CN114036995A - 用于探测技术系统的传感器记录中的异常的方法和设备 - Google Patents

用于探测技术系统的传感器记录中的异常的方法和设备 Download PDF

Info

Publication number
CN114036995A
CN114036995A CN202110818762.2A CN202110818762A CN114036995A CN 114036995 A CN114036995 A CN 114036995A CN 202110818762 A CN202110818762 A CN 202110818762A CN 114036995 A CN114036995 A CN 114036995A
Authority
CN
China
Prior art keywords
sensor
anomaly
anomaly detection
outlier
records
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110818762.2A
Other languages
English (en)
Inventor
C-N·施特雷勒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN114036995A publication Critical patent/CN114036995A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

用于探测技术系统的传感器记录中的异常的方法和设备。计算机实现的用于探测在技术系统的多个传感器记录中的异常的方法，所述方法包括如下步骤：确定第一异常值，所述第一异常值关于多个传感器记录中的所有传感器记录表征是否存在异常；确定多个第二异常值，其中出自多个第二异常值中的一个第二异常值与所述多个传感器记录中的一个传感器记录相对应并且关于该传感器记录表征在所述多个传感器记录中的其他传感器记录中是否存在异常；如果所述第一异常值表征异常的存在并且与该传感器记录相对应的第二异常值不表征异常并且该第二传感器值与所述多个第二异常值中的其他第二异常值偏差超过预定义的程度，则探测所述多个传感器记录中的一个传感器记录。

Description

用于探测技术系统的传感器记录中的异常的方法和设备
技术领域
本发明涉及一种用于探测技术系统的传感器记录中的异常的方法，一种异常探测设备、一种用于训练异常探测设备的方法、一种训练设备、一种计算机程序和一种存储介质。
背景技术
未公开的DE 10 2020 208 642.7公开了用于探测技术系统中的异常的方法和设备。
发明内容
发明的优点
技术系统可以使用传感器来感知外界的物理周围环境状态参量或技术系统的运行状态参量，所述传感器将相对应的传感器记录传送给技术系统。然而，传感器例如当其出故障时可能传送有错误的信号。为了减小该问题，可以使用优选相同类型的冗余的传感器。
值得期望的是，监控多个传感器的传感器记录，以便能够查明传感器记录是否有异常表现，并且如果是，则查明哪个传感器或哪些传感器导致异常表现。
具有独立权利要求1的特征的方法能够实现识别多个传感器记录中的传感器记录中的异常。如果传感器根据其输出的信号能够被识别为异常，则这具有如下优点：该传感器能够自动地受到检查或更换。替选地或附加地，可设想的是，技术系统在运行期间有利地短期或持久地对于继续运行不再考虑被探测为异常的传感器记录。这能够实现即使在存在有缺陷的或不可靠的传感器或错误的或异常的传感器记录的情况下技术系统也正确运行。
发明的公开
在第一方面中，本发明涉及计算机实施的用于探测技术系统的多个传感器记录中的异常的方法，所述方法包括如下步骤：
• 确定第一异常值，所述第一异常值关于所有传感器记录表征是否存在异常；
• 确定多个第二异常值，其中出自多个第二异常值中的一个第二异常值与多个传感器记录中的一个传感器记录相对应并且关于该传感器记录表征在所述多个传感器记录中的其他传感器记录中是否存在异常；
•如果第一异常值表征异常的存在并且与该传感器记录相对应的第二异常值不表征异常并且该第二传感器值与所述多个第二异常值中的其他第二异常值偏差超过预定义的程度，则探测所述多个传感器记录中的一个传感器记录中的异常。
传感器记录可以理解为借助对应合适的传感器对技术系统的物理周围环境条件或物理运行条件测量的结果。优选地，多个传感器记录在技术系统运行期间和在相同时刻被记录。
在本发明的上下文中，如果传感器记录的出现相对于对应于传感器记录的传感器的其他测量不可信，则在传感器记录中存在异常或将传感器记录理解为异常。例如，传感器记录可以包括如下值，所述值在技术系统运行中落入典型值域内。值在对于该值典型的值域之外可以理解为不可信或异常。如果传感器记录包括的至少一个值在对于该值典型的值域之外，则传感器记录在此情况下可能会被理解为异常。
该方法可以理解为，首先针对多个传感器记录借助第一异常值确定关于多个传感器记录是否存在异常。针对存在异常的情况，经由多个第二异常值可以确定哪个传感器记录导致异常表现。优选地，在技术系统运行期间应用该方法，以便因此能够探测在技术系统运行期间的异常。
多个传感器记录优选可以检测多个传感器并且将其提供给技术系统。安装在技术系统中的传感器和并未安装在技术系统中的传感器可以用作传感器，所述传感器例如是可以从外部观测技术系统的传感器。
优选地，第一异常值可以是概率或概率密度值。在此情况下，如果第一异常值低于预定义的第一阈值，则在多个传感器记录中可能存在异常。
此外，优选地，第二异常值可以是概率或概率密度值。在此情况下，如果第二异常值低于预定义的第二阈值，则与第二异常值对应的传感器记录可以理解为异常。也可以设想的是，第二阈值是第一阈值。
此外可考虑的是，第一异常值借助第一异常探测模型基于多个传感器记录来确定。第一异常值可以由第一异常探测模型优选借助机器学习方法来确定。使用机器学习方法的优点是，据此与例如在借助基于规则的方法确定第一值时相比更精确地确定第一异常值。据此，该方法能够探测技术系统中的异常的精度升高。
尤其是，机器学习方法可以是规范流程（Normalizing Flow）。在此情况下，规范流程可以构成为，规范流程接收多个传感器记录作为输入并且确定输出，其中输出或输出的部分被作为第一异常值提供。用于此目的的规范流程的优点是，规范流程可以确定关于多个传感器记录的出现的非常精确的概率或非常精确的概率密度值，这引起更精确地探测异常。
此外可设想的是，为了针对每个传感器记录确定多个第二异常值，存在相对应的第二异常探测模型，所述第二异常探测模型与对应的传感器记录相对应并且构成为确定与传感器记录相对应的第二异常值。第二异常探测模型在此优选构成为，第二异常探测模型基于多个传感器记录中的与第二异常探测模型不对应的传感器记录确定第二异常值。第二异常值可以由第二异常探测模型优选借助机器学习方法来确定。使用机器学习方法的优点是，据此与例如在借助基于规则的方法时相比更精确地确定第二异常值。据此，该方法能够探测技术系统中的异常的精度升高。
尤其是，机器学习方法可以是规范流程。在此情况下，规范流程可以构成为，规范流程接收多个传感器记录中的除了相对应的传感器记录之外的传感器记录作为输入并且确定输出，其中输出或输出的部分被作为第二异常值提供。用于此目的的规范流程的优点是，规范流程可以确定关于多个传感器记录的所有传感器记录的出现的非常精确的概率或非常精确的概率密度值，这引起更精确地探测异常。
在另一方面中，本发明涉及计算机实施的用于训练异常探测设备的方法，其中所述方法包括如下步骤：
• 提供技术系统的或结构相同的技术系统或类似技术系统的多个传感器记录；
• 基于多个传感器记录训练第一异常探测模型；
• 训练多个第二异常探测模型，其中针对多个传感器记录中的一个传感器记录基于多个传感器记录中的其他传感器记录训练各一个第二异常探测模型。
在提供的步骤中，优选由多个相同类型的不同传感器在相同时刻提供多个传感器记录中的所述传感器记录。多个传感器记录中的各个传感器记录因此可以理解为在相同时刻的相应测量。
多个传感器记录因此可以理解为用于该方法的训练数据。优选地，为了训练提供多个训练数据并且基于多个训练数据训练第一异常探测模型和/或第二异常探测模型。
在训练第一异常探测模型的步骤中，可以优选训练第一异常探测模型，使得第一异常探测模型给多个传感器记录中的传感器记录分配如下值，所述值表征关于多个传感器记录的出现的概率或概率密度值。为此目的，可以利用机器学习的训练方法训练第一异常探测模型，例如利用改进训练数据的由第一异常探测模型确定的对数似然性（log-likelihood）训练，例如利用随机梯度下降法（Stochastic Gradient Descent（随机梯度下降））来训练。
在训练多个第二异常探测模型的步骤中，第二异常探测模型可以理解为与传感器记录对应。第二异常探测模型可以优选地被训练为，使得第二异常探测模型给训练数据的其他传感器记录、即没有对应传感器记录的多个传感器记录中的传感器记录分配如下值，所述值表征关于其他传感器记录的出现的概率或概率密度值。为此目的，第二异常探测模型可以利用机器学习方法来训练，优选利用由第二异常探测模型确定的其他记录的对数似然性，例如Stochastic Gradient Descent（随机梯度下降）来训练。
此外，可考虑的是，多个传感器记录由第二技术系统提供，所述第二技术系统在结构上与技术系统相同或至少相似，例如在该技术系统使用或包括结构相同的传感器的情况下。例如，技术系统可以是特定类型的机器，由所述机器产生多个样本。在此情况下可考虑的是，这些样本中的至少一个样本被用于记录多个传感器记录，并且多个传感器记录于是被用于训练异常探测设备，所述异常探测设备被用于针对多个样本中的另外的样本进行异常探测。
此外，可考虑的是，在技术系统的开发过程期间确定技术系统的原型的传感器记录。原型在本发明的意义下可以理解为类似于技术系统并且这样确定的传感器记录被用于训练技术系统。
附图说明
在下文中参照所附的附图详细阐述了本发明的实施形式。在附图中：
图1示意性地示出了异常探测设备的结构；
图2示意性地示出了用于通过利用异常探测设备来操控执行器的控制系统的结构；
图3示意性地示出了用于控制至少部分自主的机器人的实施例；
图4示意性地示出了用于控制制造系统的实施例；
图5示意性地示出了用于控制门禁系统的实施例；
图6示意性地示出了用于控制监控系统的实施例；
图7示意性地示出了用于控制个人辅助装置的实施例；
图8示意性地示出了用于控制医学成像系统的实施例；
图9示意性地示出了用于训练异常探测设备的训练设备的结构。
具体实施方式
图1示出了用于探测在三个传感器记录（xa，xb，xc）中的一个传感器记录中的异常的异常探测设备（70）。异常探测设备（70）接收第一输入信号（x70），所述第一输入信号包括这三个传感器记录。第一输入信号（x70）被输送给第一异常探测模型（72），其中第一异常探测模型构成为，确定第一概率密度值，所述第一概率密度值表征：有多大可能三个传感器记录（xa，xb，xc）一起出现。第一异常探测模型（72）在该实施例中是规范流程。
第一异常探测模型基于第一输入信号（x70）确定第一概率密度值，所述第一概率密度值被转发给第一比较单元（74）。第一比较单元（74）将第一概率密度值与第一阈值（TU）比较。针对第一概率密度值大于或等于第一阈值（TU）的情况，第一比较单元（74）将第一判断值传送给判断单元（76），所述第一判断值表征在输入信号（x70）中、即在三个传感器记录（xa，xb，xc）的组合中不存在异常。要不然，第一比较单元（74）选择第一判断值，使得第一判断值表征在这三个传感器记录（xa，xb，xc）的组合中存在异常。可选地，第一比较单元（74）也可以将由第一异常探测模型（72）确定的概率密度值传送给判断单元。
此外，输入信号（x70）被输送给分配单元（71），所述分配单元从输入信号（x70）中确定相应的传感器记录（xa，xb，xc）。接着，相应的传感器记录（xa，xb，xc）分别输送给三个第二异常探测模型（73a，73b，73c）中的一个。第二传感器记录（xb）和第三传感器记录（xc）被输送给这三个第二异常探测模型中的第一个（73a），第一传感器记录（xa）和第三传感器记录（xc）被输送给这三个第二异常探测模型中的第二个（73b），并且第一传感器记录（xa）和第二传感器记录（xb）被输送给这三个第二异常探测模型中的第三个（73c）。第二异常探测模型（73a，73b，73c）中的每个针对被输送给相应的异常探测模型的传感器记录（xa，xb，xc）确定概率密度值，所述概率密度值表征，有多大可能出现所输送的传感器记录（xa，xb，xc）。
这三个第二异常探测模型中的第一个（73a）将针对第二传感器记录（xb）和第三传感器记录（xc）确定的概率密度值递交给第二比较单元（75a），第二比较单元确定，由这三个第二异常探测模型中的第一个（73a）所确定的概率密度值是否大于或等于第二阈值（Ta）。如果所确定的概率密度值大于或等于第二阈值（Ta），则第二比较单元（75a）将第二判断值传送给判断单元（76），所述第二判断值表征，在第二传感器记录（xb）和/或第三传感器记录（xc）中不存在异常。要不然，第一比较单元（75a）选择第二判断值，使得第二判断值表征在该第二传感器记录（xb）和/或第三传感器记录（xc）中存在异常。可选地，第二比较单元（75a）也可以将由这三个第二异常探测模型中的第一个（73a）所确定的概率密度值传送给判断单元（76）。
这三个第二异常探测模型中的第二个（73b）将针对第一传感器记录（xa）和第三传感器记录（xc）确定的概率密度值递交给第三比较单元（75a），第三比较单元确定，由这三个第二异常探测模型中的第二个（73b）所确定的概率密度值是否大于或等于第三阈值（Tb）。如果所确定的概率密度值大于或等于第三阈值（Tb），则第三比较单元（75b）将第三判断值传送给判断单元（76），所述第三判断值表征，在第一传感器记录（xb）和/或第三传感器记录（xc）中不存在异常。要不然，第三比较单元（75b）选择第三判断值，使得第三判断值表征在第一传感器记录（xb）和/或第三传感器记录（xc）中存在异常。可选地，第三比较单元（75b）也可以将由这三个第二异常探测模型中的第二个（73b）所确定的概率密度值传送给判断单元（76）。
这三个第二异常探测模型中的第三个（73c）将针对第一传感器记录（xa）和第二传感器记录（xb）确定的概率密度值递交给第四比较单元（75c），第四比较单元确定，由这三个第二异常探测模型中的第三个（73c）所确定的概率密度值是否大于或等于第四阈值（Tc）。如果所确定的概率密度值大于或等于第四阈值（Tc），则第四比较单元（75c）将第四判断值传送给判断单元（76），所述第四判断值表征，在第一传感器记录（xa）和/或第二传感器记录（xb）中不存在异常。要不然，第四比较单元（75c）选择第四判断值，所述第四判断值表征在第一传感器记录（xa）和/或第二传感器记录（xb）中存在异常。可选地，第四比较单元（75c）也可以将由这三个第二异常探测模型中的第三个（73a）确定的概率密度值传送给判断单元（76）。
三个第二异常探测模型（73a，73b，73c）在该实施例中分别是规范流程。
判断单元（76）基于所传送的判断值确定是否存在异常，并且如果情况如此，则在传感器记录（xa，xb，xc）中的哪个传感器记录中存在异常。可选地，判断单元（76）也可以附加地基于所传送的概率密度值确定这一点。如果第一判断值表征不存在异常，则异常探测设备（70）输出异常探测输出（y70），所述异常探测输出表征不存在异常。如果第一判断值表征存在异常，则判断单元从多个第二判断值、第三判断值和第四判断值中确定至少一个判断值，所述至少一个判断值表征不存在异常。异常探测输出（y70）在此情况下由判断单元（76）选择为使得其表征在传感器记录（xa，xb，xc）中存在异常，所述传感器记录未被用于确定所确定的判断值。
可选地，多于一个的传感器记录（xa，xb，xc）也可以被异常探测输出（y70）表征为异常。此外，可选地，只有当由对应于传感器记录（xa，xb，xc）的第二异常探测模型（73a，73b，73c）所确定的概率密度值以预定义的程度超过由另外的第二异常探测模型（73a，73b，73c）确定的概率密度值时，传感器记录（xa，xb，xc）才可以被异常探测输出（y70）表征为异常。
在该实施例中，限制到三个传感器记录是示例性地选择的。加以必要修改，异常探测设备（70）也可以用于输入信号（x70）中的其他多个传感器记录。
图2示出了在其与控制系统（40）交互的环境中的执行器（10）。在优选规律的时间间隔中，在多个传感器（30）中检测周围环境（20）。传感器（30）包括成像传感器如例如摄像机。选择性地，传感器（30）也可以包括其他类型的传感器，例如能够测量控制系统（40）的物理周围环境条件或运行条件的传感器。
传感器（S）的信号被传送给控制系统（40）。控制系统（40）因此接收一系列传感器记录（S）。控制系统（40）据此确定操控信号（A），所述操控信号被传输给执行器（10）。
控制系统（40）在可选的接收单元（50）中接收传感器（30）的该系列的传感器记录（S），所述接收单元将该系列的传感器记录（S）转换成一系列的输入图像（x60）。输入图像（x60）例如可以是摄像机的传感器记录的一部分或进一步处理，该传感器记录包含在所述传感器记录（S）中。输入图像（x60）包括视频记录的各个帧。换言之，根据传感器记录（S）确定输入图像（x60）。该序列的输入图像（x60）被输送给图像分类器（60），在该实施例中是神经网络。
控制系统（40）包括异常探测设备（70）。这在该实施例中设立为在成像的传感器（30）的传感器记录（S）中确定异常。在其他实施例中，可设想的是，异常探测设备（70）设立为在其他类型的传感器的传感器记录（S）中探测异常。该系列的传感器记录（S）被接收单元（50）转换成用于异常探测设备的一系列的输入信号（x70）。如果异常探测设备设立为在成像传感器的传感器记录中确定异常，则输入信号（x70）选择性地也可以包括输入图像（x60）。
图像分类器（60）优选通过第一参数（
Figure DEST_PATH_IMAGE002A
）参数化，所述第一参数保存在参数存储器（P）中并且由参数存储器提供。异常探测设备（70）优选通过第二参数（
Figure DEST_PATH_IMAGE004
）参数化，所述第二参数同样保存在参数存储器中并且由所述参数存储器提供。
图像分类器（60）从输入图像（x60）中确定输出参量（y60），所述输出参量表征输入图像（x60）的类别。异常探测设备（70）从输入信号（x70）中确定异常探测输出（y70）。
输出参量（y60）和异常探测输出（y70）被输送给变换单元（80），所述变换单元据此确定操控信号（A），所述操控信号输送给执行器（10），以便对应地操控执行器（10）。输出参量（y60）包括关于对象的信息，所述对象在对应的输入图像（x60）上可识别。
执行器（10）接收操控信号（A），所述执行器（10）相对应地被操控并且执行相对应的动作。执行器（10）在此情况下可以包括（并不一定结构上集成的）操控逻辑装置，所述操控逻辑装置从操控信号（A）中确定第二操控信号，利用第二操控信号于是操控执行器（10）。
如果异常探测输出（y70）表征存在异常，操控信号（A）可以选择为使得限制执行器（10）的可能的动作。如果不存在异常，则可考虑的是，可能的动作不是基于异常来限制，而是基于通过图像分类器（60）确定的控制系统（40）的周围环境（20）限制。此外可设想的是，在存在异常的情况下将传感器记录（S）的至少部分传送给控制系统（40）的制造商或运营商。
替选地或附加地，可能的是，将异常探测输出（y70）也传送给接收单元（50）。接收单元于是例如可以针对在传感器记录（S）中存在异常的情况从输入图像（x60）中确定，选择其他传感器记录来确定输入图像（x60）。
在其他实施形式中，控制系统（40）包括传感器（30）。在其他实施形式中，控制系统（40）替选地或附加地也包括执行器（10）。
在其他优选的实施形式中，控制系统（40）包括至少一个处理器（45）和至少一个机器可读的存储介质（46），在所述存储介质上存储指令，当所述指令在处理器（45）上执行时所述指令于是促使控制系统（40）执行根据本发明的方法。
在替选的实施形式中，对执行器（10）替选地或附加地设有显示单元（10a）。在存在异常的情况下，显示单元（10a）例如可以被操控为使得向控制系统的用户或运营商显示该存在。
图3示出了控制系统（40）可以如何用于控制至少部分自主的机器人，这里为至少部分自主的机动车（100）。
传感器（30）例如可以是优选设置在机动车（100）中的多个视频传感器。接收单元（50）于是可以将视频传感器的至少一个传感器记录（S）作为输入图像（x60）转发给图像分类器（60）。
图像分类器（60）设立为从输入图像（x60）中辨识对象。
优选设置在机动车（100）中的执行器（10）例如可以是机动车（100）的制动器、驱动器或转向装置。操控信号（A）可以被确定，使得一个或多个执行器（10）被操控为防止机动车（100）例如与由图像分类器（60）辨识出的对象碰撞，尤其是在对象是特定类别的对象例如行人时如此。
替选地，至少部分自主的机器人也可以是其他移动机器人（未绘出），例如通过飞行、漂浮、潜水或迈步前进的机器人。移动机器人例如可以是至少部分自主的割草机或至少部分自主的清洁机器人。在此情况下，操控信号（A）也可以被确定，移动机器人的驱动器和/或转向装置被操控为使得防止至少部分自主的机器人例如与由人工神经网络（60）辨识出的对象碰撞。
替选地或附加地，利用操控信号（A）可以操控显示单元（10a），并且例如显示所确定的区域。例如在具有非自动化的转向装置的机动车（100）中也可能的是，显示单元（10a）利用操控信号（A）操控，使得当确定机动车（100）即将发生与可靠辨识出的对象之一碰撞时，所述显示单元输出光学或声学警告信号。
图4示出了一个实施例，其中控制系统（40）用于操控生产系统（200）的生产机器（11），其方式是：对操控生产机器（11）的执行器（10）进行操控。生产机器（11）例如可以是用于冲压、锯割、钻孔和/或切割的机器。
传感器（30）例如可以包括成像传感器，所述成像传感器例如检测生产产物（12a，12b）的特性。可能的是，生产产物（12a，12b）是可运动的。可能的是，控制生产机器（11）的执行器（10）根据所检测到的生产产物（12a，12b）的相关性来操控，以便生产机器（11）对应地执行正确的生产产物（12a，12b）的后续的加工步骤。也可能的是，通过辨识生产产物（12a，12b）中的相同生产产物的正确特性（即没有错误关联关系），根据用于加工后续的生产产物的相同生产步骤适配生产机器（11）。
此外，生产机器（11）可以包括传感器（30），所述传感器能够测量生产机器（11）的物理周围环境条件或运行状态。这些传感器（30）的传感器记录（S）能够输送给异常探测设备（70），以便确定生产机器（11）是否在正常周围环境条件下和在正常运行状态中工作。如果由异常探测设备（70）探测到异常，则生产机器（11）的运行例如可以被停止或安排自动维护。
图5示出了一个实施例，其中控制系统（40）用于控制门禁系统（300）。门禁系统（300）可以包括物理门禁控制，例如门（401）。传感器（30）例如可以是视频传感器，所述视频传感器设立为检测在门禁系统（300）之前的人员。借助图像分类器（60）可以解释所检测到的输入图像（x60）。如果同时检测到多个人员，则可以通过人员（即对象）彼此间的关联关系特别可靠地确定人员的身份，例如通过分析其运动来确定。执行器（10）可以是锁，使得根据操控信号（A）松开门禁控制，或不松开，例如打开门（401）或不打开门。为此，操控信号（A）可以根据对象辨识系统（60）的解释来选择，例如根据人员的所确定的身份来选择。代替物理门禁控制也可以设置逻辑门禁控制。
传感器（30）的图像可以作为输入信号（x70）输送给异常探测设备（70）。如果异常探测设备（70）可以探测到异常，则至少暂时可以阻断和/或自动安排由安保员进行检查。
图6示出了一个实施例，其中控制系统（40）用于控制监控系统（400）。该实施例与在图5中所示的实施例不同在于，代替执行器（10）设有显示单元（10a），所述显示单元由控制系统（40）操控。例如，由人工神经网络（60）可以可靠地确定由传感器（30）记录的物体的身份，以便根据此例如推断出，哪些物体可疑，并且于是选择操控信号（A），使得该物体由显示单元（10a）彩色突出地显示。
图7示出了一个实施例，其中控制系统（40）被用于控制个人辅助装置（250）。传感器（30）优选是视频传感器，所述视频传感器接收用户（249）的姿态的图像。
根据传感器（30）的传感器记录（S），控制系统（40）确定个人辅助装置（250）的操控信号（A），例如其方式是：神经网络执行姿势识别。于是给个人辅助装置（250）传送所确定的操控信号（A）并且因此对应地操控所述个人辅助装置。所确定的操控信号（A）尤其可以选择为使得所述操控信号与由用户（249）猜测的所期望的操控对应。猜测的所期望的操控可以根据由人工神经网络（60）识别的姿势来确定。控制系统（40）于是可以根据所猜测的所期望的操控选择操控信号（A）以传送给个人辅助装置（250）和/或者根据所猜测的所期望的操控（250）选择操控信号（A），以传送给个人辅助装置。
对应的操控例如可以包含，个人辅助装置（250）从数据库中调用信息并且以对用户（249）可接受的方式再现所述信息。
代替个人辅助装置（250），也可以设有家用电器（未绘出），尤其洗衣机、火炉、烤炉、微波炉或洗碗机，以便对应地操控。
图8示出了一个实施例，其中控制系统（40）用于控制医学成像系统（500），例如MRT设备、X射线设备或超声设备。传感器（30）例如可以通过成像传感器给出，通过控制系统（40）操控显示单元（10a）。例如，由图像分类器（60）可以确定，由至少一个成像传感器记录的区域是否显眼，并且然后选择操控信号（A），使得该区域由显示单元（10a）彩色突出地显示。
传感器（30）的图像作为输入信号（x70）传送给异常探测设备（70）。针对探测到异常的情况，这例如可以在显示单元（10a）上显示和/或自动安排系统的维护（500）。
图9示出了训练系统（140）的实施例，所述训练系统构成为训练异常探测器（70）。为了训练，训练数据单元（150）访问计算机实施的数据库（St2），其中所述数据库（St2）包括至少一个训练数据集（T），其中所述训练数据集（T）分别包括传感器记录的元组（xi）。
训练数据单元（150）确定训练数据集（T）的传感器记录的至少一个元组（xi）并且将所述元组（xi）传送给异常探测设备（70）。异常探测设备（70）借助第一异常探测模型和多个第二异常探测模型确定第一异常值或多个第二异常值。
第一异常值和多个第二异常值作为输出（
Figure DEST_PATH_IMAGE006
）传送给改变单元（180）。
基于期望的第一异常值和多个期望的第二异常值的所确定的输出（
Figure DEST_PATH_IMAGE006A
）和所期望的输出（yi），于是由改变单元（180）确定对于第一异常探测模型和/或多个第二异常探测模型的新模型参数（
Figure DEST_PATH_IMAGE008
）。在该实施例中，可考虑的是，异常探测模型分别是规范流程。在此情况下，改变单元（180）可以借助梯度升高方法如Stochastic Gradient Descent（随机梯度下降）或Adam确定新模型参数（
Figure DEST_PATH_IMAGE008A
）。
所确定的新模型参数（
Figure DEST_PATH_IMAGE009
）存储在模型参数存储器（St1）中。
在其他实施例中，所描述的训练迭代地对于预定义数目的迭代步骤重复或迭代地重复，直至所确定的输出（
Figure DEST_PATH_IMAGE006AA
）与所期望的输出（yi）之间的差低于预定义的阈值。在迭代中的至少一个迭代中，在之前的迭代中确定的新模型参数（
Figure DEST_PATH_IMAGE009A
）被用作异常探测设备的模型参数（Φ）。
此外，训练系统（140）可以包括至少一个处理器（145）和至少一个机器可读的存储介质（146），所述存储介质包含指令，当所述指令由处理器（145）执行时，所述指令促使训练系统（140）执行根据本发明的方面之一的训练方法。
术语“计算机”包括用于处理可预给定的计算规则的任意设备。计算规则可以以软件形式存在，或以硬件形式存在，或也可以以软件和硬件构成的混合形式存在。

Claims (10)

1.计算机实现的用于探测在技术系统（100，200，250，300，400，500）的多个（x70）传感器记录中的异常的方法，所述方法包括如下步骤：
• 确定第一异常值，所述第一异常值关于多个（x70）传感器记录中的所有传感器记录（xa，xb，xc）表征是否存在异常；
• 确定多个第二异常值，其中出自多个第二异常值中的一个第二异常值与所述多个（x70）传感器记录（xa，xb，xc）中的一个传感器记录（xa，xb，xc）相对应并且关于该传感器记录（xa，xb，xc）表征在所述多个（x70）传感器记录中的其他传感器记录（xa，xb，xc）中是否存在异常；
• 如果所述第一异常值表征异常的存在并且与该传感器记录（xa，xb，xc）相对应的第二异常值不表征异常并且该第二传感器值与所述多个第二异常值中的其他第二异常值偏差超过预定义的程度，则探测所述多个（x70）传感器记录（xa，xb，xc）中的一个传感器记录（xa，xb，xc）。
2.根据权利要求1所述的方法，
其中所述第一异常值表征所述多个（x70）传感器记录（xa，xb，xc）出现的概率或概率密度值，和/或第二异常值表征所述多个（x70）传感器记录（xa，xb，xc）除了与该第二异常值对应的传感器记录（xa，xb，xc）之外出现的概率或概率密度值。
3.根据权利要求2所述的方法，
其中所述第一异常值借助第一异常探测模型（72）确定。
4.根据权利要求1至3中任一项所述的方法，
其中所述多个第二异常值借助多个第二异常探测模型（73a，73b，73c）确定，其中所述多个第二异常探测模型（73a，73b，73c）中的每个第二异常探测模型（73a，73b，73c）与一个传感器记录（xa，xb，xc）对应并且确定与该传感器记录（xa，xb，xc）对应的第二异常值。
5.根据权利要求3或4所述的方法，
其中所述第一异常探测模型（72）包括规范流程模型（Normalizing Flow Modell）和/或第二异常探测模型（73a，73b，73c）包括规范流程模型。
6.异常探测设备（70），
所述异常探测设备构成为执行根据上述权利要求中任一项所述的方法。
7.计算机实现的用于训练根据权利要求6所述的异常探测设备（70）的方法，
其中所述异常探测设备（70）构成为执行根据权利要求3至5中任一项所述的方法，其中所述方法包括如下步骤：
• 提供技术系统（100，200，250，300，400，500）的或结构相同的技术系统或类似技术系统的多个传感器记录（xi）；
• 基于多个（xi）传感器记录训练第一异常探测模型（72）；
• 训练所述多个第二异常探测模型（73a，73b，73c），其中针对多个（xi）传感器记录中的一个传感器记录基于多个（xi）传感器记录中的其他传感器记录训练每个第二异常探测模型（73a，73b，73c）。
8.训练设备（140），所述训练设备（40）构成为，执行根据权利要求7所述的方法。
9.计算机程序，其包括指令，所述指令在通过计算机执行程序时促使所述计算机执行根据权利要求1至5中任一项或根据权利7所述的方法。
10.机器可读的存储介质（46，146），在所述存储介质上存储根据权利要求9所述的计算机程序。
CN202110818762.2A 2020-07-21 2021-07-20 用于探测技术系统的传感器记录中的异常的方法和设备 Pending CN114036995A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020209163.3 2020-07-21
DE102020209163.3A DE102020209163A1 (de) 2020-07-21 2020-07-21 Verfahren und Vorrichtung zum Detektieren von Anomalien in Sensoraufzeichnungen eines technischen Systems

Publications (1)

Publication Number Publication Date
CN114036995A true CN114036995A (zh) 2022-02-11

Family

ID=79179310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110818762.2A Pending CN114036995A (zh) 2020-07-21 2021-07-20 用于探测技术系统的传感器记录中的异常的方法和设备

Country Status (3)

Country Link
US (1) US11867593B2 (zh)
CN (1) CN114036995A (zh)
DE (1) DE102020209163A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115941807B (zh) * 2022-12-22 2024-02-23 陕西通信规划设计研究院有限公司 一种园区安防系统数据高效压缩方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102240993B1 (ko) 2018-03-20 2021-04-15 미쓰비시덴키 가부시키가이샤 표시 장치, 표시 시스템, 및 표시 화면 생성 방법
DE102019219727A1 (de) 2018-12-26 2020-07-02 Presenso Ltd. System und Verfahren zum Detektieren von Anomalien in Sensordaten von industriellen Maschinen, die in einer vorbestimmten Umgebung angeordnet sind
DE102020208642A1 (de) 2020-07-09 2022-01-13 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Anomaliedetektion in technischen Systemen

Also Published As

Publication number Publication date
DE102020209163A1 (de) 2022-01-27
US11867593B2 (en) 2024-01-09
US20220026313A1 (en) 2022-01-27

Similar Documents

Publication Publication Date Title
CN105700518B (zh) 一种工业过程故障诊断方法
US11521105B2 (en) Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device
EP1609033B1 (en) Data analysis system and method
US11686651B2 (en) Method and device for detecting anomalies in technical systems
JP6200833B2 (ja) プラントと制御装置の診断装置
CN111665066B (zh) 基于卷积神经网络的设备故障自适应上下预警界生成方法
US11568208B2 (en) Solution for machine learning system
EP3862829B1 (en) State estimation device, system, and manufacturing method
CN114036995A (zh) 用于探测技术系统的传感器记录中的异常的方法和设备
JPWO2020152741A1 (ja) 異常要因推定装置、異常要因推定方法、及びプログラム
US11536630B2 (en) Method and device for detecting anomalies in sensor recordings of a technical system
CN116705272A (zh) 基于多维诊断的设备健康状态综合评价方法
CN111814557A (zh) 动作流检测方法、装置、设备及存储介质
Manikandan et al. Takagi Sugeno fuzzy expert model based soft fault diagnosis for two tank interacting system
US20170124855A1 (en) Method for detecting false alarm
EP3748450A1 (en) Data driven machine learning for modeling aircraft sensors
JPWO2020183539A1 (ja) 故障診断システム、故障予測方法、および故障予測プログラム
US20220147039A1 (en) Event analytics in modular industrial plants
US11604458B2 (en) Anomaly determination device and anomaly determination method
KR20220118140A (ko) 딥러닝 기반 사출물 품질 검사 시스템
WO2023209774A1 (ja) 異常診断方法、異常診断装置、および、異常診断プログラム
US20220012636A1 (en) Method and device for creating a system for the automated creation of machine learning systems
KR20230029547A (ko) 이미지의 객체 감지들을 결정하기 위한 방법 및 장치
JP2021135769A (ja) 異常判定装置及び異常判定方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination