .

Ein drittes Stadium des beanspruchten Verfahrens 100 ist in 3 gezeigt. Das dritte Stadium folgt dem zweiten Stadium, das in 2 gezeigt ist. Während des dritten Stadiums erfolgt eine Auswertung der im dritten Schritt 130 ermittelten Korrelationswerte 25 gemäß 2. Für Korrelationswerte 25, die unterhalb des einstellbaren Korrelationsschwellenwerts 27 liegen, wird in einem vierten Schritt 140 eine Nullkorrelation 24 erkannt. Unter einer Nullkorrelation 24 ist im Sinne des Verfahrens 100 zu verstehen, dass der über die zugehörige Kandidaten-Korrelation 22 angenommene mittelbare oder unmittelbare physikalische Zusammenhang als unwesentlich für das herzustellende neuronale Netz 40 eingestuft wird. Die Nullkorrelationen 24 werden im vierten Schritt 140 gelöscht und werden somit nicht Teil des herzustellenden neuronalen Netzes 40. Zumindest teilweise gleichzeitig oder nach dem vierten Schritt 140 erfolgt im Verfahren 100 ein fünfter Schritt 150, in dem zwischen zwei Geräten 12 eine Betriebs-Korrelation 26 erkannt wird, wenn der zugehörige Korrelationswert 25 betragsmäßig den Korrelationsschwellenwert 27 übersteigt. Die Betriebskorrelationen 26 werden im Sinne des Verfahrens 100 als mittelbare oder unmittelbare physikalische Zusammenhänge zwischen den entsprechenden Geräten 12 eingestuft, die für das herzustellende neuronale Netz 40, und damit die herzustellende Überwachungsvorrichtung 80, relevant sind, um die Funktions- und Wirkungsweise der ersten Baugruppe 11 darzustellen. Die Betriebs-Korrelationen 26 werden gespeichert und definieren mit den zugehörigen Geräten 12 als Knoten ein erstes Teilnetz 10. Das erste Teilnetz 10 stellt ebenfalls ein neuronales Netz dar.A third stage of the claimed method 100 is in 3 shown. The third stage follows the second stage, which occurs in 2 is shown. During the third stage, the correlation values 25 determined in the third step 130 are evaluated according to FIG 2 . A zero correlation 24 is recognized in a fourth step 140 for correlation values 25 which are below the adjustable correlation threshold value 27 . A zero correlation 24 in the sense of the method 100 is to be understood as meaning that the indirect or direct physical connection assumed via the associated candidate correlation 22 is classified as insignificant for the neural network 40 to be produced. The zero correlations 24 are deleted in the fourth step 140 and are therefore not part of the neural network 40 to be produced. At least partially at the same time or after the fourth step 140, a fifth step 150 takes place in the method 100, in which an operating correlation 26 is recognized between two devices 12 will if the associated correlation value 25 exceeds the correlation threshold value 27 in terms of amount. The operational correlations 26 are classified within the meaning of the method 100 as indirect or direct physical connections between the corresponding devices 12, which are relevant for the neural network 40 to be produced, and thus the monitoring device 80 to be produced, in order to determine the function and effectiveness of the first assembly 11 to represent. The operating correlations 26 are stored and define a first sub-network 10 with the associated devices 12 as nodes. The first sub-network 10 also represents a neural network.

Ferner wird im dritten Stadium zwischen dem ersten Gerät 14 und einem zweiten Gerät 16 der ersten Baugruppe 11 ein virtueller Sensor 28 bereitgestellt. Dazu wird mittels des Computerprogrammprodukts 50 basierend auf den Korrelationswerten 2 nach 2 erkannt, dass das erste Gerät 14 und das zweite Gerät 16 unterschiedliche Verkörperungen desselben technischen Vorgangs erfassen. Dies kann beispielsweise anhand eines Virtualisierungsschwellenwerts erkannt werden, mit dem der Korrelationswert 25 verglichen wird. Die im fünften Schritt 150 erkannten Betriebskorrelationen 26 werden als erstes Teilnetz 10 gespeichert und als Teil des herzustellenden neuronalen Netzes 40 in der übergeordneten Steuereinheit 60 gespeichert. Das neuronale Netz 40, das das erste Teilnetz 10 umfasst, ist dazu geeignet, in der herzustellenden Überwachungsvorrichtung 80 eingesetzt zu werden.Furthermore, in the third stage, a virtual sensor 28 is provided between the first device 14 and a second device 16 of the first assembly 11 . For this purpose, using the computer program product 50 based on the correlation values 2 2 recognized that the first device 14 and the second device 16 detect different embodiments of the same technical process. This can be recognized, for example, using a virtualization threshold value with which the correlation value 25 is compared. The operating correlations 26 recognized in the fifth step 150 are stored as a first sub-network 10 and stored in the superordinate control unit 60 as part of the neural network 40 to be produced. The neural network 40, which includes the first sub-network 10, is suitable for being used in the monitoring device 80 to be manufactured.

Weiter wird ein viertes Stadium der Ausführungsform des beanspruchten Verfahrens 100 in 4 dargestellt. Es wird davon ausgegangen, dass der erste Schritt 110 bis fünfte Schritt 150 bereits abgeschlossen sind und ein erstes Teilnetz 10 erstellt ist, das Geräte 12 der ersten Baugruppe 11 der herzustellenden Automatisierungsanlage 30 umfasst. Ebenso wird davon ausgegangen, dass der erste Schritt 110 bis fünfte Schritt 150 analog auch in Verbindung mit Geräten 12 einer zweiten Baugruppe 21 der Automatisierungsanlage 30 durchgeführt ist. Dementsprechend liegt ein zweites Teilnetz 20 vor, das der zweiten Baugruppe 21 zugeordnet ist und deren Geräte 12 umfasst. Im zweiten Teilnetz 20 sind analog zum ersten Teilnetz 10 die zugehörigen Geräte 12 über Betriebskorrelationen 26 miteinander verknüpft. Im vierten Stadium erfolgt ein sechster Schritt 160 des Verfahrens 100, in dem paarweise zwischen einem Gerät 12 der ersten Baugruppe 10 Kandidaten-Brückenkorrelationen 32 zu einer Mehrzahl an Geräten 12 der zweiten Baugruppe 21 hergestellt werden. Eine Kandidaten-Brückenkorrelation 32 stellt korrespondierende zu einer Kandidatenkorrelation 22 wie in 1 und 2 gezeigt, eine Annahme dar, dass zwischen den entsprechenden Geräten 12 ein mittelbarer oder unmittelbarer physikalischer Zusammenhang als möglich eingestuft wird. Gemäß 4 wird zwischen dem Gerät 12 der ersten Baugruppe 11 und den Geräten der zweiten Baugruppe 21 jede kombinatorisch mögliche Kandidaten-Brückenkorrelation 32 erstellt. Dies erfolgt mittels des Computerprogrammprodukts 50, das in der übergeordneten Steuereinheit 60 ausführbar gespeichert ist. Der sechste Schritt 160 kann ferner für jedes Gerät 12 der ersten Baugruppe 11 analog durchgeführt werden. Von der Darstellung dieser korrespondierenden Durchführungen des sechsten Schritts 160 wird in 6 lediglich zwecks besserer Übersichtlichkeit abgesehen.Furthermore, a fourth stage of the embodiment of the claimed method 100 in 4 shown. It is assumed that the first step 110 to the fifth step 150 have already been completed and a first sub-network 10 has been created, which includes devices 12 of the first assembly 11 of the automation system 30 to be produced. It is also assumed that the first step 110 to the fifth step 150 is also carried out analogously in connection with devices 12 of a second assembly 21 of the automation system 30 . Accordingly, there is a second sub-network 20 which is assigned to the second module 21 and includes its devices 12 . In the second sub-network 20 , the associated devices 12 are linked to one another via operational correlations 26 , analogously to the first sub-network 10 . A sixth step 160 of the method 100 takes place in the fourth stage, in which candidate bridge correlations 32 to a plurality of devices 12 of the second assembly 21 are produced in pairs between a device 12 of the first assembly 10 . A candidate bridge correlation 32 represents corresponding to a candidate correlation 22 as in 1 and 2 shown, an assumption that between the corresponding devices 12 an indirect or direct physical connection is classified as possible. According to 4 each combinatorially possible candidate bridge correlation 32 is created between the device 12 of the first assembly 11 and the devices of the second assembly 21 . This is done using the computer program product 50, which is stored in an executable manner in the superordinate control unit 60. The sixth step 160 can also be carried out analogously for each device 12 of the first assembly 11 . From the presentation of these corresponding implementations of the sixth step 160 in 6 only omitted for the sake of clarity.

5 zeigt ein fünftes Stadium der Ausführungsform des beanspruchten Verfahrens 100. Das fünfte Stadium schließt sich dem vierten Stadium gemäß 4 an. Darin wird das Gerät 12 der ersten Baugruppe 11, das über Kandidaten-Brückenkorrelationen 32 mit Geräten 12 der zweiten Baugruppe 21 verknüpft ist, betätigt. Die Betätigung 15 dieses Geräts 12 wird in einem siebten Schritt 170 durch das Computerprogrammprodukt 50 in der übergeordneten Steuereinheit 60 hervorgerufen. Das betätigte Gerät 12 der ersten Baugruppe 11 ist als Aktor 13 ausgebildet. Durch die Betätigung 15 wird auf eine physikalische Größe eingewirkt, die mittelbar oder unmittelbar durch die Geräte 12 der zweiten Baugruppe 21 unterschiedlich exakt erfassbar ist. Die Betätigung 15 im siebten Schritt 170 wirkt im Wesentlichen analog zur Betätigung 15 im dritten Schritt 130. Die Reaktionen der einzelnen Geräte 12 der zweiten Baugruppe 21 werden in Form von Messwerten 23 an die übergeordnete Steuereinheit 60 übermittelt. Basierend auf den jeweiligen Messwerten 23 wird für jede der Kandidaten-Brückenkorrelationen 32 ein Brückenkorrelationswert 35 ermittelt. Der Brückenkorrelationswert 35 ist ein quantitatives Maß, wie eng die am jeweiligen Gerät 12 der zweiten Baugruppe 21 erfasste Reaktion der Betätigung 15 im siebten Schritt 170 folgt. Je höher der so ermittelte Brückenkorrelationswert 35 betragsmä-ßig ist, umso enger ist der mittelbare oder unmittelbare physikalische Zusammenhang zwischen dem Betätigen 15 und dem Messwert 23. Weiter sind die Brückenkorrelationswerte 35 mit einstellbaren Brücken-Korrelationsschwellenwerten 37 vergleichbar. Die Brücken-Korrelationsschwellenwerte 37 gemäß 5 sind pauschal für die Kandidaten-Brückenkorrelationen 32 vorgegeben. Die jeweils erreichten Brücken-Korrelationswerte 35 werden mit den jeweiligen Brücken-Korrelationsschwellenwerten 37 verglichen. Wenn ein Brücken-Korrelationswert 35 den zugehörigen Brücken-Korrelationsschwellenwert 37 betragsmäßig unterschreitet, wird in einem achten Schritt 180 das Vorliegend einer Null-Brückenkorrelation 34 erkannt. Übersteigt der Brücken-Korrelationswert 35 betragsmäßig den jeweiligen Brücken-Korrelationsschwellenwert 37, wird in einem neunten Schritt 190 ein Vorliegen einer Betriebs-Brückenkorrelation 36 erkannt. 5 12 shows a fifth stage of the embodiment of the claimed method 100. The fifth stage concludes according to the fourth stage 4 at. The device 12 of the first module 11, which is linked to devices 12 of the second module 21 via candidate bridge correlations 32, is actuated therein. The actuation 15 of this device 12 is brought about in a seventh step 170 by the computer program product 50 in the superordinate control unit 60 . The actuated device 12 of the first assembly 11 is designed as an actuator 13 . The actuation 15 acts on a physical variable that can be detected directly or indirectly by the devices 12 of the second assembly 21 with varying degrees of accuracy. The actuation 15 in the seventh step 170 acts essentially analogously to the actuation 15 in the third step 130. The reactions of the individual devices 12 of the second assembly 21 are transmitted to the superordinate control unit 60 in the form of measured values 23 . A bridge correlation value 35 is determined for each of the candidate bridge correlations 32 on the basis of the respective measured values 23 . The bridge correlation value 35 is a quantitative measure of how closely the response detected on the respective device 12 of the second assembly 21 follows the actuation 15 in the seventh step 170 . The higher the bridge correlation value 35 determined in this way, the closer the direct or indirect physical connection between the actuation 15 and the measured value 23. The bridge correlation values 35 are also comparable with adjustable bridge correlation threshold values 37. The bridge correlation thresholds 37 according to FIG 5 are specified in general for the candidate bridge correlations 32 . The bridge correlation values 35 achieved in each case are compared with the respective bridge correlation threshold values 37 . If a bridge correlation value 35 falls below the associated bridge correlation threshold value 37 in terms of absolute value, the presence of a zero bridge correlation 34 is recognized in an eighth step 180 . If the amount of the bridge correlation value 35 exceeds the respective bridge correlation threshold lenwert 37, the presence of an operational bridge correlation 36 is recognized in a ninth step 190.

Ein sechstes Stadium des beanspruchten Verfahrens 100 wird in 6 dargestellt. Das sechste Stadium folgt auf das fünfte Stadium gemäß 5. Darin werden die im achten Schritt 180 erkannten Null-Brückenkorrelationen 34 gelöscht. Die im neunten Schritt 190 erkannten Betriebs-Brückenkorrelationen 36 werden gespeichert, so dass das erste und zweite Teilnetz 10, 20 miteinander zum neuronalen Netz 40 verbunden sind. Das neuronale Netz 40, das das erste und zweite Teilnetz 10, 20 umfasst, wird im siebten Stadium in der übergeordneten Steuereinheit 60 gespeichert und für die herzustellende Überwachungsvorrichtung 80 bereitgestellt. Dadurch ist die Überwachungsvorrichtung 80 dazu geeignet, die Automatisierungsanlage 30 im Betrieb zu überwachen, die die erste und zweite Baugruppe 11, 21 umfasst.A sixth stage of the claimed method 100 is presented in 6 shown. The sixth stage follows the fifth stage accordingly 5 . The zero bridge correlations 34 recognized in the eighth step 180 are deleted therein. The operating bridge correlations 36 recognized in the ninth step 190 are stored, so that the first and second partial networks 10 , 20 are connected to one another to form the neural network 40 . The neural network 40, which includes the first and second sub-networks 10, 20, is stored in the higher-level control unit 60 in the seventh stage and is made available for the monitoring device 80 to be produced. As a result, the monitoring device 80 is suitable for monitoring the operation of the automation system 30, which includes the first and second assemblies 11, 21.

In 7 ist das neuronale Netz 40, das gemäß dem ersten bis neunten Schritt 110, 190 hergestellt ist und zu einer Überwachungsvorrichtung 80 gehört, in einem Überwachungsbetrieb der zugehörigen Automatisierungsanlage 30 schematisch gezeigt. In der Automatisierungsanlage 30 läuft der bestimmungsgemäße Anlagenprozess 33 ab, so dass Messwerte 23 erzeugt werden, die den Anlagenprozess 33 näher charakterisieren. Das neuronale Netz 40, das das erste und zweite Teilnetz 10, 20 umfasst, ermittelt anhand der Messwerte 23 ein Resultat, das als Eingabe 42 für einen Digitalen Zwilling 70 bereitgestellt wird. Das neuronale Netz 40 dient somit als Eingabeschnittstelle für den Digitalen Zwilling 70 und ist dem Digitalen Zwilling 70 zumindest funktionell zugeordnet. Durch den Digitalen Zwilling 70 ist die Automatisierungsanlage 30 voraussimulierbar, also künftige Betriebszustände vorberechenbar. Dies umfasst beispielsweise einen Verschleiß eines Geräts 12, das im neuronalen Netz 40 abgebildet ist. Der Digitale Zwilling 70 gehört ebenso zur Überwachungsvorrichtung 80, die mittels des beanspruchten Verfahrens 100 hergestellt ist. Die Überwachungsvorrichtung 80 ist von der übergeordneten Steuereinheit 60 umfasst, die zur Erstellung der Überwachungsvorrichtung 80 eingesetzt wird. Die Überwachungsvorrichtung 80 ist somit funktionell eine Komponente der übergeordneten Steuereinheit 60 und wird auf derselben Hardwareplattform ausgeführt. Die Überwachungsvorrichtung 80 ist durch das beanspruchte Verfahren 100 schnell und zuverlässig herstellbar. Insbesondere wird mittels des neuronalen Netzes 40 eine erhöhte Abbildungstreue erzielt im Nachstellen des Betriebs der Automatisierungsanlage 30.In 7 the neural network 40, which is produced according to the first to ninth steps 110, 190 and belongs to a monitoring device 80, is shown schematically in a monitoring operation of the associated automation system 30. The intended system process 33 runs in the automation system 30 so that measured values 23 are generated which characterize the system process 33 in more detail. The neural network 40, which includes the first and second sub-network 10, 20, uses the measured values 23 to determine a result that is provided as an input 42 for a digital twin 70. The neural network 40 thus serves as an input interface for the digital twin 70 and is assigned to the digital twin 70 at least functionally. The automation system 30 can be simulated in advance by the digital twin 70, ie future operating states can be calculated in advance. This includes, for example, wear and tear of a device 12 mapped in neural network 40 . The digital twin 70 also belongs to the monitoring device 80, which is manufactured by means of the claimed method 100. The monitoring device 80 is included in the superordinate control unit 60 which is used to create the monitoring device 80 . The monitoring device 80 is thus functionally a component of the higher-level control unit 60 and is executed on the same hardware platform. The monitoring device 80 can be produced quickly and reliably using the claimed method 100 . In particular, the neural network 40 achieves increased imaging fidelity when simulating the operation of the automation system 30.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent Literature Cited

CN 111967486A [0002]
US2017286572A1 [0023]

Claims

Method (100) for producing a monitoring device (80) for an automation system (30), which comprises a plurality of devices (12) which are connected to one another indirectly via a control unit (40) or directly, comprising the steps: a) providing devices (12) of a first assembly (11) of the automation system (30) in an active operating state; b) creating candidate correlations (22) between a plurality of pairs of devices (12) of the first assembly (11); c) Operating at least one first device (12), which is designed as an actuator (13) and recording measured values (23) of the devices (12) which are connected to the actuator (13) and determining an associated correlation value (25) ; d) detecting a zero correlation (24) between the first device (12) and a second device (16) connected thereto if the correlation value (25) falls below an adjustable correlation threshold value (27) in terms of amount and deleting the zero correlation (24); e) detecting an operational correlation (26) between the first and second device (14, 16) if the correlation value (25) exceeds the adjustable correlation threshold value (27) in terms of absolute value; wherein the operational correlation (26) is stored in a first sub-network (10) of a neural network (40) of the monitoring device (80).

Method (100) according to claim 1 , characterized in that the adjustable correlation threshold value (27) is designed as an absolute value or as a relative value.

Method (100) according to claim 1 or 2 , characterized in that after step b) each device (12) of the first assembly (11) is linked to each other device (12) of the first assembly (10) via a candidate correlation (22).

Method (100) according to any one of Claims 1 until 3 , characterized in that the adjustable correlation threshold value (27) is adapted to reach a predefinable complexity value of at least the first sub-network (10), the complexity value depending on the number of devices (12) in the first module (11) and the number of operational correlations ( 26) depends.

Method (100) according to any one of Claims 1 until 4 , characterized in that steps a) to e) are carried out for a second assembly (21) and an associated second sub-network (20) is produced, the method (100) further comprising the following steps: f) creating candidate bridge correlations (32) between at least one device (12) of the first assembly (11) and a plurality of devices (12) of the second assembly (21); g) operating the device (12) of the first assembly (11) from step f) and acquiring measured values (23) of the plurality of devices (12) of the second assembly (21) connected thereto via the candidate bridge correlations (22), wherein a bridge correlation value (35) is determined on the basis of the measured values (23); h) detection of a zero bridge correlation (34) when the bridge correlation value (35) falls below an adjustable bridge correlation threshold value (37) in terms of absolute value and deletion of the zero bridge correlation (34); i) detecting an operational bridge correlation (36) when the bridge correlation value (35) exceeds the adjustable bridge correlation threshold value (37) in terms of absolute value; wherein the first sub-network (10) interconnected with the second sub-network (20) via the operational bridge correlations (36) is stored in the neural network (40) of the monitoring device (80).

Method (100) according to any one of Claims 1 until 5 , characterized in that the method (100) accompanying a production of the first and / or second assembly (11, 21) is performed.

Method (100) according to any one of Claims 1 until 6 , characterized in that the bridge correlation threshold value (37) is adapted to reach the predefinable complexity value.

Method (100) according to any one of Claims 1 until 7 , characterized in that at least between the first device (14) and the second device (16) of the first assembly (11) based on the operational correlations (26) a virtual sensor (28) is provided.

Method (100) according to any one of Claims 1 until 8th , characterized in that a virtual sensor is provided at least between a device (12) of the first assembly (11) and a device (12) of the second assembly (21) on the basis of the operational bridge correlations (36).

Method (100) according to any one of Claims 1 until 9 , characterized in that at least steps a) to e) are carried out repeatedly and a user determined first partial networks (10, 20) are output for selection.

Computer program product (50) for creating a neural network (40), characterized in that the computer program pro Product (50) for performing a method (100) according to one of Claims 1 until 10 is trained.

Monitoring device (80) for monitoring an automation system (30) which has an input interface for a digital twin (70) of the automation system (), characterized in that the input interface is coupled to a neural network (40) of a monitoring device (80) which according to a method (100) according to any one of Claims 1 until 10 is made.

Superordinate control unit (60) for creating a neural network (40) for monitoring an automation system (30), characterized in that the superordinate control unit (60) with a computer program product (50). claim 11 Is provided.

Automation system (30), comprising a plurality of devices (12) which are connected to one another directly or indirectly via a control unit (41), and a monitoring device (80), characterized in that the monitoring device (80) according to a method (100) after one of Claims 1 until 10 is made.

Automation system (30) after Claim 14 , characterized in that the automation system (30) is designed as a chemical production plant, as a food processing plant, as a refinery, as a production line, as a power plant, as a supply network, as a material analysis system, as a computer cluster, or as a traffic control system.