-
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 VS bilden,
wobei der Sensordatenvektor VS 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 VS;
- b) Verwenden eines auf Basis von Lernmethoden trainierten Zustandsklassifikators
zur Bestimmung eines eindimensionalen Klassifikationswertes ZS, 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 ZS wird
auf Basis von in einem Merkmalsgenerator generierten Merkmalen und/oder
einem Sensordatenvektor VS 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 ZS 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 ZS,
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 ZS 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 VM als
Ausgangsgröße erzeugt, welcher als Eingang dem
Zustandsklassifikator nach der Erfindung zugeführt wird.
Der m-dimensionale Merkmalsvektor VM 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 VM kann
im Vergleich zum Sensordatenvektor VS eine
gleiche Dimension oder eine höhere Dimension aufweisen.
Die im Merkmalsvektor VM enthaltenen Merkmale
und Merkmalsausprägungen sind abgestimmt auf eine sachgerechte Überprüfung
und Feststellung des Zustands des Sensors. Als Merkmalsgrößen
im Merkmalsvektor VM 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 VM ausgefüllt.
Durch das Einsetzen des im Merkmalsgenerator generierten Merkmalsvektors VM 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 ZS 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
VM 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 ZS 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 VS in
einen Merkmalsgenerator 1 eingegeben. Der Sensordatenvektor
VS 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 VS 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 VM,
in dem zusätzlich zu den Rohdaten und Eingangsdaten die
im Merkmalsgenerator 1 generierten Merkmale enthalten sind.
Der Merkmalsvektor VM 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 ZS,
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 VM wird in das oben erwähnte
erlernte Funktional des Zustandsklassifikators 2 eingesetzt,
wodurch dann die Zugehörigkeit dieses Merkmalsvektors VM zu einer bestimmten Klasse in Form eines
Skalars in einer Anzeigeeinrichtung angezeigt wird. Es ergibt sich
ein eindimensionaler Wert für den Zustand, den Sensorzustand
ZS, 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 VM 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 ZS 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
VS ein Merkmalsvektor VM generiert.
Neben dem Merkmalsvektor VM 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 VM eine
Extrapolation der Merkmale in die Zukunft durchgeführt.
Diese Extrapolationswerte für Merkmale werden dann zusammen
mit dem Merkmalsvektor VM als Eingang zu
dem auf Basis von Lernmethoden trainierten Zustandsklassifikator 2 gegeben.
Daraus ermittelt dann der Zustandsklassifikator 2 wiederum
einen eindimensionalen Zustandswert ZS 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 XD 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 XD der Datenvektor, XM ein
möglicher Merkmalsvektor und XZ 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
XM 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 XM enthält
neben Elementen aus dem Datenvektor XD und
den dort vorhandenen Sensordaten wie auch Eigenschaften des Sensors 3,
wie z. B. das Potential der Referenzhalbzelle φR, 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 VM bzw.
im obigen Beispiel XM aus dem Datenvektor
XD bzw. dessen Historie zu berechnen.
-
Der
Zustandsklassifikator 2 hat nun die Aufgabe, den aktuellen
Merkmalsvektor XM, der den aktuellen Sensorzustand
besser repräsentiert als nur der Datenvektor XD,
auf eine diskrete Zustandsklasse als Ergebnis des erfindungsgemäßen
Verfahrens abzubilden. Die möglichen Zustandsklassen des
Zustandsvektors XZ 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
XZ der Fall ist. Entscheidend für
die Leistungsfähigkeit eines erfindungsgemäßen
Zustandsklassifikators 2 ist die Wahl der Methodik, nach welcher
die Abbildung des Merkmalsvektors XM 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 ZS 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 ZS.
-
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
- VS
- Sensordatenvektor
- VM
- Merkmalsvektor
- ZS
- 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]