DE102008032885A1

DE102008032885A1 - Verfahren und Vorrichtung zur Überprüfung und Feststellung von Zuständen eines Sensors

Info

Publication number: DE102008032885A1
Application number: DE200810032885
Authority: DE
Inventors: Detlev Dr. Wittmer; Thomas Alber; Edin Andelic; Martin Dr. Freudenberger
Original assignee: Endress and Hauser Conducta Gesellschaft fuer Mess und Regeltechnik mbH and Co KG
Current assignee: Endress and Hauser Conducta GmbH and Co KG
Priority date: 2008-07-14
Filing date: 2008-07-14
Publication date: 2010-01-21
Also published as: WO2010006928A1

Abstract

Es werden eine Vorrichtung und ein Verfahren zur Zustandsklassifikation von Sensoren vorgeschlagen. Das erfindungsgemäße Verfahren dient zur Überprüfung und Feststellung von Zuständen eines Sensors, mittels welchem in einem Verarbeitungsprozess Sensordaten als Rohdaten erfassbar sind und dessen Sensoreigenschaften zusammen mit den gemessenen Sensordaten einen mehrdimensionalen Sensordatenvektor VS bilden, wobei der Sensordatenvektor VS zur Ermittlung von Aussagen über den Zustand des Sensors verwendet wird, gekennzeichnet durch die Schritte: a) Generieren von Merkmalen in einem Merkmalsgenerattors VS; b) Verwenden eines auf Basis von Lernmethoden trainierten Zustandsklassifikators (2) zur Bestimmung eines eindimensionalen Klassifikationswertes ZS, welcher repräsentativ für den momentanen oder zukünftigen Zustand des Sensors (3) ist.

Description

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Überprüfung und Feststellung von Zuständen eines Sensors, welcher beispielsweise in einem Verarbeitungsprozess Sensordaten liefert. Mit dem Verfahren und der Vorrichtung nach der Erfindung werden momentane und zukünftige Zustände des betroffenen Sensors, der insbesondere, jedoch nicht ausschließlich, ein pH-Wert-Sensor sein kann, ermittelt und zur Verfügung gestellt. Üblicherweise liefern derartige Sensoren in Produktionsprozessen im laufenden Betrieb die gewünschten Sensordaten, beispielsweise den pH-Wert, einen Temperaturwert oder dergleichen. Wenn sich mit der Zeit jedoch der Zustand des Sensors verändert bzw. verschlechtert, kann es zu Verfälschungen und Fehlfunktionen in den Verarbeitungsprozessen kommen. Daher ist es wünschenswert, eine möglichst genaue Aussage über den tatsächlichen momentanen Zustand der im Produktionsprozess verwendeten Sensoren zu erhalten, ohne dass diese ausgebaut und in einem Wartungsbetrieb separat untersucht werden müssen.
Im Stand der Technik sind diesbezüglich verschiedene Systeme zur Überwachung von Sensoren bekannt: In der deutschen Patentschrift DE 10 2004 012 420 B4 ist zum Beispiel eine Überwachungsvorrichtung für die Belastung von Sensoren durch Einflüsse aus der Messumgebung bekannt. Die Sensoren werden hier im Betrieb auf Basis von Sensordaten und gespeicherten vordefinierten Wertebereichspaaren überwacht, wobei eine Belastungserfassungseinheit vorgesehen ist, auf deren Grundlage ein Belastungsindex für die Sensoren ermittelt werden kann. Dazu werden jeweils zwei Messgrößen, wie der pH-Wert und die Temperatur, den vordefinierten Wertebereichspaaren zugeordnet, und der Belastungsindex kann für den Sensor visuell dargestellt werden. Diese bekannte Überwachungsvorrichtung beruht auf den physikalisch gemessenen Sensorwerten, so dass eine Aussage über die Belastung möglich ist, jedoch der aktuelle momentane oder zukünftige Zustand des Sensors hierüber nicht ermittelbar ist.
Demgegenüber ist es die Aufgabe der vorliegenden Erfindung, ein Verfahren sowie eine Vorrichtung zur Überprüfung und Feststellung von Zuständen eines Sensors bereitzustellen, mittels welchen auf Basis von vorhandenen Sensordaten und Sensoreigenschaften eine den tatsächlichen Gegebenheiten möglichst genau entsprechende Aussage über den Zustand des Sensors ermittelbar ist, ohne dass der Sensor aus dem Produktionsbetrieb ausgebaut werden muss.
Diese Aufgabe wird mit dem Verfahren mit den Schritten nach Anspruch 1 sowie mit der Vorrichtung mit den Merkmalen nach Anspruch 13 gelöst. Vorteilhafte Ausgestaltungen und Weiterbildungen sind Gegenstand der jeweiligen abhängigen Ansprüche.
Erfindungsgemäß wird ein Verfahren zur Überprüfung und Feststellung von Zuständen eines Sensors vorgeschlagen, mittels welchem in Verarbeitungsprozessen oder Produktionsanlagen Sensordaten erfassbar sind und dessen Sensoreigenschaften zusammen mit den gemessenen Sensordaten einen mehrdimensionalen Sensordatenvektor V_S bilden, wobei der Sensordatenvektor V_S zur Ermittlung von Aussagen über den Zustand des Sensors selbst verwendet wird und wobei das Verfahren gekennzeichnet ist durch die Schritte:

a) Generieren von Merkmalen in einem Merkmalsgenerator auf Grundlage von mindestens dem Sensordatenvektor V_S;
b) Verwenden eines auf Basis von Lernmethoden trainierten Zustandsklassifikators zur Bestimmung eines eindimensionalen Klassifikationswertes Z_S, welcher repräsentativ für den momentanen oder den zukünftigen Zustand des Sensors ist.

Das Verfahren nach der Erfindung erlaubt es mit diesen Schritten a) und b), Zustände in Form eines eindimensionalen Klassifikationswertes zu ermitteln und übersichtlich darzustellen. Der den Zustand des Sensors bestimmende Klassifikationswert Z_S wird auf Basis von in einem Merkmalsgenerator generierten Merkmalen und/oder einem Sensordatenvektor V_S mit Sensordaten sowie bekannten Sensoreigenschaften bestimmt. Die von dem Sensor ohnehin erfassbaren Sensordaten und zusätzliche Merkmale und Eigenschaften betreffend den Sensor werden erfindungsgemäß als ein Eingang für einen Zustandsklassifikator benutzt, der eine spezifische Klassifikationsmethode einsetzt: Der erfindungsgemäße Zustandsklassifikator zur Bestimmung von momentanen oder zukünftigen Zuständen eines Sensors im Betrieb oder in einem laufenden Verarbeitungsprozess basiert auf mit Lernmethoden trainierten Verfahren. Aktuelle oder zukünftige Zustandswerte in Form von eindimensionalen Klassifikationswerten Z_S können mit dem erfindungsgemäßen Verfahren auf diese Weise sehr genau modelliert werden, ohne dass aufwendige Untersuchungen oder gar ein Ausbau der Sensoren erforderlich sind. Mit dem erfindungsgemäßen Verfahren können typische Sensorzustände durch das Vorabtrainieren des Zustandsklassifikators erkannt werden. Dies kann sowohl offline, d. h. vor einem tatsächlichen Einsatz des Sensors, als auch online während des laufenden Betriebs in beispielsweise einem Verarbeitungsprozess erfolgen. Dadurch ergeben sich eine höhere Klassifikationsgenauigkeit und eine bessere Zustandsaussage bzw. – voraussage.
Der Zustandsklassifikator nach der Erfindung kann jeder Klassifikator sein, der auf trainierten Lernmethoden basiert. Beispiele für einen Klassifikator nach der Erfindung sind künstliche neuronale Netze oder eine im Bereich der Statistik entwickelte Support Vector Machine. Die Basis der Feststellung von Zuständen ist nicht mehr wie im Stand der Technik die physikalische oder heuristische Modellierung von tatsächlichen Zuständen, sondern nach der Erfindung werden die Voraussagen und Aussagen über den tatsächlichen Zustand des Sensors datengetrieben erlernt, d. h. auf Grundlage von tatsächlich erfassten Sensordaten sowie ohnehin zusätzlich vom Sensor erfassbaren Merkmalen, Eigenschaften und Daten mit Lernmethoden erstellt. Unter Sensordaten können erfindungsgemäß jedwede sensorisch erfassbaren Daten verstanden werden. Das heißt, dass die Erfindung auch nicht auf die Anwendung bei der Zustandsermittlung von Sensoren beschränkt ist, sondern jedes beliebige System mit Aktoren oder Vorrichtungen betreffen kann, bei welchem sensorisch erfassbare Größen ermittelt werden. Unter einem auf Basis von Lernmethoden trainierten Zustandsklassifikator ist im vorliegenden Zusammenhang ein Modul oder ein Programm zu verstehen, bei welchem vorab oder im laufenden Betrieb ein Funktional erlernt wird, welches anschließend mit erfassten Sensordaten oder weiteren Merkmalen in Form von Datenvektoren ausgefüllt wird. Dadurch kann mit dem erfindungsgemäßen Verfahren die Zustandsbestimmung auch unabhängig vom späteren Betrieb zunächst erlernt werden. Mit einem Vorabtraining vor dem späteren Betrieb im Sensor selbst oder in dem sensorzugehörigen Messumformer wird zunächst eine ausreichende Basis geschaffen, um eine sehr genaue Aussage über den aktuellen oder den zukünftigen Zustand des Sensors zu ermöglichen. Mit der Erfindung ist so eine aussagekräftigere und genauere Zustandsklassifikation und Zustandsprädiktion von Sensoren auf Basis von lernenden Methoden bereitgestellt. Im Gegensatz zu den rein physikalisch basierten Verfahren aus der Vergangenheit, welche auf periodisch oder permanent erfassten Daten basierten, ist bei dem erfindungsgemäßen Verfahren eine datengetrieben erlernte Methode zum Einsatz gekommen, welche auch den Vorteil hat, dass sie nicht zeitkritisch ist und beispielsweise zu jedem beliebigen Zeitpunkt ein aussagekräftiges Klassifikationsergebnis berechnen kann. Als Ergebnis liefert das erfindungsgemäße Verfahren einen eindimensionalen Klassifikationswert Z_S, der repräsentativ für einen Zustand des Sensors ist. Unter einem eindimensionalen Klassifikationswert wird im vorliegenden Zusammenhang ein Wert verstanden, der eine direkte und übersichtlich visualisierbare Aussage über den aktuellen oder zukünftigen Zustand macht: In einer möglichen Ausführungsform kann der eindimensionale Klassifikationswert Z_S beispielsweise in Form einer Ampel dargestellt werden, d. h. zum Beispiel rot für Fehlfunktion, gelb für Wartungsbedarf und grün für korrekten Betrieb und einwandfreies Funktionieren des Sensors.
Nach einer vorteilhaften Ausgestaltung der Erfindung werden die Merkmale für den Merkmalsgenerator im Sensor selbst extrahiert und/oder ermittelt. Die Merkmale, welche für die erfindungsgemäße Zustandsklassifikation erforderlich sind und welche neben den Sensordaten als Eingangsgröße für den Klassifikator dienen, werden in diesem Fall im Sensor selbst extrahiert oder ermittelt. Wenn die Merkmalsextraktion im Sensor selbst durchgeführt wird, kann mit einer höheren Abtastrate und einer schnelleren Geschwindigkeit abgetastet werden, als es andernfalls möglich wäre. Auf diese Weise können auch auftretende Rauscheffekte bei der Datenerfassung besser ermittelt werden, die zur Erhöhung der Aussagefähigkeit von ermittelten Zustandsaussagen beitragen.
Nach einer weiteren vorteilhaften Ausgestaltung der Erfindung wird im Schritt a), d. h. bei der Generierung von Merkmalen im Merkmalsgenerator, ein m-dimensionaler Merkmalsvektor V_M als Ausgangsgröße erzeugt, welcher als Eingang dem Zustandsklassifikator nach der Erfindung zugeführt wird. Der m-dimensionale Merkmalsvektor V_M beinhaltet Merkmale, die über den Sensor direkt oder indirekt ermittelbar sind, wie z. B. die als Rohdaten erfassten Sensordaten und bekannte Eigenschaften des Sensors. Aus diesen Sensordaten wird im Merkmalsgenerator ein mehrdimensionaler Merkmalsvektor generiert, der zur weiteren Verarbeitung und eigentlichen Klassifikation als Eingangsgröße einem erfindungsgemäßen trainierten Zustandsklassifikator zugeführt wird. Der Merkmalsvektor V_M kann im Vergleich zum Sensordatenvektor V_S eine gleiche Dimension oder eine höhere Dimension aufweisen. Die im Merkmalsvektor V_M enthaltenen Merkmale und Merkmalsausprägungen sind abgestimmt auf eine sachgerechte Überprüfung und Feststellung des Zustands des Sensors. Als Merkmalsgrößen im Merkmalsvektor V_M können auch abgeleitete Größen anhand von Aktoren, Operatoren oder ähnlichem verwendet werden.
Nach einer weiteren vorteilhaften Ausgestaltung der Erfindung werden Operatoren verwendet, um die für den Sensor zustandsrelevanten Merkmale oder Merkmalsausprägungen anhand von Sensordaten und/oder Sensoreigenschaften zu erhalten. Als Operatoren werden im vorliegenden Zusammenhang solche Vorrichtungen oder Programmmodule verstanden, mittels welchen weitere Eigenschaften und Merkmale ermittelbar sind, die zu den direkten Sensordaten und den direkt mit den Sensoren erfassbaren Sensoreigenschaften in nutzbringender Weise für die Zustandsbestimmung einsetzbar sind. Beispiele für sogenannte Operatoren sind die Varianz eines Signals oder andere Funktionale, beispielsweise zur Bildung von Äquivalenzen, sogenannte komplexe Merkmale oder aber einfache Vorgangs- oder Ereigniszähler, die aus den gemessenen Sensordaten ermittelbar sind. Beispiele für Operatoren werden auch in dem später beschriebenen Ausführungsbeispiel der Erfindung gegeben.
Nach einer weiteren vorteilhaften Ausgestaltung der Erfindung wird im Zustandsklassifikator ein datengetrieben erlerntes Funktional zur Durchführung der Zustandsklassifikation und/oder Zustandsvoraussage hinsichtlich des Sensors verwendet. Das Funktional nach der Erfindung ist ein datengetrieben erlerntes Funktional, dessen Training auf einer Lernmethode basiert. Das erfindungsgemäße Funktional im Zustandsklassifikator ist damit nicht physikalisch oder heuristisch modelliert wie im Stand der Technik, sondern basiert auf einem Training anhand von tatsächlichen Sensordaten und Merkmalen, die mit den erfindungsgemäßen Schritten generiert werden. Das vorab oder im Betrieb erlernte Funktional im Zustandsklassifikator nach der Erfindung wird anschließend im eigentlichen Betrieb und beim eigentlichen Vornehmen der Zustandsklassifikation mit einem Merkmalsvektor V_M ausgefüllt. Durch das Einsetzen des im Merkmalsgenerator generierten Merkmalsvektors V_M in das Funktional des Zustandsklassifikators kann nach der Erfindung zunächst ein Training unabhängig vom späteren Betrieb im Sensor oder im Messumformer durchgeführt werden. Die anschließend durchgeführte eigentliche Überprüfung und Feststellung von Zuständen durch das erfindungsgemäße Verfahren ist mit hoher Aussagegenauigkeit realisiert. Ein einmal erlerntes Funktional im Zustandsklassifikator, das beispielsweise durch ein Training an einem Computer extern durchgeführt wird, kann vorteilhafterweise im späteren Betrieb zur präzisen Zustandsaussage hinsichtlich des Sensors verwendet werden. Das Training des Zustandsklassifikators zum „Erlernen” des Funktionals kann beispielsweise auch auf Basis von Expertensystemen oder einem Experten selbst erfolgen. Gespeicherte Daten von bekannten Zuständen von Sensoren oder typischen Zustandsänderungen sind ebenfalls zum Training des erfindungsgemäßen Zustandsklassifikators geeignet.
Nach einer weiteren vorteilhaften Ausgestaltung der Erfindung wird eine Historie von Merkmalen oder deren Extrapolation in die Zukunft als ein Eingang für den Zustandsklassifikator zur Bestimmung eines zukünftigen Zustands des Sensors verwendet. Unter Historie von Merkmalen ist die vergangene Entwicklung von Merkmalsausprägungen zu verstehen, welche nach der Erfindung vorzugsweise zur späteren Verwendung gespeichert wird. Die Extrapolation einer Historie von Merkmalen bzw. Merkmalsentwicklungsvoraussage kann auf Grundlage von gängigen mathematischen oder statistischen Berechnungsverfahren erfolgen. Damit ist es erfindungsgemäß möglich, eine genaue zukünftige Aussage über Zustände des Sensors zu bestimmten Zeitpunkten zu tätigen.
Nach einer weiteren vorteilhaften Ausgestaltung der Erfindung wird der Sensor mit einer im Vergleich zum Normalbetrieb des Sensors erhöhten Sample-Rate betrieben. Durch die höhere Sample-Rate bzw. Abtastrate kann der Sensor mehr zustandsrelevante Daten und Merkmale liefern, als dies bei normaler Sample-Rate im Betrieb ohne die erfindungsgemäße Zustandsklassifikation der Fall wäre. Mit der erfindungsgemäß überhöhten Sample-Rate können ohne zusätzlichen Geräteaufwand mit ein und demselben Sensor weitere Daten bereitgestellt werden, welche für die Prozessdiagnose und insbesondere die Diagnose des Zustands des Sensors selbst vorteilhaft eingesetzt werden können. Des Weiteren kann durch diesen erfindungsgemäßen Aspekt einer höheren Sample-Rate zwischen einer Sensordynamik und einer Prozessdynamik unterschieden werden, und durch entsprechende Analysen der Daten können schnell und effektiv Änderungen in den beiden Dynamiken rechtzeitig erkannt werden. Durch die im Vergleich zum Normalbetrieb erhöhte Sample-Rate können insbesondere auch kurzfristige Trends von Merkmalsausprägungen und eine Rauschcharakteristik erkannt und sachgerecht im Hinblick auf die Zustandsevaluierung beurteilt werden. Mit dem erfindungsgemäßen Verfahren wird somit nicht nur der primäre Messwert bereitgestellt, sondern auch weitere für die Zustandsbeurteilung relevante Daten. Für die Beurteilung eines Prozesszustands oder Sensorzustands sind häufig Messgrößen notwendig, welche zwar von den Sensoren im Prinzip erfassbar sind, jedoch dem Anwender normalerweise nicht zur Verfügung gestellt werden. Dies wird nun mit dem erfindungsgemäßen Verfahren erreicht, indem mit erhöhter Sample-Rate diese zusätzlichen Messgrößen erfasst und bereitgestellt werden.
Nach einer weiteren vorteilhaften Ausgestaltung der Erfindung wird der Zustandsklassifikator mit Trainingsmerkmalsvektoren und/oder Trainingsmerkmalen trainiert, welche bekannte Zustandssituationen des Sensors widerspiegeln. Die Trainingsmerkmalsvektoren und/oder Trainingsmerkmale können beispielsweise in Form eines Expertensystems gespeichert und bereitgestellt werden. Im Rahmen der Erfindung ist gleichermaßen eine externe wie auch eine interne Speicherung von derartigen Trainingsdaten – bezogen auf die Sensorvorrichtung oder deren Steuerung – möglich.
Nach einer weiteren vorteilhaften Ausgestaltung der Erfindung werden im trainierten Zustandsklassifikator als Lernmethode Methoden wie eine Support Vector Machine, kurz SVM, ein neuronales Netz, eine Diskriminanzanalyse oder ein Gaußscher Prozess verwendet. Diese Verfahren bzw. Methoden sind alle geeignet, das erfindungsgemäße Funktional im trainierten Zustandsklassifikator zu bilden. Dabei geht die Erfindung nicht von einem physikalischen oder heuristischen Modell aus, sondern verwendet explizit ein datengetriebenes Lernmodell, welches auch unter dem Begriff „Training einer Lernmethode” in anderen Gebieten als demjenigen der vorliegenden Erfindung bekannt ist. Mit der vorliegenden Erfindung wird ein solches Verfahren erstmals im Rahmen eines Zustandsklassifikators für Sensoren eingesetzt, wobei damit vorteilhafterweise eine höhere Klassifikationsgenauigkeit und bessere Aussagen und Vorhersagen über aktuelle und zukünftige Zustände der Sensoren möglich werden.
Nach einer weiteren vorteilhaften Ausgestaltung der Erfindung werden das datengetrieben erlernte Funktional des Zustandsklassifikators und/oder die Auswertung zur Zustandsklassifikation in einem Messumformer des Sensors gespeichert bzw. durchgeführt. Für die Ausführung des Funktionals und die Speicherung steht im Messumformer in der Regel ausreichend Speicherplatz zur Verfügung, zumindest mehr, als es im Sensor der Fall ist. Ein ausreichender Speicherplatz, der im Messumformer zur Verfügung steht, ist ein wichtiger Punkt, wenn die erforderlichen Berechnungen und Klassifikationsvorgänge auf Basis einer großen Datenmenge durchgeführt werden. Außerdem ist die Auswertung des Funktionals nach der vorliegenden Erfindung nicht zeitkritisch. Sie kann zu beliebigen Zeitpunkten ausgeführt werden, und es muss nicht zu jedem Abtastzeitpunkt des Sensors unmittelbar ein Klassifikationsergebnis berechnet werden. Nach dem erfindungsgemäßen Verfahren reicht es beispielsweise aus, alle paar Minuten die Klassifikation zu berücksichtigen und das Ergebnis des Zustandsklassifikators anzusehen. Der Messumformer ist daher nach einer Ausführungsform der vorliegenden Erfindung der bevorzugte Ort für die Speicherung und Durchführung der Verfahrensschritte.
Nach einer weiteren vorteilhaften Ausgestaltung der Erfindung wird eine Extrapolation des Sensorzustands auf Basis einer Zustandshistorie des Sensors durchgeführt zur Voraussage zukünftiger Zustände des Sensors. Die Historie von Merkmalsausprägungen hinsichtlich des Zustands des Sensors kann über einen längeren Zeitraum beispielsweise in einem Speicher hinterlegt sein und für eine Extrapolation bzw. Voraussage zukünftiger Zustände verwendet werden. Aussagen zum zukünftigen Zustand des Sensors lassen sich insbesondere auch aus statistischen Methoden und Methoden zur Erkennung von Trends in den Merkmalsausprägungen des Sensors ermitteln.
Neben dem Verfahren zur Sensorzustandsklassifikation wird erfindungsgemäß auch eine Vorrichtung zur Überprüfung und Feststellung von Zuständen eines Sensors mit den Merkmalen nach Anspruch 13 vorgeschlagen. Die erfindungsgemäße Vorrichtung zur Zustandsbestimmung weist mindestens einen Merkmalsgenerator und einen Zustandsklassifikator auf, wobei der Sensor mit einem Messumformer versehen ist und wobei der Zustandsklassifikator ein auf Basis von Lernmethoden trainierter Klassifikator ist, welcher angepasst ist, einen eindimensionalen Klassifikationswert Z_S aus im Merkmalsgenerator erzeugten Merkmalen und/oder anderen Daten zu erzeugen, wobei der eindimensionale Klassifikationswert für den momentanen oder zukünftigen Zustand des Sensors repräsentativ ist. Die erfindungsgemäße Zustandsüberprüfungsvorrichtung ermöglicht ein sehr genaues Ermitteln von aktuellen und zukünftigen Zuständen des Sensors, wobei ein eindimensionaler Klassifikationswert als Ergebnis geliefert wird. Der eindimensionale Klassifikationswert kann leicht visualisiert werden, beispielsweise in Form einer als Ampel ausgestalteten Zustandsanzeige. Die erfindungsgemäße Vorrichtung ist einfach konstruiert und erfordert im Vergleich zu bisherigen derartigen Vorrichtungen keinen zusätzlichen Geräteaufwand. Mit ein und demselben Sensor und auf Basis vorhandener Daten wird erfindungsgemäß lediglich eine größere erfassbare Datenbasis als bisher benutzt, um eine aussagekräftige Aussage über die Zustände des Sensors zu erhalten. Der Zustandsklassifikator sowie der Merkmalsgenerator können beispielsweise als Programmmodule innerhalb einer vorhandenen Regelungs- und Steuereinheit untergebracht werden. Gegebenenfalls sind zusätzliche Speichermodule und Verarbeitungsmodule am Sensor, am Messumformer oder als getrennte Einheiten vorzusehen, die jedoch über Datenleitungen miteinander in Verbindung stehen. Gerätetechnisch ist damit kaum ein Mehraufwand verbunden und dennoch eine aussagekräftige Zustandsermittlung hinsichtlich des Sensors im Betrieb des Sensors möglich. Weiterhin hat die Erfindung den Vorteil, dass ein Ausbau und eine periodische Wartung des Sensors nicht mehr so häufig wie bisher erforderlich sind. Fehlerhafte Zustände können frühzeitig erkannt werden, und auch im Betrieb lassen sich anhand von Merkmalsausprägungen und Tendenzen schnell Situationen ermitteln, wie eine bald erforderliche Wartungsarbeit oder ein kompletter Austausch des betroffenen Sensors zu einem bestimmten Zeitpunkt.
Nach einer vorteilhaften Ausgestaltung der erfindungsgemäßen Vorrichtung ist eine Speichereinheit zur Speicherung von Trainingsmerkmalszuständen des Sensors und/oder eines erlernten Funktionals vorgesehen. Die Speichereinheit enthält vorteilhafterweise Merkmalsausprägungen und entsprechend zugehörige Zustände, so dass anhand dieser Datenbasis ähnlich einem Expertensystem die Vorrichtung bzw. deren Zustandsklassifikator anhand der vorhandenen Daten trainiert werden kann. Die Speichereinheit erlaubt auch eine Speicherung von weiterhin erfassten Merkmalen und Sensordaten sowie Sensoreigenschaften im laufenden Betrieb, so dass zunehmend über die Zeit die zugrundeliegende Datenbasis zur Zustandsevaluierung optimiert wird und damit die Zuverlässigkeit der Klassifikationsaussagen hinsichtlich von Zuständen des Sensors immer mehr verbessert wird.
Nach einer weiteren vorteilhaften Ausgestaltung der erfindungsgemäßen Vorrichtung ist ein Speicher zur Speicherung von Merkmalsvektoren V_M und/oder weiteren Sensordaten vorgesehen, welcher von dem Sensor und dem Messumformer räumlich trennbar ist. Damit kann auch offline und getrennt von dem Sensor selbst ein Training zum Erlernen des für die Klassifikation erforderlichen Funktionals auf Basis von Lernmethoden erhalten werden. Beispielsweise kann vorab vor einem Einsatz des Sensors ein Funktional für den Zustandsklassifikator mit dem Speicher angelernt werden. Anschließend kann das Funktional in dem Sensor beispielsweise in eine Steuerungs- und Regelungseinrichtung übernommen werden und zum Beispiel in Form eines Programmmoduls dort hinterlegt werden.
Nach einer weiteren vorteilhaften Ausgestaltung der erfindungsgemäßen Vorrichtung ist ein Extrapolator vorgesehen, welcher angepasst ist, eine Zustandsvoraussage hinsichtlich des Sensors auf Grundlage einer gespeicherten Historie von Merkmalen oder statistischer Methoden zu bestimmen. Auf diese Weise ermöglicht die erfindungsgemäße Vorrichtung nicht nur eine Bestimmung des aktuellen Zustands, sondern auch aussagekräftige Zustandsklassifizierungen für bestimmte Zeitpunkte in der Zukunft, die von dem Bediener jeweils frei auswählbar sind. Ein frühzeitiges Erkennen eines notwendigen Austauschs des Sensors ist damit möglich. Die Prozesssicherheit von ablaufenden Produktionsprozessen, in denen die erfindungsgemäße Vorrichtung eingebaut ist, ist damit deutlich gegenüber den bisherigen Systemen erhöht.
Nach einer weiteren vorteilhaften Ausgestaltung der erfindungsgemäßen Vorrichtung ist der Sensor eine pH-Glaselektrode zur Messung von pH-Werten.
Nach einer weiteren vorteilhaften Ausgestaltung der erfindungsgemäßen Vorrichtung umfasst der Zustandsklassifikator als Mittel zur Klassifizierung eine Support Vector Machine, kurz SVM, ein neuronales Netz, eine Diskriminanzanalyse oder einen Gaußschen Prozess als Lernmethode im Zustandsklassifikator, welche beispielsweise in Form von Programmmodulen in der Vorrichtung eingebaut sind.
Ausführungsbeispiele der Erfindung werden im Folgenden mehr im Detail und anhand der beigefügten Zeichnungen beschrieben. In der Zeichnung zeigen:
1 ein schematisches Blockdiagramm zur Veranschaulichung des Aufbaus einer ersten Ausführungsform einer erfindungsgemäßen Vorrichtung zur Zustandsklassifikation eines Sensors; und
2 ein schematisches Blockdiagramm einer zweiten Ausführungsform einer erfindungsgemäßen Vorrichtung zur Zustandsklassifikation und Zustandsprädiktion von Sensoren mit einem Extrapolator für Voraussagen von zukünftigen Zuständen.
Die 1 zeigt schematisch den Aufbau eines ersten Ausführungsbeispiels einer erfindungsgemäßen Vorrichtung zur Überprüfung und Feststellung der Zustände eines Sensors. Ein Sensor 3 ist mit einem erfindungsgemäßen trainierten Zustandsklassifikator 2 sowie mit einem Merkmalsgenerator 1 verbunden. Der Sensor 3, welcher beispielsweise, jedoch nicht ausschließlich, ein pH-Sensor sein kann, weist einen Messumformer 4 auf, der ebenfalls mit dem Zustandsklassifikator 2 in Verbindung steht. Des Weiteren ist ein Speicher 5 vorgesehen, in welchem Sensordaten und weitere Daten sowie ein trainiertes Funktional für den Zustandsklassifikator 2 ablegbar sind. Die Vorrichtung gemäß der Erfindung dient zum Feststellen und Überprüfen des Zustands des Sensors 3, wobei sowohl der momentane Zustand als auch zukünftige Zustände des Sensors 3 mit der Vorrichtung nach der Erfindung ermittelbar sind. Hierfür ist ein spezifischer trainierter Zustandsklassifikator 2 vorgesehen, welcher auf Basis einer Lernmethode trainiert wurde. Auf Grundlage von mit dem Sensor ermittelbaren Sensordaten und weiteren bekannten Eigenschaften des Sensors 3 wird im Zustandsklassifikator 2 eine Auswertung dahingehend vorgenommen, dass ein eindimensionaler Wert, der repräsentativ ist für den Sensorzustand, ermittelt werden kann.
Dies ist in den Figuren mit dem Zustandswert Z_S und einer Anzeige in Form einer einfachen Ampel dargestellt. Je nach festgestelltem Zustand wird der Sensor in eine von drei Klassen eingeteilt, d. h. beispielsweise in rot, gelb und grün, je nachdem, ob der Zustand des Sensors 3 als in Ordnung (= grün), auszutauschen (= rot) oder wartungsbedürftig (= gelb) von dem Zustandsklassifikator 2 beurteilt wurde. Die Zustandsklassifikation und Voraussage von zukünftigen Zuständen nach dem erfindungsgemäßen Verfahren erfolgt im trainierten Zustandsklassifikator 2 auf Basis von Lernmethoden, und zwar in folgender Art und Weise: Mit dem Sensor 3 sind neben den normalen Sensordaten auch weitere Daten erfassbar, welche im Normalbetrieb nicht verwendet werden. Die Sensordaten sowie diese weiteren mit dem Sensor 3 erfassbaren Daten werden zusammen mit bekannten Eigenschaften des Sensors als ein m-dimensionaler Sensordatenvektor V_S in einen Merkmalsgenerator 1 eingegeben. Der Sensordatenvektor V_S besteht also aus den messbaren Rohdaten, welche durch den Sensor 3 erhältlich sind, sowie bekannten weiteren Eigenschaften des Sensors 3. Des Weiteren besteht der Sensordatenvektor V_S aus anhand von Operatoren gewinnbaren Merkmalen, welche im Merkmalsgenerator spezifisch im Hinblick auf die Zustandsevaluierung und je nach Bedarf generiert werden. Als Ausgang vom Merkmalsgenerator 1 ergibt sich damit ein m-dimensionaler Merkmalsvektor V_M, in dem zusätzlich zu den Rohdaten und Eingangsdaten die im Merkmalsgenerator 1 generierten Merkmale enthalten sind. Der Merkmalsvektor V_M wird als Eingang dem Zustandsklassifikator 2 zugeführt. Der Zustandsklassifikator 2 ist besonders angepasst für die Zustandsbestimmung und Zustandsvoraussage hinsichtlich des Sensors 3 und basiert auf einer sogenannten lernenden Methode. Der Zustandsklassifikator wird dafür vorzugsweise vorab, d. h. vor dem eigentlichen Betrieb, mit bekannten Zustandssensordaten, einem Expertensystem oder einem Experten selbst trainiert und mit einem Funktional bestückt, über welches ein eindimensionaler Sensorzustandswert ermittelbar ist.
Der Zustandsklassifikator 2 besteht dazu zum Beispiel aus einem künstlichen neuronalen Netz, einer Support Vector Machine (SVM) oder einem Verfahren basierend auf Diskriminanzanalyse oder Gaußschen Prozessen. Eine dieser lernenden Methoden wird im Zustandsklassifikator 2 verwendet, um eine aussagekräftige Klassifikation hinsichtlich des Zustands des Sensors 3 zu bewerkstelligen. Als Ausgang vom Zustandsklassifikator 2 ergibt sich damit ein eindimensionaler Sensorzustand Z_S, welcher in einer Darstellungseinrichtung optisch darstellbar ist, im einfachsten Fall zum Beispiel durch eine Ampel mit roter, grüner und gelber Leuchteinrichtung, wie es in den 1 und 2 schematisch dargestellt ist. Je nach festgestellter Zustandsklasse wird die Ampel auf einen der drei Werte geschaltet. Andere Darstellungsmittel mit eindimensionaler Anzeige sind ebenfalls denkbar.
Ein Ausführungsbeispiel für einen auf Basis von Lernmethoden trainierten Zustandsklassifikator 2 zur Feststellung von Sensorzuständen kann in folgender Art und Weise realisiert sein. Vor dem eigentlichen Betrieb der Vorrichtung wird auf Basis von Sensordaten und bekannten Zustandsmerkmalsausprägungen ein sogenanntes Funktional erzeugt, das im späteren Betrieb des Zustandsklassifikators 2 dazu verwendet wird, um Voraussagen über momentane und zukünftige Zustände des Sensors zu bestimmten Zeitpunkten zu tätigen. Anders als im Stand der Technik wird ein Sensorzustand damit nicht mehr physikalisch oder heuristisch modelliert. Der Sensorzustand wird mit dem erfindungsgemäßen Zustandsklassifikator vielmehr datengetrieben erlernt, und zwar mit einer sogenannten lernenden Methode. Unter lernender Methode wird im vorliegenden Zusammenhang das Training eines Funktionals für den Sensor auf Basis von Daten des Sensors, also datengetrieben, verstanden. Um dieses Funktional zu erlernen, wird im Rahmen der vorliegenden Erfindung vorzugsweise die Methodik der Support Vector Machine (SVM) verwendet, wie sie zum Beispiel bei Schälkopf/Smola: Learning with Kernels: Support Vector Machines, Regularization, Optimization and Beyond (Adaptive Computation and Machine Learning), MIT Press, Cambridge, 2002 beschrieben ist. Die Support Vector Machine wird dazu verwendet, ein Funktional datengetrieben anhand von mit dem Sensor 3 erfassbaren Daten und weiteren Merkmalen zu erlernen. Dieses Funktional wird nach dem Training mit Hilfe der Lernmethode in den Zustandsklassifikator 2 eingegeben und im weiteren Betrieb beispielsweise eines Produktionsprozesses dazu verwendet, um permanent oder zu bestimmten Zeitpunkten den Zustand des Sensors 3 zu evaluieren. Dies kann mit der erfindungsgemäßen Vorrichtung sowohl für den momentanen Zeitpunkt als auch für zukünftige Zeitpunkte in Form einer Zustandsprädiktion erfolgen. Dafür werden zunächst als Support-Vektoren für die Support Vector Machine Merkmalsvektoren sowie zwei zusätzliche skalare Parameter berechnet, durch die das Funktional für den Zustandsklassifikator 2 dann vollständig definiert ist. Dies bedeutet, dass ein Training für das Erlernen des Funktionals zunächst unabhängig vom späteren Betrieb im Sensor 3 oder im Messumformer 4 vorgenommen werden kann. Man verwendet dazu lediglich gelabelte Daten des Sensors, d. h. die erfassbaren eigentlichen Sensordaten sowie weitere mit dem Sensor ermittelbare Daten und Merkmale, wie die über den Sensor bekannten Eigenschaften. Im späteren Betrieb wird dann lediglich das einmal über die Support Vector Machine erlernte Funktional verwendet, um die Zustandsbestimmung des Sensors vorzunehmen. Eine Merkmalsextraktion für den Merkmalsgenerator 1 kann nach einer vorteilhaften Ausführungsform der Erfindung im Sensor 3 selbst durchgeführt werden, da hier schneller abgetastet werden kann und somit auch Rauscheffekte besser erfasst werden können. Vorteilhafterweise werden hierzu Messwerte mit einer überhöhten Sample-Rate am Sensor 3 erfasst. Durch eine überhöhte Sample-Rate bzw. Abtastrate am Sensor 3 können insbesondere auch kurzfristige Trends und eine Rauschcharakteristik, beispielsweise durch Einflüsse aus der Messumgebung, erkannt und sachgerecht im Hinblick auf Zustandsaussagen beurteilt werden. Im Zustandsklassifikator 2 erfolgt dann die eigentliche Klassifikation, d. h. die Einteilung in verschiedene vordefinierte Zustandsklassen: Ein mit dem Merkmalsgenerator 1 generierter Merkmalsvektor V_M wird in das oben erwähnte erlernte Funktional des Zustandsklassifikators 2 eingesetzt, wodurch dann die Zugehörigkeit dieses Merkmalsvektors V_M zu einer bestimmten Klasse in Form eines Skalars in einer Anzeigeeinrichtung angezeigt wird. Es ergibt sich ein eindimensionaler Wert für den Zustand, den Sensorzustand Z_S, welcher wiederum in einfachster Form, beispielsweise als eine Ampel, darstellbar ist.
Das Ausführen des Funktionals des Zustandsklassifikators 2, im Falle einer Support Vector Machine also die Speicherung und Berechnung aller Support-Vektoren und der entsprechenden skalaren Parameter, erfolgt vorteilhafterweise im Messumformer 4 des Sensors 3. Auch die Auswertung erfolgt vorteilhafterweise im Messumformer 4. Im Messumformer 4 steht hierfür mehr Speicher zur Verfügung, was bei einer hohen Anzahl von Support-Vektoren oder zunehmender Dimension des Merkmalsvektors V_M den Vorteil hat, dass das Verfahren dennoch schnell durchführbar ist. Außerdem ist die erfindungsgemäße Auswertung des Funktionals und Feststellung von Zustandsklassifikationswerten nicht zeitkritisch, und es muss beispielsweise nicht zu jedem Abtastzeitpunkt des Sensors 3 ein Klassifikationsergebnis berechnet werden. Es reicht nach der vorliegenden Erfindung aus, zum Beispiel alle paar Minuten einen Klassifikationswert Z_S zu ermitteln und anzuzeigen. Dies geschieht am besten im Messumformer 4 des Sensors 3.
In der 2 ist anhand eines schematischen Blockdiagramms ein zweites Ausführungsbeispiel einer erfindungsgemäßen Vorrichtung zur Zustandsbestimmung bei Sensoren dargestellt. Bei diesem Ausführungsbeispiel handelt es sich um eine Variante mit zusätzlicher Möglichkeit einer Zustandsprädiktion, d. h. einer Voraussage von zukünftigen Zuständen des Sensors 3 zu bestimmten zukünftigen Zeitpunkten. Hiermit kann frühzeitig ein notwendiger Austausch von Sensorelementen oder eine erforderliche Wartung vorhergesagt werden. Ähnlich wie bei dem vorherigen Ausführungsbeispiel der 1 ist der Kern auch dieser Vorrichtung ein auf Basis von sogenannten lernenden Methoden trainierter Zustandsklassifikator 2. Das oben zu 1 Gesagte hinsichtlich des Zustandsklassifikators 2 trifft auch auf den Zustandsklassifikator 2 nach dem Ausführungsbeispiel der 2 zu. Die beiden Ausführungsbeispiele der 1 und 2 können auch zusammen und miteinander kombiniert in ein und derselben Vorrichtung realisiert sein. Sie werden im vorliegenden Zusammenhang lediglich aus Darstellungsgründen und zur Vereinfachung des Verständnisses getrennt beschrieben.
Zur Zustandsvoraussage wird hier noch zusätzlich eine Historie von Merkmalen gespeichert. Dies ist in der 2 mit dem Historienspeichermodul 7 illustriert. Auch hier wird zunächst in einem Merkmalsgenerator ausgehend von einem Sensordatenvektor V_S ein Merkmalsvektor V_M generiert. Neben dem Merkmalsvektor V_M wird eine gespeicherte Historie 7 von Merkmalen hinsichtlich des Sensors 3 verwendet, die zusammen in einen Extrapolator 6 als Eingang eingesetzt werden. Im Extrapolator 6 wird auf Basis der Historie von Merkmalen 7 und des Merkmalsvektors V_M eine Extrapolation der Merkmale in die Zukunft durchgeführt. Diese Extrapolationswerte für Merkmale werden dann zusammen mit dem Merkmalsvektor V_M als Eingang zu dem auf Basis von Lernmethoden trainierten Zustandsklassifikator 2 gegeben. Daraus ermittelt dann der Zustandsklassifikator 2 wiederum einen eindimensionalen Zustandswert Z_S für den Zustand des Sensors 3, hier jedoch für einen zukünftigen Zustand zu einem festgelegten zukünftigen Zeitpunkt. Dieser ist dann wieder in Form eines einfachen Darstellungsmittels, wie z. B. einer Ampel, visualisierbar, wie es schematisch in der 2 angedeutet ist. Damit können mit dem erfindungsgemäßen Verfahren und der erfindungsgemäßen Vorrichtung auch zukünftige Sensorzustände und deren Zeitpunkte vorab vorhergesagt werden. Die Ausfallwahrscheinlichkeit des Sensors ist damit deutlich gegenüber bisherigen Verfahren zur Zustandsevaluierung reduziert. Alternativ zu der bei diesem Ausführungsbeispiel verwendeten gespeicherten Merkmalshistorie 7 können im Rahmen der vorliegenden Erfindung auch Zugehörigkeitswahrscheinlichkeiten zu möglichen Sensorzuständen gespeichert werden und für eine Zustandsvoraussage im Zustandsklassifikator 2 verwendet werden. Ebenso wie bei dem vorherigen Ausführungsbeispiel wird das erfindungsgemäße Verfahren in Form eines Algorithmus mit Hilfe eines trainierten Funktionals durchgeführt, das dann im späteren Betrieb im Zustandsklassifikator 2 abläuft. Eine Überwachung, Erkennung und Beurteilung von Prozessveränderungen hinsichtlich des Sensors 3 erfolgen vorteilhafterweise nicht in dem Sensor selbst, sondern in dem Messumformer 4 des Sensors 3. Die erfindungsgemäße Zustandsbestimmung und die Zustandsvoraussage hinsichtlich des Sensors können mit einer Steuerungs- oder Regelungseinrichtung innerhalb eines Produktionsprozesses kombiniert oder auch darin integriert werden.
Im Folgenden wird anhand des Beispiels einer pH-Glaselektrode das Vorgehen nach der Erfindung mit Hilfe einer Support Vector Machine mehr im Detail beschrieben werden. Andere Sensortypen sind ebenso denkbar. Auch sind im Rahmen der vorliegenden Erfindung unter dem Begriff Sensordaten nicht nur die reinen, mit dem Sensor hauptsächlich gemessenen Daten zu verstehen, sondern der Begriff steht im Rahmen der vorliegenden Offenbarung für alle sensorisch erfassbaren Größen eines beliebigen Systems. Damit ist die Erfindung auch nicht auf Sensoren im eigentlichen Sinn beschränkt, sondern umfasst alle sensorischen Systeme, wie beispielsweise auch Aktoren oder Vorrichtungen mit Erfassungsmitteln. Eine pH-Glaselektrode wird beispielsweise in Produktionsprozessen zur Messung von pH-Werten verwendet. Sie besteht aus zwei Halbzellen, welche jeweils mit einem Innenpuffer gefüllt sind. Eine der beiden Halbzellen ist über eine pH-sensitive Glasmembran verbunden, wobei die andere der Halbzellen über ein sogenanntes Diaphragma mit dem Prozessmedium verbunden ist. Die Differenz der Potentiale der beiden Halbzellen ist ein Maß für den pH-Wert des Prozessmediums innerhalb eines Produktionsprozesses, in welchem der Sensor 3 eingesetzt wird. Für die Berechnung sind neben der Temperaturabhängigkeit der Potentiale auch weitere Sensoreigenschaften zu berücksichtigen, welche in Form von Nullpunkt und Steilheit zum Beispiel gegeben sind. Nullpunkt und Steilheit können bis heute nicht in situ, d. h. an Ort und Stelle, im Prozess gemessen werden und müssen deshalb durch eine Justage des Sensors 3 mit Hilfe von Pufferlösungen mit definiertem pH-Wert umständlich ermittelt werden. Üblicherweise sind hierfür feste Kalibrierintervalle vorgegeben, welche im Bereich von Tagen oder Wochen liegen können. Neben dem Nullpunkt und der Steilheit existieren in diesem Fall auch weitere Elektrodenparameter des Sensors 3, wie z. B. die Impedanz der Glasmembran oder die Impedanz des Diaphragmas. Diese Parameter verändern sich üblicherweise in Abhängigkeit von der Belastung der Elektrode oder durch Verschleiß über die Zeit hinweg.
Aus der Gesamtheit dieser mit dem Sensor 3 messbaren bzw. ermittelbaren Werte und Daten in Form eines Datenvektors X_D können nun über sogenannte Operatoren weitere Eigenschaften des Sensors 3 ermittelt werden. Ein einfacher und für das erfindungsgemäße Verfahren vorteilhaft verwendbarer Operator ist zum Beispiel die Varianz des Messsignals des Sensors 3. Dies ist im Folgenden anhand eines Beispiels mathematisch dargestellt, wobei X_D der Datenvektor, X_M ein möglicher Merkmalsvektor und X_Z ein Zustandsvektor mit hier vier möglichen Ausprägungen der Zustandsklassifikation ist.
Komplexere Operatoren zur Erzeugung von zusätzlichen Merkmalen für die erfindungsgemäße Zustandsklassifikation des Sensors 3 sind zum Beispiel Funktionale zur Bildung von Äquivalenten, sogenannte komplexe Merkmale wie das Merkmal BÄ im Merkmalsvektor X_M im obigen Beispiel. Oft sind auch einfache Merkmale, wie z. B. Vorgangs- oder Ereigniszähler, hilfreich für eine gute Klassifikationsleistung zur Zustandsklassifikation von Sensoren im Rahmen der vorliegenden Erfindung.
Der hier dargestellte Merkmalsvektor X_M enthält neben Elementen aus dem Datenvektor X_D und den dort vorhandenen Sensordaten wie auch Eigenschaften des Sensors 3, wie z. B. das Potential der Referenzhalbzelle φ_R, auch die Verschiebungen von Nullpunkt und Steilheit der letzten beiden Justagen ΔNp, ΔSt, die Varianz der Zeitreihen einiger Größen var(x) sowie auch ein Funktional in Form eines Belastungsäquivalents BA, welches Aussagen über den Belastungszustand des Sensors 3 enthält. Aufgabe des Merkmalsgenerators 1 ist es, durch Anwendung verschiedener Operatoren den Merkmalsvektor V_M bzw. im obigen Beispiel X_M aus dem Datenvektor X_D bzw. dessen Historie zu berechnen.
Der Zustandsklassifikator 2 hat nun die Aufgabe, den aktuellen Merkmalsvektor X_M, der den aktuellen Sensorzustand besser repräsentiert als nur der Datenvektor X_D, auf eine diskrete Zustandsklasse als Ergebnis des erfindungsgemäßen Verfahrens abzubilden. Die möglichen Zustandsklassen des Zustandsvektors X_Z sind prinzipiell frei wählbar, und es ist unerheblich, ob der gewählte Name einen Ist-Zustand oder einen zukünftigen Zustand wiedergibt oder für eine durchzuführende Wartungsmaßnahme steht. Im Falle des hier beschriebenen Beispiels einer pH-Glaselektrode können sinnvolle Zustandsklassen zum Beispiel der Zustand „ok”, die erforderlichen Wartungsmaßnahmen „justieren”, „reinigen/regenerieren” oder die Maßnahme „tauschen” im Sinne von verschlissener Sensor sein, wie es oben im Beispiel eines Zustandsvektors X_Z der Fall ist. Entscheidend für die Leistungsfähigkeit eines erfindungsgemäßen Zustandsklassifikators 2 ist die Wahl der Methodik, nach welcher die Abbildung des Merkmalsvektors X_M in dem Zustandsvektor erfolgt, sowie die Wahl des Klassifikators 2 selbst. Im Vergleich zu modellbasierten Ansätzen oder wissensbasierten Systemen wie Expertensystemen haben lernende Methoden nach der vorliegenden Erfindung deutliche Vorteile. Der Zustandsklassifikator 2 nach der Erfindung kann zum Beispiel aus künstlichen neuronalen Netzen oder einer Support Vector Machine SVM bestehen, welche bei komplexeren Sensoren zu besseren Aussagen über die aktuellen und zukünftigen Zustände führen.
Für das Training des Zustandsklassifikators 2 vorab, d. h. vor Inbetriebnahme des Produktionsprozesses, auf Basis von lernenden Methoden werden zunächst Datenvektoren erfasst und von einem Experten von Hand klassifiziert. Man spricht in diesem Fall auch von einem Labeln der Daten, so dass durch den Experten klassifizierte gelabelte Daten entstehen. Der Zustandsklassifikator 2 wird anschließend darauf trainiert, die Klassifikation des Experten zu erlernen. Ein solches Labeln der Daten von Hand ist jedoch nur in begrenzter Weise möglich. Zum einen sollte nur dann gelabelt werden, wenn der aktuelle Zustand des Sensors 3 durch den Experten mit hoher Sicherheit auch wirklich erkannt werden kann, damit das spätere Klassifikationsmodell nicht verfälscht wird. Je nach Komplexität der Anwendung oder des Sensormessprinzips, auf dem der Sensor 3 basiert, können folglich viele Datensätze nicht mehr von Hand durch einen Experten gelabelt werden. Zum anderen kann der Experte sehr schnell mit einer großen Datenmenge konfrontiert werden, wodurch das Labeln zusätzlich behindert werden kann. Es besteht in der Praxis somit ein dringender Bedarf an Zustandsklassifikatoren mit einer hohen Generalisierungsfähigkeit. Je zuverlässiger ein Zustandsklassifikator 2 unbekannte Daten – also Daten, die nicht zum Training verwendet wurden – klassifiziert, desto höher ist seine Generalisierungsfähigkeit. Das Ziel der vorliegenden Erfindung ist es daher, einen Zustandsklassifikator vorzuschlagen, der mit möglichst wenig Trainingsdaten diese hohe Zuverlässigkeit gewährleistet, um auch mit einer kleineren Anzahl von gelabelten Daten möglichst gute Ergebnisse in der Bestimmung des aktuellen oder des zukünftigen Zustands eines Sensors zu erzielen. Als ein Beispiel für einen solchen Zustandsklassifikator nach der vorliegenden Erfindung kann unter anderem eine Methodik mit dem Namen Support Vector Machine genannt werden. Support Vector Machines, kurz SVM, sind auf anderen Gebieten als dem vorliegenden in anderen Anwendungszusammenhängen in der Literatur beschrieben worden. Support Vector Machines sind aus Erkenntnissen der statistischen Lerntheorie entstanden und bieten im Zusammenhang mit der vorliegenden Erfindung deutliche Vorteile im Hinblick auf ihre Fähigkeit zur Generalisierung. Die klassische Ausgangsbasis für das Training einer Support Vector Machine ist eine Menge von Trainingsobjekten, für die jeweils bekannt ist, zu welchen Zustandsklassen hinsichtlich eines spezifischen Sensors 3 sie gehören. Dies wird allgemein als ein überwachtes Lernproblem, engl. supervised learning, bezeichnet. Jedes Objekt wird durch einen Vektor in einem Vektorraum repräsentiert. Die Aufgabe der Support Vector Machine des Zustandsklassifikators 2 ist es, in diesem Vektorraum eine mehrdimensionale Hyperebene zu finden, die als eine Trennfläche fungieren kann und die Trainingsobjekte in zwei verschiedene Klassen unterteilt, wobei ein Problem, das aus mehr als zwei Klassen besteht, leicht durch eine Fusion mehrerer Zwei-Klassen-Probleme lösbar ist. Der Abstand zur Hyperebene derjenigen Vektoren, die der Hyperebene am nächsten liegen, wird dabei maximiert. Die Existenz dieses breiten, leeren Rands, engl. margin, impliziert mathematisch, dass auch Objekte, die nicht genau den Trainingsobjekten für diesen Sensor 3 entsprechen, zuverlässig klassifiziert werden.
Diese Idee lässt sich mathematisch als ein quadratisches Optimierungsproblem formulieren, bei welchem insgesamt zwei skalare Parameter während des Trainings des Zustandsklassifikators 2 optimiert werden müssen. Bei der Lösung dieses Optimierungsproblems zeigt sich, dass es für die gesuchte Hyperebene nicht notwendig ist, alle Trainingsvektoren zu beachten. Trainingsvektoren, welche weiter von der Hyperebene entfernt liegen und gewissermaßen hinter einer Front anderer Vektoren „versteckt” sind, beeinflussen die Lage und die Position der Trennebene nicht. Die Hyperebene ist daher nur von den ihr am nächsten liegenden Vektoren abhängig – und auch nur diese werden benötigt, um die Ebene in dem erfindungsgemäßen Verfahren mathematisch exakt zu beschreiben. Diese nächstliegenden Vektoren werden nach ihrer Funktion auch als Stützvektoren, engl. support vectors, bezeichnet. Die Stützvektoren sind stets eine Untermenge der Trainingsvektoren. Ihre Lage ergibt sich automatisch durch die Lösung des oben beschriebenen mathematischen Optimierungsproblems und muss daher nicht trainiert werden. Dieses Vorgehen hat auch den Vorteil, dass zukünftige Messreihen des Sensors 3 besser geplant werden können, indem man vor allem in der Nähe der jeweiligen Stützvektoren besonders viele Messungen mit dem Sensor 3 vornimmt.
Ein weiterer Vorteil der Verwendung von Support Vector Machines im Rahmen der vorliegenden Erfindung ist, dass sie auch dann trainiert werden können, wenn nur ein Teil der Trainingsdaten gelabelt ist. Die Funktion der nichtgelabelten Daten besteht darin, gewissermaßen die Plausibilität des Ergebnisses aus einer Zustandsklassifikation zu überprüfen. Dieses Lernszenario wird in der Literatur in anderem Zusammenhang auch als halbüberwachtes Lernen, engl. semi-supervised learning, bezeichnet. Die Klassifikationsleistung mit dem erfindungsgemäßen Zustandsklassifikator auf Basis einer Support Vector Machine kann diejenige eines Experten weit übersteigen, vor allem im Falle von schwierig zu klassifizierenden Datensätzen von komplexeren Sensorsystemen.
Ein so trainierter erfindungsgemäßer Zustandsklassifikator 2 lässt sich vorteilhafterweise neben der Beurteilung des aktuellen Zustands auch für eine Zustandsklassifikation in die Zukunft einsetzen, d. h. für eine Vorhersage zukünftiger Zustände zu bestimmten Zeitpunkten. Dazu gibt es nun im Rahmen der vorliegenden Erfindung zwei Möglichkeiten: Zum einen kann eine Extrapolation auf Basis einer Historie von Merkmalen erfolgen. Zum anderen kann eine Extrapolation auf Basis von numerischen Klassenzugehörigkeiten durchgeführt werden. Zunächst zur ersten Alternative:
Ist die Historie der Daten- oder Merkmalsvektoren für einen Sensor oder ein zu untersuchendes System bekannt, lässt sich eine Schätzung berechnen, wie sich die Einzelmerkmale in der Zukunft entwickeln werden. Besonders einfach sind Merkmale, deren Historie einen Trend aufweist. Dieser Merkmalstrend über den Zeitablauf lässt sich nämlich durch Extrapolation der Regression in die Zukunft fortsetzen. Für Merkmale mit stochastischer Natur lassen sich Fortsetzungen anhand von statistischen Eigenschaften schätzen, welche dem Fachmann des Gebiets für jeweilige Sensortypen bekannt sind. Die Korrelation der Einzelmerkmale untereinander bzw. die Relevanz für deren Voraussage in die Zukunft lässt sich aus dem trainierten Zustandsklassifikator 2 nach der vorliegenden Erfindung ablesen. Dementsprechend ist es nur notwendig, für relevante Merkmale eine Schätzung zu ermitteln. Ein so für einen beliebigen Zeitpunkt in der Zukunft ermittelter Merkmalsvektor wird nun wiederum dem Zustandsklassifikator 2 nach der vorliegenden Erfindung zugeführt, und man erhält so eine Zustandsklassifikation für einen bestimmten zukünftigen Zeitpunkt in Form eines zukünftigen Zustandswertes Z_S in eindimensionaler Form.
Die zweite Alternative zur Voraussage von zukünftigen Zuständen eines Sensors 3 basiert auf der Extrapolation von numerischen Klassenzugehörigkeiten: ein Zustandsklassifikator 2 arbeitet intern numerisch und berechnet zunächst für einen Merkmalsvektor ein Maß für die Zugehörigkeit zu jeder der im aktuellen Fall möglichen Ausgangsklassen. Die numerisch größte Zugehörigkeit bestimmt dann die Zustandsklasse, welcher der Merkmalsvektor zugeordnet wird bzw. welche am Ausgang ausgegeben wird. Eine Möglichkeit nach der Erfindung ist es nun, die numerische Zugehörigkeit zu den möglichen Zustandsklassen über die Zeit in einem Speichermodul zu speichern. Anhand dieser gespeicherten Zugehörigkeitshistorie können dann mittels Regression oder Extrapolation die zu erwartenden zukünftigen Zugehörigkeiten geschätzt werden. Diese geschätzten Zugehörigkeiten zu Klassen können dann Entscheider oder Bediener der erfindungsgemäßen Vorrichtung am Ausgang des Zustandsklassifikators zugeführt werden, und man erhält die zugehörige Zustandsklasse für den gewählten Zeitpunkt in Form eines zukünftigen Zustandswertes Z_S.
Mit beiden Verfahren lassen sich so zukünftige Zustände bzw. Klassenzugehörigkeiten für verschiedene Zeitpunkte in der Zukunft auf einfache Art und Weise bei relativ geringem Rechenaufwand bestimmen. Von Interesse sind beispielsweise für die Beurteilung von Sensoren jene Zeitpunkte, zu denen ein Übergang von einer Klasse in eine andere stattfinden wird. Diese erfindungsgemäße Zustandsvoraussage mit dem Zeitpunkt und dem dann zugehörigen Zustand macht also eine einfach zu verstehende Aussage, beispielsweise anhand einer ampelförmigen Anzeige, wann in der Zukunft welche Wartungsmaßnahmen am Sensor 3 erforderlich werden. Die Erfindung bietet eine erhöhte Prozesssicherheit und vermindert sensorbezogene Ausfälle in Produktionsprozessen.

1: Merkmalsgenerator
2: Zustandsklassifikator
3: Sensor
4: Messumformer des Sensors
5: Speicher bzw. Speichermodul
6: Extrapolator
7: gespeicherte Historie von Merkmalen
V_S: Sensordatenvektor
V_M: Merkmalsvektor
Z_S: eindimensionaler Sensorzustand am Ausgang der Vorrichtung

ZITATE ENTHALTEN IN DER BESCHREIBUNG
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.
Zitierte Patentliteratur

- DE 102004012420 B4 [0002]

Zitierte Nicht-Patentliteratur

- Support Vector Machines, Regularization, Optimization and Beyond (Adaptive Computation and Machine Learning), MIT Press, Cambridge, 2002 [0030]

Claims

Verfahren zur Überprüfung und Feststellung von Zuständen eines Sensors, mittels welchem in einem Verarbeitungsprozess Sensordaten als Rohdaten erfassbar sind und dessen Sensoreigenschaften zusammen mit den gemessenen Sensordaten einen mehrdimensionalen Sensordatenvektor V_S bilden, wobei der Sensordatenvektor V_S zur Ermittlung von Aussagen über den Zustand des Sensors verwendet wird, gekennzeichnet durch die Schritte: a) Generieren von Merkmalen in einem Merkmalsgenerator (1) auf Grundlage mindestens des Sensordatenvektors V_S; b) Verwenden eines auf Basis von Lernmethoden trainierten Zustandsklassifikators (2) zur Bestimmung eines eindimensionalen Klassifikationswertes Z_S, welcher repräsentativ für den momentanen oder zukünftigen Zustand des Sensors (3) ist.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Merkmale für den Merkmalsgenerator (1) im Sensor (3) selbst extrahiert und/oder ermittelt werden.
Verfahren nach einem der Ansprüche 1 oder 2, dadurch gekennzeichnet, dass in Schritt a) ein m-dimensionaler Merkmalsvektor V_M als Ausgangsgröße erzeugt wird, welcher dem Zustandsklassifikator (2) als Eingang zugeführt wird.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass Operatoren verwendet werden, um die für den Sensor (3) zustandsrelevanten Merkmale anhand von Sensordaten und/oder Sensoreigenschaften zu erhalten.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass im Zustandsklassifikator (2) ein datengetrieben erlerntes Funktional zur Durchführung der Zustandsklassifikation und/oder Zustandsvoraussage des Sensors (3) verwendet wird.
Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass im Zustandsklassifikator (2) der im Merkmalsgenerator (1) generierte m-dimensionale Merkmalsvektor V_M in das Funktional des Zustandsklassifikators (2) eingesetzt wird.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass eine Historie von Merkmalen oder deren Extrapolation in die Zukunft als ein Eingang für den Zustandsklassifikator (2) zur Bestimmung eines zukünftigen Zustands des Sensors (3) verwendet wird.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass der Sensor (3) mit einer im Vergleich zum Normalbetrieb des Sensors (3) erhöhten Sample-Rate betrieben wird.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass der Zustandsklassifikator (2) mit Trainingsmerkmalsvektoren und/oder Trainingsmerkmalen trainiert wird, welche bekannte Zustandssituationen des Sensors (3) widerspiegeln.
Verfahren nach einem der vorangegangenen Ansprüche, gekennzeichnet durch Verwenden einer Support Vector Machine (SVM), eines neuronalen Netzes, einer Diskriminanzanalyse oder eines Gaußschen Prozesses als Lernmethode im Zustandsklassifikator (2).
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass das datengetrieben erlernte Funktional des Zustandsklassifikators (2) und/oder die Auswertung zur Zustandsklassifikation in einem Messumformer (4) des Sensors (3) gespeichert und durchgeführt werden.
Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass eine Extrapolation des Sensorzustands auf Basis einer Zustandshistorie des Sensors (3) durchgeführt wird zur Voraussage zukünftiger Zustände des Sensors (3).
Vorrichtung zur Überprüfung und Feststellung von Zuständen eines Sensors (3), insbesondere zur Durchführung des Verfahrens nach einem der Ansprüche 1 bis 12, unter Verwendung mindestens eines Merkmalsgenerators (1) und eines Zustandsklassifikators (2), wobei der Sensor (3) mit einem Messumformer (4) versehen ist, dadurch gekennzeichnet, dass der Zustandsklassifikator (2) ein auf Basis von Lernmethoden trainierter Klassifikator ist, welcher angepasst ist, einen eindimensionalen Klassifikationswert Z_S aus insbesondere im Merkmalsgenerator (1) erzeugten Merkmalen zu erzeugen, der für den momentanen oder zukünftigen Zustand des Sensors (3) repräsentativ ist.
Vorrichtung nach Anspruch 13, dadurch gekennzeichnet, dass im Messumformer (4) eine Speichereinheit zur Speicherung von Trainingsmerkmalszustandsdaten des Sensors (3) und/oder eines erlernten Funktionals vorgesehen ist.
Vorrichtung nach einem der Ansprüche 13 oder 14, dadurch gekennzeichnet, dass ein Speicher (5) zur Speicherung von Merkmalsvektoren V_M und/oder weiterer Sensordaten vorgesehen ist, welcher von dem Sensor (3) und dem Messumformer (4) räumlich trennbar ist.
Vorrichtung nach einem der Ansprüche 13 bis 15, dadurch gekennzeichnet, dass ein Extrapolator (6) vorgesehen ist, welcher angepasst ist, eine Zustandsvoraussage hinsichtlich des Sensors (3) auf Grundlage einer gespeicherten Historie von Merkmalen oder statistischer Methoden zu bestimmen.
Vorrichtung nach einem der Ansprüche 13 bis 16, dadurch gekennzeichnet, dass der Sensor (3) eine pH-Glaselektrode zur Messung von pH-Werten ist.
Vorrichtung nach einem der Ansprüche 13 bis 17, dadurch gekennzeichnet, dass der Zustandsklassifikator (2) als Mittel zur Klassifizierung eine Support Vector Machine (SVM), ein neuronales Netz, eine Diskriminanzanalyse oder einen Gaußschen Prozess als Lernmethode im Zustandsklassifikator (2) umfasst.