AT502241B1 - Verfahren und anordnung zur feststellung der abweichung von ermittelten werten - Google Patents

Description

2 AT 502 241 B1

Die Erfindung betrifft Verfahren gemäß dem Oberbegriff des Patentanspruches 1. Ferner betrifft die Erfindung eine Anordnung gemäß dem Oberbegriff des Anspruches 8.

Vorrangiges Ziel der Erfindung ist die automatische Erkennung und Meldung von Fehlern bzw. 5 Abweichungen von Soll- bzw. Normalwerten von Ist- bzw. Ausgangswerten in einem Sen-sor/Aktuatorennetzwerk, das funktionale Einheiten, insbesondere bezüglich Tätigkeit, Funktion, Verhalten, Erscheinungsbild usw., überwacht.

Mit zunehmendem Einsatz von Technologie im alltäglichen Leben, wird auch der Bereich Sen-io sornetzwerke immer wichtiger: Gebäude, Fahrzeuge, Flugzeuge, Industrieanlagen usw. können eine Vielzahl an sensorüberwachten Einheiten aufweisen, die untereinander vernetzt sind. Mit dieser Entwicklung einhergehend steigt der Bedarf an Verarbeitung und Auswertung der gesammelten Informationen aus den Netzwerken. Derzeitige Systeme erfordern für die Verarbeitung der gesammelten Daten einen hohen Arbeitsaufwand, da Regeln darüber, wann welche 15 Werte und Zustände in Sensoren, Geräten, Aktuatoren, etc. im Normbereich liegen, manuell erstellt werden müssen.

Die EP 1 418 476 zeigt einen ersten Schritt zur automatisierten Verarbeitung von Informationen aus Sensornetzwerken. EP 1 418 476 stellt ein adaptives Kontrollsystem für ein Fahrzeug vor, 20 das mit Hilfe einer Lerneinheit Informationen über das Fahrzeug, die Umgebung und den Benutzer erlernt und interpretiert, um mit den Erkenntnissen aus dieser Interpretation das Fahrzeug bzw. die Umgebung zu beeinflussen. Der Nachteil dieses Systems liegt darin, dass su-pervised learing verwendet wird. Das heißt, das System lernt nicht selbstständig, sondern es benötigt einen Lehrer (Supervisor), der das Lernverhalten ständig überwacht und steuert. Somit 25 werden die Vorteile des lernenden Systems auf die bereits beschriebene manuelle Konfiguration des Systems reduziert.

In der WO 98/56182 wird ein System zur automatisierten Auswertung von Kamerabildern beschrieben. Videodaten werden erfasst, mit einem Zeitvermerk versehen, ab- bzw. zwischenge-30 speichert, und danach mit Daten von anderen Datensätzen, welche bestimmte Kriterien erfüllen, statistisch verglichen. Der Gegenstand der WO 98/56182 ist auf die Verarbeitung von Videobildern ausgelegt - Methoden wie Graustufenanalyse und Fouriertransformationen werden für die Bildverarbeitung eingesetzt und sind elementare Bestandteile dieses Systems. Neue Daten werden mit anderen Datensätzen verglichen, jedoch nicht mit einem Modell. Neue Daten 35 sind dazu abzuspeichern, um sie vergleichen zu können; d.h. die Daten werden in Echtzeit erfasst, gespeichert, und mit einer bestimmten Anzahl an anderen gespeicherten Daten verglichen. Das System wird bei Systemstart mit einer vorhandenen Bildermenge automatisch initialisiert; danach wird es vom Benutzer bei Abweichungen/Änderungen manuell korrigiert. 40 Aus der US 5,680,409 A ist die Detektierung von unüblichen Korrelationen zwischen Sensorwerten in Automationssystemen bekannt. Dabei werden als zu beurteilende Größen zwei oder mehr tatsächliche Sensorechtwerte verwendet. Unter Zugrundelegung dieser Echtwerte werden unter Zuhilfenahme von mathematischen Methoden Erwartungswerte für die Sensorwerte erstellt. Erst aus diesen Echtwerten der Sensoren werden "Sensor validity index"-Werte errech-45 net.

Die DE 10 2004 026 979 A1 behandelt die Vorhersage von Sensorwerten, um die Feststellung von Fehlmessungen und die Kontrolle von industriellen Prozessen zu erleichtern. Dabei werden einzelne Sensorechtwerte als Input verwendet und als Output werden Sollwerte in Porm von so Sensorechtwerten geliefert. Diese vorhergesagten Sensorwerte werden von den aktuellen Sensorwerten subtrahiert, um Sensorprobleme festzustellen. Für die Vorhersage von Sensorechtwerten wird eine Anzahl von Berechnungsmöglichkeiten angegeben; ein Vergleich von Wahrscheinlichkeitswerten zur Überwachung des Systems ist nicht vorgesehen. 55 In der EP 1 420 417 A2 wird zur Überwachung der Sicherheit in automatischen Netzwerken 3 AT 502 241 B1 derart vorgegangen, dass eine Anzahl von Modellen vorgegeben wird, um Datenmuster zu erstellen und abzuspeichern. Diese Datenmuster werden dann mit aktuellen Datenmustern verglichen. Zur Erstellung dieser Datenmuster werden unterschiedliche mathematische Modelle verwendet. Es wird jedoch nicht auf Wahrscheinlichkeitsberechnungen zurückgegriffen bzw. 5 erfolgt kein Vergleich von Wahrscheinlichkeitswerten. Die tatsächlich verglichenen Datenmuster betreffen Sensorwerte und nicht Wahrscheinlichkeitswerte.

Die Erfindung bezieht sich insbesondere auf ein(e) Kontrollverfahren und -anordnung für Automationssysteme in Gebäuden bzw. Anlagen, insbesondere auf die automatische Erkennung io und Meldung von Fehlern bzw. Abweichungen von Normalwerten in einem Sensornetzwerk, und die Meldung von außergewöhnlichen Situationen, die durch die Sensoren bzw. durch Gruppierungen von Sensoren erfasst werden können. Das erfindungsgemäße Verfahren soll in der Lage sein, diese Meldungen dem Benutzer zur Kenntnis zu bringen oder sie einem anderen System (Facility management System, Logsystem, usw.) zur Verfügung zu stellen. 15

Die vorliegende Erfindung setzt sich vor allem das Ziel, in einfacher und rascher und möglichst exakter Weise die Abweichung von erhaltenen Messwerten bzw. Ausgangswerten von Gebern bzw. Sensoren gegenüber Normalwerten feststellen zu können, welche Messwerte von Gebern bzw. Sensoren abgegeben werden, die funktionale Einheiten allgemeinster Art überwachen. In 20 Frage kommen alle Arten von Industrieanlagen, Gebäuden, Maschinen, Fahrzeugen usw.

Dieses Ziel wird bei einem Verfahren der eingangs genannten Art durch die im Kennzeichen des Anspruches 1 angeführten Merkmale erreicht. 25 Bei einer Vorgangsweise gemäß Anspruch 1 können die Ausgangswerte von einzelnen Messwertgebern untersucht und beurteilt werden, die gegebenenfalls auch von ein und derselben Einheit stammen. Es kann aber auch alternativ oder gleichzeitig eine Mehrzahl der von den Einheiten erhaltenen Ausgangswerte korreliert und beurteilt werden, wodurch sich eine allgemeine bzw. eine über alle überwachten Einheiten erstreckende Beurteilungsmöglichkeit ergibt. 30 Entsprechendes leistet die Anordnung nach Anspruch 9.

Erfindungsgemäß werden die bei bekannten Diagnose- und Warnsysteme notwendigen Vorkenntnisse über den Aufbau des Automationssystems, welche Werte zu welchen Sensor-, Aktuator-, Kontrollereinheiten gehören, welche Zusammenhänge zwischen diesen Werten 35 bestehen, usw., zum Erstellen von geeigneten Kontrollmechanismen und zum Eingeben von Parametern (Wertebereiche, Schwellwerte, usw.) vermieden. Die erfindungsgemäße Vorgangsweise ermöglicht es, ohne Vorkenntnisse Wertebereiche, Parameter und Zusammenhänge aus den gesammelten Informationen herauszulesen, zu verarbeiten, und dem Benutzer zur Kenntnis zu bringen. 40

Die Feststellung der Abweichung erfolgt online, d.h. ohne Speicherung der Werte und nachfolgenden Vergleich. Des weiteren werden nicht nur Messwerte einer einzigen Einheit untersucht bzw. beurteilt, sondern es können auch Messwerte von unterschiedlichen Einheiten, die komplex Zusammenwirken, untersucht und beurteilt werden. 45

Erfindungsgemäß wird ein hoher Arbeitsaufwand einerseits bei der Installation und Anpassung des Systems für das manuelle Erstellen von Abhängigkeiten, Verknüpfungen, usw., und andererseits beim Auftreten von Änderungen im Einsatzbereich (bauliche Veränderungen, neue Benutzer, usw.) auf Grund manueller Adaptierungsarbeiten vermieden. Die erfindungsgemäße so Anordnung ist in der Lage, sich ohne menschliches Zutun an den jeweiligen Einsatzbereich anzupassen. Weiters ist sie, da der Anpassungs- bzw. Lernmodus ständig aktiv bleibt (außer es ist eine Deaktivierung von Seiten des Benutzers erwünscht) in der Lage, sich Änderungen, die im Laufe der Zeit auftreten, anzupassen. 55 Für die Diagnose und für die Meldung von Ereignissen, die nicht dem Normalfall entsprechen, 4 AT 502 241 B1 ist es nicht erforderlich, entsprechende Voreinstellungen (Regeln, Verknüpfungen, Parameter, usw.) zu treffen. Erfindungsgemäß werden Meldungen über abnormale Vorgänge bzw. Werte generiert, ohne das diese im Vorhinein definiert worden sind. 5 Erfindungsgemäß werden gesammelte Werte ohne vorangegangene Zwischenspeicherung verarbeitet. Neue Werte werden nicht mit einer gespeicherten History von Werten verglichen. Stattdessen werden neue Werte mit einem Modell verglichen, das einer Zusammenfassung dieser History gleichkommt. Auf Grund dieses vereinfachten Vergleichs und in Anbetracht dessen, dass dieser Vergleich einen großen Teil der gesamten Verarbeitungszeit ausmacht, kann io die Performance erheblich gesteigert werden.

Erfindungsgemäß wird ein Modell basierend auf realen Daten aus dem Automationssystem generiert bzw. erlernt. Liefert z.B. ein Sensor verrauschte Daten, so werden in dieses Modell auch diese verrauschten Daten integriert. Im Gegensatz zu herkömmlichen Systemen, die 15 richtige Werte erwarten, dann aber mit verrauschten Daten konfrontiert werden, werden erfindungsgemäß diese verrauschten Daten erkannt und für diesen Sensor als normal gewertet. Abnormale Werte werden weiterhin erkannt, da sie außerhalb der normalen (verrauschten) bzw. wahrscheinlichen Werte liegen. 20 Erfindungsgemäß werden Wahrscheinlichkeitsmodelle oder dazu äquivalente Modelle eingesetzt, um eine Wahrscheinlichkeit bzw. einen Wahrscheinlichkeitswertzu berechnen, der angibt, ob ein Sensorwert oder eine Kombination von Sensorwerten üblich bzw. zu erwarten ist oder unüblich und überraschend ist, ohne dass zuvor ein expliziter erwarteter Sensorwert errechnet wird. Der berechnete Wahrscheinlichkeitswert wird mit einem Schwellwert verglichen bzw. es 25 wird überprüft, ob der Wahrscheinlichkeitswert in einen Wahrscheinlichkeitswertebereich fällt, um unübliche Sensorwerte oder unübliche Korrelationen bzw. Zusammenhänge zwischen einzelnen Sensorwerten festzustellen. Mit dieser Vorgangsweise erfolgt eine Verbesserung der Genauigkeit der Beurteilung und Vorhersage von, insbesondere gegenseitigen, Zusammenhängen, eine Vereinfachung der Installation und eine Verbesserung in dem Betrieb und der 30 Benutzung der überwachten Netzwerke.

Es werden Wahrscheinlichkeitsmodelle verwendet, um jedem Sensorwert bzw. einer Anzahl von Sensorwerten einen Wahrscheinlichkeitswert zuzuordnen, ohne einen Sensorwert explizit zu berechnen und dieser Wahrscheinlichkeitswert wird verwendet, um Fehler im Netzwerk bzw. 35 Abweichungen vom Normalbetrieb festzustellen und mögliche Steuerungs- und Regelaktionen einzuleiten.

Durch die erfindungsgemäße Vorgangsweise wird das Netzwerk bzw. System vereinfacht bzw. einfacher kontrollierbar bzw. steuerbar. An Stelle, dass jeder Schwellwert oder Wertebereich in 40 Abhängigkeit von der Sensorart festgelegt werden muss, weil die vorgegebenen Wertebereiche bzw. Schwellwerte aufgrund von tatsächlichen Sensorwerten bzw. tatsächlichen Sensorwertebereichen berechnet werden müssen, erfolgt die Berechnung mittels Wahrscheinlichkeitswerten. Z.B. hätte ein Drucksensor einen völlig unterschiedlichen Schwellwert verglichen mit einem Temperatursensor, sodass für jeden Schwellwert individuell entschieden werden müsste, und 45 zwar durch einen Fachmann mit genauer Kenntnis der unterschiedlichen Messsysteme und Sensoren sowie der Ermittlung der Messwerte.

Dagegen kann durch Rückgriff auf Wahrscheinlichkeitswerte ein Vergleich von tatsächlich miteinander vergleichbaren Werten vorgenommen werden. Ein Wahrscheinlichkeitswert von so 1: 10.000 bedeutet auch bei unterschiedlichen Sensoren, z.B. Drucksensoren und Temperatursensoren, immer, dass dieser eine Wert einmal unter zehntausend Werten auftreten kann. Deswegen kann ein einziger Schwellwert oder Schwellwertbereich für jeden beliebigen Sensor oder eine Kombination von Sensoren des Netzwerkes verwendet werden, weil eben jeder Sensor einen Wahrscheinlichkeitswert liefert. Damit ergeben sich beträchtliche Zeit- und Kostenein-55 sparungen bei der Installierung, dem Aufbau und Betrieb des Netzwerkes. 5 AT 502 241 B1

Des weiteren ist das System einfach aufgebaut und zu bedienen. Wenn das System einen Alarm anzeigt, ist der Grund dieses Alarms völlig klar, da das System einen Wahrscheinlichkeitswert liefert. Sofern es sich um einen nicht begründeten Alarm gehandelt hat, kann der Schwellwert ohne weiteres verändert werden, um die Wahrscheinlichkeitsschwelle zur Auslö-5 sung dieses Alarms hinaufzusetzen, weil eben dieser Alarm als unzutreffend beurteilt wurde. Eine Abänderung von Schwellwerten für tatsächliche Messwerte kann unterbleiben.

Im folgenden wird die Erfindung beispielsweise anhand der Zeichnungen näher erläutert. Fig. 1 zeigt schematisch eine erfindungsgemäße Anordnung, Fig. 2 zeigt eine Anordnung gemäß io Fig. 1 in detaillierter Form.

Das Gesamtsystem bzw. die erfindungsgemäße Anordnung umfasst gemäß Fig. 1 ein eine Vielzahl von Einheiten umfassendes Automationssystem 2, das mit einer als Ermittlungseinheit 3 fungierenden Einheit zur Ermittlung von Wahrscheinlichkeitswerten und/oder -wertbereichen 15 bidirektional verbunden ist. Ein Benutzer 1 kann einerseits Einheiten im Automationssystem 2 betätigen, andererseits hat er auch die Möglichkeit, auf die Ermittlungseinheit 3 und ein Filtersystem 4 Einfluss zu nehmen. Die Ermittlungseinheit 3 ist in der Lage, den Benutzer 1 mit Informationen über Fehler bzw. Abweichungen im Messwertgeber- bzw. Sensornetzwerk des Automationssystems 2 zu versorgen. Diese Informationen können über ein beliebiges 20 PC-lnterface oder auch direkt über entsprechende Komponenten im Automationssystem 2 ausgegeben werden. Informationen aus dem Automationssystem 2 können das Filtersystem 4 durchlaufen, bevor sie an die Ermittlungseinheit 3 weitergeleitet werden. Des Weiteren kann eine Datenbank 5 die ungefilterten Werte aus dem Automationssystem 2 für spätere Kontrollen, zum Training bzw. zur Werteabänderung in der Ermittlungseinheit 3 oder für Optimierungstätig-25 keiten Zwischenspeichern und sie dem Filtersystem 4 oder der Ermittlungseinheit 3 zur Verfügung stellen.

Geber- bzw. Sensornetzwerke bzw. das Automationssystem 2 umfassen gemäß Fig. 2 zumindest einen oder mehrere Sensor(en) 11 bzw. Aktuator(en) 12, die die nicht dargestellten Einhei-30 ten abfühlen, und eine Kommunikationseinheit 13 (Kabel, Funk, etc.) zwischen diesen Einheiten. Zusätzlich können als weitere Sensoren auch Ausgangswerte abgebende Kontrollereinheiten 14 in das Sensornetzwerk 2 integriert werden.

Die erfindungsgemäße Anordnung zur automatischen Erkennung und Meldung von Fehlem 35 bzw. Abweichungen von Normalwerten in einem Sensornetzwerk 2 umfasst ferner die Ermittlungseinheit 3, die Zusammenhänge in den Ausgangswerten der Sensoren durch den Aufbau eines parametrisierten Wahrscheinlichkeits- bzw. Lernmodells erkennt. Diese Ermittlungseinheit 3 kann in drei Module unterteilt werden: 40 Eine Lernmanagementeinheit 15 gibt dem Benutzer die Möglichkeit, Parameter der Lernalgorithmen zu beeinflussen bzw. einer Abänderung der Wahrscheinlichkeitswerte bzw. -wertbereiche, die der Beurteilung der Ausgangswerte zugrundegelegt werden, zu erreichen. Zum Beispiel kann der Benutzer entscheiden, welches Lern- bzw. Abänderungsmodell verwendet werden soll (wenn verschiedene Lernverfahren zu Verfügung stehen), Parameter bezüglich 45 der Komplexität des Modells festlegen, maximalen Speicherbedarf bestimmen, die Lerngeschwindigkeit festlegen, usw. Weiters hat der Benutzer die Möglichkeit die Lerndauer zu bestimmen. Vorzugsweise wird ein ständiges Lernen verwendet, da das System sich dadurch an geänderte Umgebungsbedingungen automatisch anpassen kann. Dennoch hat der Benutzer die Möglichkeit, die Lernphase zu beenden bzw. vorübergehend auszusetzen. Das Modul so Lernmanagement 15 beeinflusst die Lernalgorithmen 16 und das Lernmodell 17. Unter dem Begriff "Lernen" wird die Berechnung von Wahrscheinlichkeitswerten und -wertbereichen unter Zuhilfenahme von Verteilungs- oder Wahrscheinlichkeitsgesetzen bzw. -modellen (z.B. Gaußsche Modelle, Histogramm, Kalman Filter, Markow Ketten od. dgl. und/oder Fuzzy-Logic Verfahren) verstanden. 55 6 AT 502 241 B1

Das Modul Lernmodell 17 enthält das Wissen des Systems in Form eines erlernten Modells, d.h. eine Zusammenfassung aller bisherigen Wahrscheinlichkeiten. Basierend auf diesem Modell, wird jedem neuen Ausgangswert aus dem Automationssystem ein Wahrscheinlichkeitswert und/oder -wertbereich zugeordnet, der angibt, wie normal bzw. abnormal der neue 5 Wert im Vergleich zum Modell ist ( Überraschungsmaßzahl). Je ungewöhnlicher der neue Ausgangswert ist, desto höher ist der ihm zugeordnete Wert. Wird dem Lernmodell eine Menge an Ausgangswerten aus dem Automationssystem übergeben, so kann das Modell nicht nur darüber eine Aussage treffen, welche Ausgangswerte wie ungewöhnlich sind, sondern es ist auch in der Lage eine Aussage darüber zu treffen, welche Ausgangswerte - im Zusammenhang io mit den anderen Werten - dem Normalfall entsprechen würden. Als mögliche Lernmodelle kommen Wahrscheinlichkeitsmodelle <z.B. Gaußsche Modelle, Histogramme, Kalman Filters, Markow Ketten, usw) zum Einsatz.

Bei der Verwendung von Wahrscheinlichkeitsmodellen entspricht die Überraschungsmaßzahl 15 der Wahrscheinlichkeit bei einem gegebenen Modell: P({Si,S2,...,Sv,ai,a2,...,aw}|M) (1) wobei S| ein Sensorwert ist, a, ein Aktuatorwert, und M das Modell. Unter einem Aktuator wird 20 eine Einheit verstanden, die über Steuersignale beeinflusst werden kann. Aktuatorwerte sind einerseits die am Aktuator eingehenden Steuersignale, andererseits auch ausgehende Signale, die den Zustand des Aktuators beschreiben. Prinzipiell sind Aktuatorwerte und Sensorwerte als gleichartige Ausgangswerte anzusehen. 25 Neben Wahrscheinlichkeitsmodellen können auch andere Lernmodelle wie zum Beispiel Fuzzy-Logic-Modelle verwendet werden.

Die Überraschungsmaßzahl des Lernmodells 17 hat auch Einfluss auf das einen Lernfilter 20 aufweisende Filtersystem 4, da dieser Wert darüber entscheidet, ob ein Wert in das Lernmodell 30 aufgenommen oder herausgefiltert wird. Das Lernsystem 20 erhält entweder über die Datenbank 5 oder aus dem Automationssystem 2 neue Werte; aus dem Lernmodell 17 erhält das Lernsystem 20 dann eine Beurteilung (Überraschungsmaßzahl) dieser neuen Werte. Überschreitet diese Überraschungsmaßzahl einen bestimmten Schwellwert, so wird dieser Wert nicht in das Lernmodell übernommen. Anderenfalls wird der Wert an die Lernalgorithmen 16 35 übergeben.

Die Ergebnisse des Lernmodells 17 (Informationen für den Benutzer) können entweder direkt oder durch eine Kontrollereinheit 14 über entsprechende Ausgabekomponenten 12 im Automationssystem 2 ausgegeben werden. Weiters können die Ergebnisse des Lernmodells auch über 40 beliebige PC-lnterface 22 ausgegeben werden.

Das Modul Lernalgorithmen 16 ist dafür verantwortlich, aus Werten, die es aus dem Automationssystem 2, dem Filtersystem 4 oder der Datenbank 5 erhält, ein Lernmodell zu generieren bzw. dieses anzupassen. Neue Werte werden nicht mit einer gespeicherten History von Daten 45 verglichen, sondern direkt mit den Daten des generierten bzw. vorhandenen Lernmodells 17. Der Vorteil dieser Vorgehensweise liegt darin, dass eine Speicherung von gesammelten Daten für den Vergleich nicht mehr notwendig ist. Dadurch wird einerseits der Platzbedarf für das Speichersystem eingespart, und andererseits auch die Performance des Systems verbessert, da der Vergleich nur mit dem Lernmodell, und nicht mit einer Reihe an vorangegangenen, so gespeicherten Daten erfolgt. Ein weiterer Vorteil liegt darin, dass die Privatsphäre der überwachten Benutzer erhalten bleibt, da keine Daten gespeichert werden müssen, sondern neue Daten lediglich mit dem Lernmodell verglichen werden.

Das Modul Lernalgorithmen 16 umfasst die Module Inferenz 18 und Modelladaption 19. Im 55 Modul Inferenz 18 werden neue Werte mit dem Lernmodell 17 verglichen. Das Ergebnis dieses 5 5 7 AT 502 241 B1

Moduls ist eine Beurteilung, ob ein neuer Ausgangswert dem gelernten Modell entspricht oder nicht; bei Nichtentsprechung wird auch eine Beurteilung darüber abgegeben, inwiefern sich der neue Ausgangswert vom Normalfall unterscheidet (z.B. dass er um 50% höher ist als der Normalwert). Diese Beurteilung erfolgt in Zusammenarbeit mit dem Lernmodell (17).

Im Folgenden wird eine Bayesian Inferenz Modul als Beispiel aufgeführt. Im Bayesian Inferenz Modul berechnet das System diese Beurteilung als Wahrscheinlichkeit für einen Wert aus einem Set von neuen Werten, bei einem gegebenen Lernmodell und im Kontext zu den anderen Werten aus diesem Set: 10 P({si,s2.....sK,.....ai_}| {sK+i..... sN,aL+i.... ,aR}; M) P({Si,52·····5Νι31ι32ι···ι3ρ};Μ) Σ Σ P({s1,S2,...,sN,a1,a2,...IaR};M) Si aj (2) 15 wobei S| ein Sensorwert ist, a, ist ein Aktuatorwert, M ist das Modell, und P({si ,s2,...,sN,a1,a2.....aR}|M) der Input aus dem Lernmodell 17, wobei eine Anzahl N an Senso ren und eine Anzahl R an Aktuatoren verwendet wird.

Eine zweite Alternative ist Frequentist Inferenz . In diesem Fall wird für einen Erwartungswert 20 ein Konfidenzinterval kalkuliert. Die Überraschungsmaßzahl wird dann in Bezug auf dieses Konfidenzinterval kalkuliert. Wiederum sind auch hier andere Algorithmen wie zum Beispiel Fuzzy Logic möglich.

Die Modelladaption 19 ist der Teil der Ermittlungseinheit 3 bzw. das Modul Lernalgorithmen 16, 25 in dem die Modellparameter so geändert werden, dass die im Normalfall beobachteten Werte aus dem Automationssystem 2 auch im Lernmodell den Normalfall darstellen, also in Folge im Modul-Inferenz 18 zu einer kleinen Überraschungsmaßzahl führen. Durch das Modul Modelladaption 19 werden die Parameter des Lernmodells 17 geändert. Im Falle von Wahrscheinlichkeitsmodellen versucht die Modelladaption das Lernmodell so zu beeinflussen bzw. zu ändern, 30 dass die Wahrscheinlichkeit für neue Werte aus dem Automationssystem 2 so hoch wie möglich ist. Zu diesem Zweck könnte Gradient-based optimization verwendet werden: Wird ein neuer Wert an die Ermittlungseinheit übermittelt, so kann ein Parameter des Modells wie folgend verändert werden: 35 Mj<-Mj+ 5 5^^(^,82, .SN.ai.a^.-.aRjIM)) (3) wobei Mi ein Parameter des Modells M ist, und ε ein Parameter, der das Lerntempo beeinflusst (der Teil der Formel rechts vom + wird als Model update term bezeichnet). Weitere Methoden für diese Adaption wären die Newton’s Method oder der Expectation-Maximization Algorithm . 40

Das Modul Lernalgorithmen 16 erhält Werte entweder direkt aus dem Automationssystem 2, aus einer Datenbank 5 oder aus dem Filtersystem 4.

Ein weiterer integraler Bestandteil ist das Filtersystem 4. Es umfasst die Module Inputfilter 23 45 und Lernsystem 20.

Der Inputfilter 23 ist dem Datenfluss vom Automationssystem 2 zur Ermittlungseinheit 3 zwischengeschaltet und kann vom Benutzer 1 gesteuert werden. Aus dem Automationssystem 2 kann der Inputfilter 23 Daten von den Sensoren 11, von den Aktuatoren 12 und auch von den so Kontrolleinheiten 14 erhalten. Die gefilterten Werte werden dann an das Modul Lernalgorithmen 16 der Ermittlungseinheit 3 übergeben. Die Aufgabe dieses Filters ist es, Werte, die nicht der Norm entsprechen, und die dem Benutzer bekannt sind, herauszufiltem. Beispiele dafür wären, wenn Wartungsarbeiten an der Heizung durchgeführt werden, und das Heizsystem in dieser Zeit falsche Werte liefern würde, oder wenn die Hausbewohner bzw. Mitarbeiter auf Urlaub sind 55 und das Gebäude bzw. Räume einige Zeit nicht benutzt werden, usw. Der Benutzer hat dafür 8 AT 502 241 B1 die Möglichkeit, verschiedene Filtermasken zu setzen. Diese Masken können zeitliche Einschränkungen sein, sie können bestimmte Räume umfassen, bestimmte Sensorikbereiche (z.B. Temperaturwerte), bestimmte Vorgänge (z.B. Urlaub), oder Kombinationen aus diesen Masken. Beispielsweise könnte eine Maske alle Temperaturwerte in einem bestimmten Raum 5 zwischen 10:00 und 12:00 umfassen. Der ausschlaggebende Punkt bei der Verwendung dieser Masken ist, dass, während ein bestimmter Teil der Sensorik herausgefiltert wird, der restliche Teil nach wie vor seine Arbeit verrichtet. Wählt man zum Beispiel die Maske für Urlaub (mit einem bestimmten Zeitbereich), so ignoriert das System, dass die Räume und Geräte über längere Zeit nicht benutzt werden - gleichzeitig würde es aber Eindringlinge oder sonstiges io Fehlverhalten entdecken.

Das Lernsystem 20 ist ebenfalls dem Datenfluss vom Automationssystem 2 zur Ermittlungseinheit 3 zwischengeschaltet, arbeitet aber ohne Einflussnahme durch den Benutzer. Stattdessen wird es über das Lernmodell 17 gesteuert. Aus dem Automationssystem 2 kann das Lernsystem 15 20 Daten von den Sensoren 11, von den Aktuatoren 12, von der Datenbank 5, und auch von den Kontrolleinheiten 14 erhalten. Die Aufgabe des Lernsystems 20 ist es, Werte aus dem Automationssystem nur dann, an die Ermittlungseinheit 3 weiterzuleiten, wenn das Lernmodell diese Werte lernen soll. Als Kriterium für diese Informationsweiterleitung wird die Überraschungsmaßzahl herangezogen. Die Ermittlungseinheit soll einen neuen Wert nur dann lernen, 20 wenn der Wert nicht außerhalb der Norm liegt. Würde das Lernmodell 17 auch mit Werten konfrontiert werden, die weit außerhalb der Norm liegen, müssten die Modellparameter entsprechend stark geändert werden, um diese Werte in das Modell zu integrieren. Dies würde aber dazu führen, dass sich der Normalbereich des Lernmodells 17 vom Normalbereich in der normalen Welt wegbewegen würde. Die Aufgabe des Lernsystems 20 besteht nun darin, diese 25 Negativ-Beeinflussung des Lernmodells 17 zu verhindern. Alternativ zum Blockieren dieser Ausgangswerte, kann das Lernsystem das Lerntempo für ungewöhnliche Werte herabsetzen, so dass die Anzahl, wie oft ein Wert auftreten muss, bis das Lernmodell ihn als normal ansieht, von der Überraschungsmaßzahl abhängt - je höher die Überraschungsmaßzahl, desto öfters muss der Wert auftreten. Die Überraschungsmaßzahl erhält das Lernsystem 20 aus dem Lern-30 modell 17. Wird zum Beispiel für das Modul Lernalgorithmen 16 Gradient-based-method , und für das Lernmodell 17 das Wahrscheinlichkeitsmodell aus (Eq. 1) verwendet, so wäre der Modell update term in (Eq. 3) sehr groß, wenn ein sehr unwahrscheinlicher Wert an die Ermittlungseinheit 3 übergeben wird. In der Folge würden die Parameter des Modells stark verändert werden. Zusammenfassend kann gesagt werden, dass das Lernsystem 20 Werte mit kleiner 35 Wahrscheinlichkeit entweder herausfiltern, oder den Parameter für die Lerngeschwindigkeit (Eq. 3) im Verhältnis zur Wahrscheinlichkeit verringern kann.

Neben dem Filtersystem 4 kann eine Datenbank 5 zum Einsatz kommen. Die Datenbank sammelt die ungefilterten Werte aus dem Automationssystem 2 für spätere Kontrollen, zum Training 40 der Ermittlungseinheit 3, oder für Optimierungstätigkeiten, und kann sie dem Filtersystem 4 oder der Ermittlungseinheit 3 zur Verfügung stellen. Daten aus dem Automationssystem 2 kann die Datenbank 5 von den Sensoren 11, von den Aktuatoren 12 und auch von den Kontrolleinheiten 14 erhalten. Diese gespeicherten Informationen können im Filtersystem 4 sowohl dem Inputfilter 23 als auch dem Lernsystem 20 zur Verfügung gestellt werden. Des Weiteren können die In-45 formationen auch an das Lernmodell 17 der Ermittlungseinheit 3 übergeben werden. Wichtig ist dabei, dass es sich dabei um unveränderte Werte aus dem Automationssystem 2 handelt. Die Werte werden bei dieser Speicherung zumindest mit einem Zeitstempel versehen - der Zusammenhang zwischen einer bestimmten Einheit des Automationssystems 2, dem Wert aus dieser Einheit, und dem Zeitpunkt des Auftretens dieses Wertes muss erhalten bleiben. Die Anzahl der so gespeicherten Datensätze ist von der gewünschten Verwendung dieser Informationen abhängig. Für diese Datenspeicherung kann eine Datenbank, aber auch jede andere Form eines Speichersystems (z.B. Listen, flat file, usw.) verwendet werden.

Der Benutzer 1 hat verschiedene Möglichkeiten mit der Anordnung zu interagieren, z.B. über 55 eine Einheit 21. Er kann einerseits auf das Automationssystem 2 Einfluss nehmen, indem er

Claims (13)

1. 9 AT 502 241 B1 Sensoren 11 betätigt (z.B. Lichtschalter, Temperaturregler, usw.), oder Parameter der Sensoren 11 oder der Kontrollereinheiten 14 vorgibt (z.B. Schwellwerte, Zeitspannen, usw.). Diese Einflussnahme wirkt sich insofern aus, als dass diese Änderungen über das Filtersystem 4 bzw. direkt an die Ermittlungseinheit 3 weitergegeben werden. Weiters hat der Benutzer 1 die Mög-5 lichkeit auf das Lernmanagement 15 und auf den Inputfilter 23 Einfluss zu nehmen. Die Erfindung betrifft ferner ein Computerprogrammprodukt mit entsprechenden Softwarecodeabschnitten bzw. computerlesbaren Programmmitteln, mit dem das erfindungsgemäße Verfahren auf bzw. mit einem Computer durchgeführt werden kann. 10 Patentansprüche: 1. Verfahren zur Überwachung bzw. zur Feststellung der Abweichung ermittelter Werte, bzw. 15 Ausgangswerte, d.h. von Messwerten und/oder Status- bzw. Zustandswerten gegenüber Normal- bzw. Sollwerten, wobei die Werte mit Gebern, insbesondere Zustands- bzw. Messwert- bzw. Statusgebern, vorzugsweise Sensoren und/oder Datengebern bzw. Aktuatoren, insbesondere Zustands- bzw. Messwert- bzw. Statusgebernetzwerken, von damit detektierten bzw. überwachten Einheiten ermittelt und in Form von Ausgangswerten abge-20 geben werden, dadurch gekennzeichnet, dass - jedem Geber unter Zuhilfenahme von Verteilungs- oder Wahrscheinlichkeitsgesetzen bzw. -modellen (z.B. Gaußschen Modellen, Histogrammen, Kalman Filters, Markow-Ketten od. dgl. und/oder Fuzzy-Logic-Verfahren) ein Wahrscheinlichkeitswert und/oder -wertbereich, für seinen nächsten Ausgangswert, insbesondere für dessen Verlauf 25 und/oder den Zeitpunkt seines Auftretens und/oder seine Magnitude und/oder seine Ände rung und/oder seinen Inhalt, zugeordnet wird und/oder - die Ausgangswerte von zumindest zwei unterschiedlichen Gebern miteinander korreliert werden, indem für diese Ausgangswerte unter Einsatz von Verteilungs- oder Wahrscheinlichkeitsgesetzen bzw. -modellen, z.B. Gaußschen Modellen, Histogrammen, Kalman Fil- 30 ters, Markow-Ketten od. dgl. und/oder Fuzzy-Logic-Verfahren, ein Wahrscheinlichkeitswert und/oder -Wertebereich für ihre gegenseitige Abhängigkeit, insbesondere in Hinblick auf den Zeitpunkt ihres Auftretens und/oder ihres Verlaufes und/oder ihrer Magnitude und/oder ihrer Änderung und/oder ihres Inhaltes erstellt wird, und - dass für die Ausgangswerte der Geber festgestellt wird, ob der Wahrscheinlichkeitswert 35 und/oder -wertbereich dieses Ausgangswertes außerhalb des zugeordneten Wahrschein lichkeitsbereiches liegt oder von dem zugeordneten Wahrscheinlichkeitswert abweicht.
2. 2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass bei Feststellung einer Abweichung, insbesondere über einen vorgegebenen Abstand hinaus, eine Signalisierung vor- 40 genommen wird oder die Abgabe eines Steuersignals erfolgt, mit dem insbesondere ver sucht wird, von den Einheiten einen folgenden Ausgangswert mit einem zulässigen Wert zu erhalten.
3. 3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass der den einzelnen 45 Gebern zugeordnete oder erstellte Wahrscheinlichkeitswertbereich oder Wahrscheinlich keitswert willkürlich festgelegt oder basierend auf vorangehend erhaltenen Ausgangswerten ermittelt wird.
4. 4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass die den ein- 50 zelnen Gebern zugeordneten Wahrscheinlichkeitswerte bzw. -wertbereiche, insbesondere bis zum Eintreffen eines neuen Ausgangswertes und Neuberechnung der Wahrscheinlichkeitswerte bzw. -wertbereiche, gespeichert wird.
5. 5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass der den 55 einzelnen Gebern zugeordnete Wahrscheinlichkeitswert und/oder der Wahrscheinlich- 10 AT 502 241 B1 keitswertbereich nach Einlangen eines, vorzugsweise eines jeden, neuen Ausgangswertes, ausgehend von bzw. basierend auf dem bisherigen für diesen Messwertgeber ermittelten Wahrscheinlichkeitswert und/oder Wahrscheinlichkeitswertbereich unter Einbeziehung des neuen Ausgangswertes neu berechnet werden. 5
6. 6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass nur neu einlangende Ausgangswerte für die Neuberechnung des Wahrscheinlichkeitswertes und/oder Wahrscheinlichkeitswertbereiches herangezogen werden, die einen vorgegebenen Abstand zu dem Wahrscheinlichkeitswertbereich bzw. Wahrscheinlichkeitswert des letzten Ausgangswertes io in Hinblick auf Verlauf und/oder Eintreffzeitpunkt und/oder Magnitude und/oder Änderung und/oder Inhalt nicht überschreiten und/oder einen vorliegenden berechneten Wahrscheinlichkeitswert und/oder Wahrscheinlichkeitswertbereich nicht über ein vorgegebenes Maß hinaus verändern und/oder deren vorliegende berechnete Wahrscheinlichkeitswerte und/oder Wahrscheinlichkeitswertbereichte innerhalb eines vorgegebenen Bereichs liegen. 15
7. 7. Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass der zulässige Abstand zu dem Wahrscheinlichkeitswertbereich bzw. Wahrscheinlichkeitswert des letzten Ausgangswertes und/oder zu einem vorgegebenen berechneten Wahrscheinlichkeitswert und/oder -wertebereich unter Verwendung von Wahrscheinlichkeitsmodellen, z.B. Gauß- 20 sehe Modellen, Histogrammen, Kalman Filters, Markow Ketten od.dgl. und/oder Fuzzy- Logic-Verfahren, ermittelt wird.
8. 8. Anordnung zur Überwachung bzw. zur Feststellung der Abweichung ermittelter Werte bzw. Ausgangswerten, d.h. von Messwerten und/oder Status- bzw. Zustandswerten gegenüber 25 Normal- bzw. Sollwerten, wobei die Werte mit Gebern, insbesondere Zustands- bzw. Messwert- bzw Statusgebern, vorzugsweise Sensoren und/oder Datengebern bzw. Aktuatoren, insbesondere Messwert-Gebernetzwerken (2), von damit detektierten bzw. überwachten Einheiten ermittelt und in Form von Ausgangswerten abgegeben werden, insbesondere zur Durchführung des Verfahrens nach einem der Ansprüche 1 bis 7, dadurch 30 gekennzeichnet, - dass jeder der Geber (2) an eine Ermittlungseinheit (3) zur Ermittlung von Wahrscheinlichkeitswerten und/oder -wertbereichen angeschlossen ist, in der unter Zuhilfenahme von Verteilungs- oder Wahrscheinlichkeitsgesetzen bzw. -modellen, z.B. Gaußschen Modellen, Histogrammen, Kalman Filters, Markow-Ketten od. dgl. und/oder 'Fuzzy-Logic-Verfahren, 35 ein Wahrscheinlichkeitswert und/oder -wertbereich für den Verlauf und/oder den Zeitpunkt des Auftretens und/oder die Magnitude und/oder Änderung und/oder Inhalt des nächsten Ausgangswertes des Messwertgebers ermittelt wird, und/oder - eine Ermittlungseinheit (3) zur Korrelation der Ausgangswerte von zumindest zwei unterschiedlichen Gebern vorgesehen ist, in der für diese Ausgangswerte unter Zuhilfenahme 40 von Verteilungs- oder Wahrscheinlichkeitsgesetzen bzw. -modellen, z.B. Gaußschen Modellen, Histogrammen, Kalman Filters, Markow-Ketten od. dgl. und/oder Fuzzy-Logic-Verfahren, ein Wahrscheinlichkeitswert und/oder ein Wahrscheinlichkeitswertbereich für ihre gegenseitige Abhängigkeit, insbesondere in Hinblick auf den Zeitpunkt ihres Auftretens und/oder ihres Verlaufes und/oder ihrer Magnitude und/oder ihrer Änderung und/oder ihres 45 Inhaltes erstellt werden, und - dass eine Diskriminierungs- oder Vergleichereinheit bzw. ein Lernsystem (20) vorgesehen ist, die einen neu einlangenden Ausgangswert in Hinblick auf Verlauf und/oder Zeitpunkt seines Auftretens und/oder seiner Magnitude und/oder seiner Änderung und/oder seines Inhalt überprüft, ob dieser Ausgangswert dem berechneten Wahrscheinlichkeitswert ent- 50 spricht und/oder in den berechneten Wahrscheinlichkeitswertbereich fällt und gegebenenfalls feststellt, in welchem Ausmaß bzw. welchen Abstand der Wahrscheinlichkeitswert und/oder -wertbereich des eingelangten Ausgangswertes von einem vorgegebenen bzw. ermittelten Wahrscheinlichkeitswert und/oder -wertbereich entfernt liegt, und - dass an die Ermittlungseinheit (3) gegebenenfalls eine Steuereinheit für die Einheiten 55 oder eine Signalisierungseinheit angeschlossen ist. 1 1 AT 502 241 B1
9. 9. Anordnung nach Anspruch 8, dadurch gekennzeichnet, - dass ein Filtersystem (4) vorgesehen ist, die einen Schwellwert vorgibt, und - dass über das Filtersystem (4) eines von der Ermittlungseinheit (3) zur Ermittlung von Wahrscheinlichkeitswerten und/oder -wertbereichen umfassten Lernmodell (17) nur neu 5 einlangende Ausgangswerte zur Neuberechnung der Wahrscheinlichkeitswerte bzw. -wertbereiche zugeführt sind, welche diesen Schwellwert unterschreiten, wobei das Filtersystem (4), vorzugsweise das Lernsystem (20) und einen Inputfilter (23) umfasst.
10. 10. Anordnung nach Anspruch 8 oder 9, dadurch gekennzeichnet, dass eine Lernmanage- io ment- bzw. Eingabeeinheit (15) vorgesehen ist, mit der Wahrscheinlichkeitswerte und/oder Wahrscheinlichkeitswertbereiche abänderbar und/oder insbesondere zur Initialisierung, vorgebbar und/oder vorgegebene Messwerte als zusätzliche Ausgangsmesswerte der Ermittlungseinheit (3) zur Ermittlung von Wahrscheinlichkeitswerten und/oder -wertbereichen zuführbar sind. 15
11. 11. Anordnung nach einem der Ansprüche 8 bis 10, dadurch gekennzeichnet, dass ein Lernmodell (17) und/oder eine Speichereinheit (5) für eine vorgegebene Anzahl von zu bestimmten Zeitpunkten erhaltene Ausgangswerte der Messwertgeber und/oder für die den einzelnen Messwertgebern zugeordneten Wahrscheinlichkeitswerte bzw. -wertbereiche 20 und/oder ein Modul (16) für Lernalgorithmen vorgesehen ist, wobei dieser Modul (16) einen Modul (18) zum Vergleich von neuen Werten mit dem Lernmodell (17) und einen Modul (18) zur Beeinflussung der Parameter des Lernmodells (17) umfasst.
12. 12. Verwendung des Verfahrens nach einem der Ansprüche 1 bis 7 und einer Anordnung nach 25 einem der Ansprüche 8 bis 11, zur Feststellung der Funktion und Kontrolle von Einheiten von Anlagen und/oder Gebäuden und/oder Kommunikationsnetzen in Hinblick auf Status-bzw. Zustandswerte und/oder Messwerte bzw. Parameter wie z.B. Temperatur, Belegung von Zimmer, Aufenthalt von Personen, Strom-, Wasserverbrauch, Heizungseinstellung, Jalousiestand, Lampenbetätigungen, oder von Einheiten von Industrieanlagen und/oder 30 Fahrzeugen in Hinblick auf Messdaten, z.B. Reifendruck, Bremsverhalten, Motordrehzahl, elektronische Parameter, Personaleinsatz, Wirkungsgrad usw., oder von Einheiten von Verteilungssystemen in Hinblick auf Status- bzw. Zustandswerte und/oder Parameter wie z.B. Lagerstand, Verbrauch, Absatz, Stückzahlen, Liefermenge, usw.
13. 13. Datenträger, dadurch gekennzeichnet, dass auf ihm ein Programm zur Ausführung des in den Ansprüche 1 bis 7 beanspruchten Verfahrens gespeichert ist. Hiezu 1 Blatt Zeichnungen 40 45 50 55