-
Die vorliegende Erfindung betrifft ein Verfahren zum Detektieren von Störungen in einer Roboteranordnung, die wenigstens einen Roboter aufweist, mithilfe einer Störungsdetektion, in einer Ausführung wenigstens eines künstlichen neuronalen Netzes und/oder anderen maschinellen Lernalgorithmus, Verfahren zum maschinellen Lernen bzw. Trainieren, insbesondere mittels distanz- und/oder clustering-basiertem Machine Learning und/oder mit oder ohne Verwendung wenigstens eines künstlichen neuronalen Netzes, zum Beispiel Random Forests, Arma/Arima Models, Gradient Boosting oder dergleichen, der Störungsdetektion, insbesondere eines künstlichen neuronalen Netzes, sowie ein System und Computerprogrammprodukt zur Durchführung wenigstens eines der Verfahren.
-
Die verwendete bzw. maschinell gelernte Störungsdetektion weist somit in einer Ausführung ein oder mehrere künstliche neuronale Netze auf. Zusätzlich oder alternativ können auch andere Algorithmen des maschinellen Lernens verwendet werden, vorzugsweise distanz- und/oder clustering-basiertes Machine Learning, insbesondere können Random Forests, Arma/Arima Models, Gradient Boosting oder dergleichen verwendet werden. Besonders eignen sich distanzbasierte Clustering Verfahren, die vorteilhaft mit wenigstens einem neuronalen Netz kombiniert werden können. Entsprechend weist in einer Ausführung die verwendete bzw. maschinell gelernte Störungsdetektion einen oder mehrere, insbesondere dieser, Algorithmen des maschinellen Lernens auf bzw. verwendet diese(n) bzw. basiert hierauf.
-
Aufgabe der vorliegenden Erfindung ist es, einen Betrieb einer Roboteranordnung zu verbessern.
-
Diese Aufgabe wird insbesondere durch ein Verfahren mit den Merkmalen des Anspruchs 1, 5 bzw. 9 gelöst. Ansprüche 10, 11 stellen ein System bzw. Computerprogrammprodukt zur Durchführung eines hier beschriebenen Verfahrens unter Schutz. Die Unteransprüche betreffen vorteilhafte Weiterbildungen.
-
Nach einem ersten Aspekt der vorliegenden Erfindung umfasst ein Verfahren zum maschinellen Lernen einer Störungsdetektion, in einer Ausführung zum Trainieren eines künstlichen neuronalen Netzes, zum Detektieren von Störungen in einer Roboteranordnung, die einen oder mehrere Roboter aufweist, den Schritt:
- - Bereitstellen von als ungestört bewerteten Zeitreihen von Daten einer ersten Roboteranordnung, die wenigstens einen Roboter aufweist.
-
Dieses Bereitstellen umfasst in einer Ausführung ein Erfassen, insbesondere Messen, und/oder Filtern von Daten der ersten Roboteranordnung. Zusätzlich oder alternativ kann das Bereitstellen auch ein Abrufen gespeicherter, insbesondere gemessener und/oder gefilterter, Daten der ersten Roboteranordnung umfassen, insbesondere sein.
-
Die Zeitreihen sind, insbesondere werden, in einer Ausführung manuell bzw. durch wenigstens eine Person als ungestört bewertet. Zusätzlich oder alternativ können sie auch (teil- bzw. voll)automatisiert als ungestört bewertet sein bzw. werden.
-
Nach einer Ausführung der vorliegenden Erfindung umfasst das Verfahren die mehrfach abwechselnden Schritte:
- - Erzeugen von Zeitreihen von Daten mit künstlichen Störungen auf Basis wenigstens eines Teils der bereitgestellten, als ungestört bewerteten Zeitreihen mittels eines Generators eines GANs; und
- - Trainieren eines Diskriminators des GANs auf Basis
- • wenigstens eines Teils der bereitgestellten, als ungestört bewerteten Zeitreihen,
- • der erzeugten Zeitreihen mit künstlichen Störungen und
- • der künstlichen Störungen;
wobei - - der Diskriminator, insbesondere auf Basis der künstlichen Störungen überwacht bzw. supervised, trainiert wird, Zeitpunkte und/oder Ausmaße, insbesondere Amplituden, von Störungen zu detektieren; und
- - der Generator trainiert wird, Zeitreihen mit künstlichen Störungen zu erzeugen, deren Ausmaß der Diskriminator unterschätzt, insbesondere die der Diskriminator nicht detektiert oder als geringer einschätzt als die künstlichen Störungen der erzeugten Zeitreihen.
-
In einer Ausführung wird der (trainierte) Diskriminator selber, in einer Ausführung anschließend, in der bzw. zur, in einer Ausführung als, Störungsdetektion verwendet bzw. (hierzu) bereitgestellt.
-
Zusätzlich oder alternativ kann auch, in einer Ausführung anschließend und/oder in gleicher Weise wie der Diskriminator, wenigstens ein anderes künstliches neuronales Netz und/oder ein anderer maschineller Lernalgorithmus auf Basis wenigstens eines Teils der bereitgestellten, als ungestört bewerteten Zeitreihen, der erzeugten Zeitreihen mit künstlichen Störungen und/oder der künstlichen Störungen trainiert bzw. maschinell gelernt und, in einer Ausführung anschließend, in der bzw. zur, in einer Ausführung als, Störungsdetektion verwendet bzw. (hierzu) bereitgestellt werden.
-
Entsprechend weist in einer Ausführung die maschinell gelernte Störungsdetektion den Diskriminator des GANs, das andere künstliche neuronale Netz und/oder den anderen maschinellen Lernalgorithmus auf.
-
Das maschinelle Lernen bzw. Trainieren, insbesondere des Diskriminators, auf Basis wenigstens eines Teils der bereitgestellten, als ungestört bewerteten Zeitreihen und auf Basis der erzeugten Zeitreihen mit künstlichen Störungen umfasst in einer Ausführung das Zuführen bzw. Eingeben dieses Teils der bereitgestellten, als ungestört bewerteten Zeitreihen und dieser erzeugten Zeitreihen mit künstlichen Störungen, insbesondere zu dem bzw. in den Diskriminator. Das Trainieren, insbesondere des Diskriminators, auf Basis der künstlichen Störungen umfasst in einer Ausführung ein entsprechendes Labeling mit den künstlichen Störungen.
-
In einer Ausführung stimmen
- • bereitgestellte, als ungestört bewertete Zeitreihen, auf deren Basis mittels des Generators Zeitreihen von Daten mit künstlichen Störungen erzeugt werden; und
- • bereitgestellte, als ungestört bewertete Zeitreihen, auf deren Basis die Störungsdetektion bzw. der Diskriminator trainiert wird;
wenigstens teilweise überein. Mit anderen Worten können bereitgestellte, als ungestört bewertete Zeitreihen sowohl zum Erzeugen von Zeitreihen von Daten mit künstlichen Störungen mittels des Generators als auch zum Trainieren, insbesondere des Diskriminators, verwendet werden.
-
Hierdurch kann in einer Ausführung die zum Trainieren zur Verfügung stehende Datenmenge vorteilhaft vergrößert werden.
-
Zusätzlich oder alternativ wird in einer Ausführung
- • ein Teil der bereitgestellten, als ungestört bewerteten Zeitreihen nur zum Erzeugen von Zeitreihen von Daten mit künstlichen Störungen mittels des Generators, d.h. nicht (auch) zum Trainieren der Störungsdetektion und/oder des Diskriminators verwendet; und/oder
- • ein Teil der bereitgestellten, als ungestört bewerteten Zeitreihen nur zum Trainieren, insbesondere des Diskriminators, d.h. nicht (auch) zum Erzeugen von Zeitreihen von Daten mit künstlichen Störungen mittels des Generators verwendet.
-
Hierdurch kann in einer Ausführung das Trainieren verbessert werden.
-
Das GAN („Generative Adversarial Network“ bzw. „erzeugendes generisches Netzwerk“) weist in einer Ausführung einen Generator, der wenigstens ein künstliches neuronales Netzwerk aufweist, und einen Diskriminator, der wenigstens ein künstliches neuronales Netzwerk aufweist, auf, die in einer Ausführung ein Nullsummenspiel durchführen.
-
Durch das Trainieren des Generators und Diskriminators werden beide sukzessive besser und der Diskriminator lernt maschinell anhand der künstlich erzeugten Zeitreihen bzw. künstlichen Störungen, Zeitpunkte und/oder Ausmaße von Störungen (immer besser) zu detektieren.
-
Roboteranordnungen weisen oftmals wenige - als solche bewertete - Störungen auf. Dies macht ein Detektieren mittels maschinell gelernter Störungsdetektionen, insbesondere künstlicher neuronaler Netze, bzw. ein Trainieren bzw. maschinelles Lernen einer Störungsdetektion, insbesondere künstlicher neuronaler Netze, problematisch. Indem die Störungsdetektion, insbesondere der Diskriminator, auf Basis künstlich erzeugter Zeitreihen mit (künstlichen) Störungen trainiert wird, können in einer Ausführung Störungsdetektionen, insbesondere künstliche neuronale Netze, zum Detektieren von Störungen in Roboteranordnungen vorteilhaft trainiert bzw. verwendet werden.
-
Indem die Störungsdetektion bzw. der Diskriminator, auf Basis der künstlichen Störungen, in einer Ausführung ihrer (bekannten bzw. durch den Generator vorgegebenen) Zeitpunkte und/oder Ausmaße, trainiert wird, können in einer Ausführung Störungsdetektionen, insbesondere künstliche neuronale Netze, Störungen in Roboteranordnungen vorteilhaft detektieren, insbesondere deren Zeitpunkte und/oder Ausmaße detektieren.
-
Dadurch kann in einer Ausführung besonders vorteilhaft auf die Detektion reagiert, insbesondere mögliche Fehler bzw. Fehlerursachen besser diagnostiziert und/oder prognostiziert werden, insbesondere in einer Überwachung und/oder Predictive Maintanance. Entsprechend können durch das Trainieren, insbesondere des (Generators und Diskriminators des) GANs, in einer Ausführung eine besonders vorteilhafte Störungsdetektion bzw. ein entsprechendes künstliches neuronales Netz bereitgestellt, hiermit in einer Ausführung Störungen in Roboteranordnungen besonders vorteilhaft detektiert und so der Betrieb der Roboteranordnungen verbessert, insbesondere eine Sicherheit erhöht und/oder eine Fehlerrate und/oder Stillstandszeit reduziert werden.
-
In einer Ausführung werden die künstlichen Störungen (vom Generator) auf Basis eines Rauschens und/oder einer vorgegebenen Skalierung, in einer Ausführung eines ein- oder mehrdimensionalen Skalierungsparameters, erzeugt. Zusätzlich oder alternativ werden in einer Ausführung die künstlichen Störungen (vom Generator) auf bereitgestellte, als ungestört bewertete Zeitreihen aufaddiert.
-
Dadurch kann der Generator in einer Ausführung jeweils, insbesondere in Kombination, besonders vorteilhaft Zeitreihen mit künstlichen Störungen erzeugen, diese in einer Ausführung besonders vorteilhaft variieren, insbesondere, um den Diskriminator zu täuschen.
-
In einer Ausführung wird der Diskriminator, das andere künstliche neuronale Netz und/oder der andere maschinelle Lernalgorithmus der Störungsdetektion, insbesondere zusätzlich bzw. auch, auf Basis stochastisch erzeugter, in einer Ausführung von als ungestört bewerteten Zeitreihen unabhängigen, Zeitreihen trainiert, insbesondere außer den bereitgestellten, als ungestört bewerteten Zeitreihen und den erzeugten Zeitreihen mit künstlichen Störungen auch noch stochastisch erzeugte, in einer Ausführung von als ungestört bewerteten Zeitreihen unabhängigen, Zeitreihen zum Trainieren der Störungsdetektion bzw. des Diskriminators verwendet.
-
Hierdurch kann in einer Ausführung die Robustheit verbessert werden.
-
In einer Ausführung werden (vom Generator) erzeugte Zeitreihen mit künstlichen Störungen abgespeichert und der Diskriminator, das andere künstliche neuronale Netz und/oder der anderer maschinelle Lernalgorithmus der Störungsdetektion mit diesen abgespeicherten Zeitreihen wiederholt trainiert.
-
In einer Ausführung wird bzw. ist der Erzeugungsprozess der Störungen, insbesondere das Erzeugen von Zeitreihen von Daten mit künstlichen Störungen auf Basis wenigstens eines Teils der bereitgestellten, als ungestört bewerteten Zeitreihen mittels des Generators, und das maschinelle Lernen der Störungsdetektion bzw. Anomaliedetektion, insbesondere das Trainieren des Diskriminators, anderen künstlichen neuronales Netzes bzw. anderen maschineller Lernalgorithmus, insbesondere auf Basis der erzeugten Zeitreihen mit künstlichen Störungen, der künstlichen Störungen und wenigstens eines Teils der bereitgestellten, insbesondere ebenfalls abgespeicherten, als ungestört bewerteten Zeitreihen entkoppelt. Dadurch kann in einer Ausführung das Trainieren, die Störungsdetektion, das trainierte künstliche neuronale Netz und/oder das Detektieren von Störungen verbessert werden.
-
Nach einem zweiten Aspekt der vorliegenden Erfindung umfasst ein Verfahren zum maschinellen Lernen einer Störungsdetektion, in einer Ausführung zum Trainieren eines oder mehrerer künstlicher neuronaler Netze, zum Detektieren von Störungen in einer Roboteranordnung, die wenigstens einen Roboter aufweist, den Schritt:
- - Bereitstellen von Daten einer ersten Roboteranordnung, die wenigstens einen Roboter aufweist.
-
Das maschinelle Lernen umfasst in einer Ausführung ein oder mehrere distanz- und/oder clustering-basierte Machine Learning-Verfahren und/oder die Verwendung oder Nicht-Verwendung wenigstens eines künstlichen neuronalen Netzes, zum Beispiel Random Forests-Verfahren, Arma/Arima Models-basierte Verfahren, Gradient Boosting-Verfahren oder dergleichen, insbesondere also zusätzlich oder alternativ zu dem wenigstens einen künstlichen neuronalen Netz.
-
Wie bereits zum ersten Aspekt erläutert, kann dieses Bereitstellen in einer Ausführung ein Erfassen, insbesondere Messen, und/oder Filtern von Daten der ersten Roboteranordnung umfassen, insbesondere sein. Zusätzlich oder alternativ kann dieses Bereitstellen auch ein Abrufen gespeicherter, insbesondere gemessener und/oder gefilterter, Daten der ersten Roboteranordnung umfassen, insbesondere sein.
-
Nach einer Ausführung des zweiten Aspekts weisen die bereitgestellten Daten Datensätze aus einander, in einer Ausführung zeitlich, zugeordneten Daten auf, wobei jeder dieser Datensätze jeweils aus mehreren der verschiedenen Datenkanäle jeweils ein Datum aufweist.
-
In einer Ausführung weist jeder dieser Datenkanäle jeweils wenigstens, insbesondere nur, eine Zeitreihe von Daten bzw. Werten, insbesondere eines datenkanalspezifischen Parameters der ersten Roboteranordnung, auf.
-
In einer Ausführung weist ein erster Datenkanal (eine Zeitreihe) erste(r) Daten, insbesondere kinematische(r) Daten, insbesondere Positions-, Geschwindigkeits- oder Beschleunigungsdaten, Kraft- oder Drehmomentdaten, elektrische(r) Daten, insbesondere Strom- oder Spannungsdaten, Fehlermeldungen aus einer Robotersteuerung oder Schleppfehlerdaten einer Achse bzw. eines Antriebs des Roboters, auf.
-
In einer Weiterbildung weisen ein oder mehrere weitere der Datenkanäle jeweils (eine Zeitreihe) diese(r) ersten Daten, insbesondere zeitlich, zugeordnete(r), weitere(r) Daten, in einer Ausführung kinematische(r) Daten, insbesondere Positions-, Geschwindigkeits- oder Beschleunigungsdaten, Kraft- oder Drehmomentdaten, elektrische(r) Daten, insbesondere Strom- oder Spannungsdaten, Fehlermeldungen aus einer Robotersteuerung oder Schleppfehlerdaten einer anderen Achse bzw. eines anderen Antriebs des Roboters auf.
-
Zusätzlich oder alternativ weisen in einer Weiterbildung ein oder mehrere weitere Datenkanäle jeweils (eine Zeitreihe) diese(r) ersten Daten, insbesondere zeitlich, zugeordnete(r), weitere(r) Daten, in einer Ausführung kinematische(r) Daten, insbesondere Positions-, Geschwindigkeits- oder Beschleunigungsdaten, Kraft- oder Drehmomentdaten, elektrische(r) Daten, insbesondere Strom- oder Spannungsdaten, Fehlermeldungen aus einer Robotersteuerung oder Schleppfehlerdaten einer anderen Achse bzw. eines anderen Antriebs des Roboters auf.
-
Somit weist jeder der Datensätze in einer Ausführung jeweils wenigstens
- • ein erstes Datum, beispielsweise eine Position einer Achse bzw. eines Antriebs des Roboters, zu bzw. für einen bestimmten Zeitpunkt; sowie
- • ein Datum eines anderen Datenkanals, beispielsweise ein Drehmoment dieser Achse bzw. dieses Antriebs des Roboters, zu bzw. für diesen bestimmten Zeitpunkt; und/oder
- • ein Datum eines anderen Datenkanals, beispielsweise eine Position einer anderen Achse bzw. eines anderen Antriebs des Roboters, zu bzw. für diesen bestimmten Zeitpunkt;
auf.
-
Mit anderen Worten weisen die bereitgestellten Daten der ersten Roboteranordnung in einer Ausführung mehrere Zeitreihen von einander jeweils zeitlich zugeordneten Daten für unterschiedliche Parameter der Roboteranordnung auf, wobei jeder der Datenkanäle in einer Ausführung eine dieser Zeitreihen aufweist und jeder der Datensätze jeweils die demselben Zeitpunkt zugeordneten Daten der unterschiedlichen Parameter der Roboteranordnung aufweist.
-
Nach einer Ausführung des zweiten Aspekts weist das Verfahren den Schritt auf:
- - maschinelles Lernen, in einer Ausführung mittels distanz- und/oder clustering-basiertem Machine Learning und/oder mit oder ohne Verwendung wenigstens eines künstlichen neuronalen Netzes, zum Beispiel Random Forests, Arma/Arima Models, Gradient Boosting oder dergleichen, einer Störungsdetektion, in einer Ausführung Trainieren eines oder mehrerer künstlicher neuronaler Netze, auf Basis dieser Daten, wobei ein Datum eines Datensatzes final bzw. nach dem maschinellen Lernen nicht als Datum einer Störung klassifiziert wird, falls die ihm zugeordneten Daten nicht wenigstens in einer vorgegebenen Anzahl und/oder nicht wenigstens in einer vorgegebenen Gruppe der Datenkanäle als Daten einer Störung klassifiziert sind bzw. werden.
-
Wie bereits erwähnt, kann in einer Ausführung zusätzlich zu oder anstelle von dem (Trainieren des) wenigstens einen künstlichen neuronalen Netzes die Störungsdetektion distanz-basiert sein bzw. maschinell gelernt werden.
-
Dieser zweite Aspekt basiert auf der Erkenntnis, dass bei Robotern verschiedene Datenkanäle insofern redundant sind, als Störungen zugleich in (Daten von) mehreren der Datenkanäle auftreten.
-
Nach einer Ausführung des zweiten Aspekts wird diese Erkenntnis genutzt, indem für eine Klassifikation als Störung eine bestimmte Mindestredundanz insofern gefordert wird, dass diese in wenigstens einer vorgegebenen Anzahl der Datenkanäle als Daten einer Störung klassifiziert sind bzw. werden, in einer Ausführung unabhängig davon, um welche (der) Datenkanäle es sich handelt. Es kann also beispielsweise vorgesehen sein, dass ein Datum nur dann als Datum einer Störung klassifiziert wird, wenn in wenigstens (irgend)einem oder wenigstens (irgend)zwei anderen der Datenkanäle die diesem Datum zugeordneten Daten ebenfalls als Störung klassifiziert sind bzw. werden.
-
Nach einer anderen Ausführung des zweiten Aspekts wird diese Erkenntnis genutzt, indem für eine Klassifikation als Störung eine bestimmte Mindestredundanz insofern gefordert wird, dass diese in wenigstens einer vorgegebenen Gruppe (bestimmter) der Datenkanäle als Daten einer Störung klassifiziert sind bzw. werden. Es kann also beispielsweise vorgesehen sein, dass ein Datum nur dann als Datum einer Störung klassifiziert wird, wenn in wenigstens einer oder zwei bestimmten bzw. vorgegebenen der Datenkanäle die diesem Datum zugeordneten Daten ebenfalls als Störung klassifiziert sind bzw. werden.
-
Durch den zweiten Aspekt kann in einer Ausführung besonders vorteilhaft auf die Detektion reagiert, insbesondere mögliche Fehler(ursachen) besser diagnostiziert und/oder prognostiziert werden, insbesondere in einer Überwachung und/oder Predictive Maintanance. Entsprechend können durch das maschinelle Lernen auf Basis einer geforderten Mindestredundanz zur Klassifikation als Datum einer Störung in einer Ausführung eine besonders vorteilhafte Störungsdetektion bereitgestellt, hiermit in einer Ausführung Störungen in Roboteranordnungen besonders vorteilhaft detektiert und so der Betrieb der Roboteranordnungen verbessert, insbesondere eine Sicherheit erhöht und/oder eine Fehlerrate und/oder Stillstandszeit reduziert werden. In einer Ausführung kann besonders vorteilhaft auch ohne externe Bewertung der Daten bzw. ohne (externe) Labelung der Daten bzw. autonom eine Störungsdetektion maschinell gelernt werden.
-
In einer Ausführung des zweiten Aspekts wird in einer ersten Phase des maschinellen Lernens für mehrere der Datenkanäle jeweils eine Kanal-Störungsdetektion auf Basis der Daten des jeweiligen Datenkanals, in einer Ausführung mittels distanz- und/oder clustering-basiertem Machine Learning und/oder mit oder ohne Verwendung wenigstens eines künstlichen neuronalen Netzes, zum Beispiel Random Forests, Arma/Arima Models, Gradient Boosting oder dergleichen, maschinell gelernt, in einer Ausführung jeweils wenigstens ein künstliches neuronales Netz trainiert. Die nach dem zweiten Aspekt maschinell gelernte Störungsdetektion umfasst in einer Ausführung eine oder mehrere dieser (einzelnen bzw. kanalspezifischen) Kanal-Störungsdetektionen.
-
In einer Ausführung erfolgt dies wenigstens teilweise parallelisiert.
-
Dadurch kann in einer Ausführung die Lern- bzw. Trainingszeit vorteilhaft reduziert werden.
-
Zusätzlich oder alternativ wird in einer Ausführung in der ersten Phase für mehrere der Datenkanäle jeweils auf Basis der Daten des jeweiligen Datenkanals maschinell ein extremaler Anomaliescore für das Datum ermittelt, das gerade noch nicht als Datum einer Störung klassifiziert wird, und anschließend ein Grenzwert für die Klassifikation als Datum einer Störung derart gegenüber diesem extremalen Anomaliescore abgeändert, insbesondere erhöht bzw. reduziert, dass (auch) wenigstens ein Datum, das auf Basis des extremalen Anomaliescores (noch) nicht als Datum einer Störung klassifiziert wird bzw. worden ist, nun als Datum einer Störung klassifiziert wird. Auf diese Weise werden zunächst vorsorglich mehr False-Negatives erzeugt.
-
In einer anschließenden zweiten Phase des maschinellen Lernens wird/werden dann ein zunächst als Datum einer Störung klassifiziertes Datum eines Datensatzes nicht mehr als Datum einer Störung klassifiziert bzw. wieder als ungestörtes Datum klassifiziert, falls die ihm zugeordneten anderen Daten seines Datensatzes in der ersten Phase nicht wenigstens in einer bzw. der vorgegebenen Anzahl bzw. Gruppe der Datenkanäle als Daten einer Störung klassifiziert worden sind, insbesondere die künstlichen neuronalen Netze entsprechend (weiter)trainiert.
-
Vorzugsweise wird in der ersten Phase ein niedriger Mindestwert bzw. hoher Maximalwert für die Klassifikation eines Datums (noch) als Datum einer Störung verwendet, insbesondere ein Mindestwert, der niedriger liegt als ein in der zweiten Phase verwendeter Mindestwert, der unterschritten sein muss, um als Datum einer Störung klassifiziert zu werden, bzw. ein Maximalwert, der höher liegt als ein in der zweiten Phase verwendeter Maximalwert, der überschritten sein muss, um als Datum einer Störung klassifiziert zu werden.
-
Dadurch werden in der ersten Phase mehr False-Negatives und weniger False-Positives generiert bzw. (zunächst) eher Daten als Daten einer Störung klassifiziert, die eigentlich keine Daten einer Störung sind (False-Negative) als umgekehrt Daten nicht als Daten einer Störung klassifiziert, die eigentlich Daten einer Störung sind (False-Positive).
-
Dadurch kann in einer Ausführung die Sicherheit beim Detektieren von Störungen in Roboteranordnungen vorteilhaft erhöht werden.
-
In einer Ausführung des zweiten Aspekts wird die Anzahl bzw. Gruppe der Datenkanäle auf Basis einer Benutzereingabe vorgegeben.
-
Hierdurch kann vorteilhaft (Experten)Wissen des Benutzers über die (erforderliche) Redundanz ausgenutzt und so das maschinelle Lernen verbessert werden. Beispielsweise kann ein Benutzer auf Basis seines Wissens, dass bei einer Störung in einer Achse in der Regel sowohl kinematische als auch Kraft- bzw. Drehmomentdaten eine Störung aufweisen bzw. anzeigen, oder dass eine bestimmte Art von Störungen sich stets in den Daten mehrerer, insbesondere bestimmter, Achsen wiederspiegelt, entsprechende Gruppen bzw. eine entsprechende Anzahl der Datenkanäle vorgeben.
-
Zusätzlich oder alternativ wird die Anzahl bzw. Gruppe der Datenkanäle in einer Ausführung des zweiten Aspekts teilweise oder vollständig automatisiert vorgegeben, in einer Ausführung variiert. In einer Ausführung kann so eine besonders günstige Anzahl bzw. Gruppe der Datenkanäle ermittelt, in einer Ausführung maschinell gelernt, werden.
-
Nach einer Ausführung des ersten oder zweiten Aspekts der vorliegenden Erfindung umfasst ein Verfahren zum Detektieren von Störungen in einer Roboteranordnung, die wenigstens einen Roboter aufweist, die Schritte:
- - Bereitstellen einer Störungsdetektion, in einer Ausführung eines oder mehrerer künstlicher neuronaler Netze, mithilfe eines hier beschriebenen Verfahrens, insbesondere einer mithilfe eines hier beschriebenen Verfahrens maschinell gelernten Störungsdetektion; und
- - Detektieren von Störungen in der ersten und/oder einer anderen Roboteranordnung, die wenigstens einen Roboter aufweist, mithilfe dieser Störungsdetektion, insbesondere dieses bzw. dieser bereitgestellten künstlichen neuronalen Netze(s), insbesondere Detektieren von Störungen eines oder mehrerer Roboter dieser (ersten bzw. anderen) Roboteranordnung, insbesondere in Zeitreihen von deren Daten.
-
Dieses Bereitstellen umfasst in einer Ausführung das Bereitstellen, insbesondere Verwenden, des bzw. der maschinell gelernten Störungsdetektion bzw. des (trainierten) künstlichen neuronalen Netze(s), in einer Ausführung des (trainierten) Diskriminators des GANs, anderen künstlichen neuronalen Netzes bzw. anderen maschinellen Lernalgorithmus.
-
Gleichermaßen kann das Bereitstellen auch ein Parametrieren einer Störungsdetektion bzw. eines oder mehrerer künstlicher neuronaler Netze auf Basis des bzw. der maschinell gelernten Störungsdetektion bzw. (trainierten) künstlichen neuronalen Netze(s), in einer Ausführung des (trainierten) Diskriminators des GANs, anderen künstlichen neuronalen Netzes bzw. anderen maschinellen Lernalgorithmus, und/oder ein Kopieren des bzw. der maschinell gelernten Störungsdetektion bzw. (trainierten) künstlichen neuronalen Netze(s), in einer Ausführung des (trainierten) Diskriminators des GANs, anderen künstlichen neuronalen Netzes bzw. anderen maschinellen Lernalgorithmus, umfassen, insbesondere sein.
-
Insbesondere kann also in einer Ausführung der Diskriminator auf Basis von als ungestört bewerteten Zeitreihen von Daten der ersten Roboteranordnung trainiert werden bzw. sein und anschließend der Diskriminator, eine Kopie des (trainierten) Diskriminators bzw. ein auf Basis des (trainierten) Diskriminators parametriertes künstliches neuronales Netz, insbesondere während er, sie bzw. es weiter trainiert wird, Störungen in dieser ersten Roboteranordnung detektieren.
-
Gleichermaßen kann in einer Ausführung eine Störungsdetektion auf Basis von Daten der ersten Roboteranordnung maschinell gelernt werden bzw. sein und anschließend diese Störungsdetektion, eine Kopie der (maschinell gelernten) Störungsdetektion bzw. eine auf Basis der (maschinell gelernten) Störungsdetektion parametrierte Störungsdetektion, insbesondere während sie weiter trainiert wird, Störungen in dieser ersten Roboteranordnung detektieren.
-
Durch dieses spezifische Training können in einer Ausführung Störungen der ersten Roboteranordnung besonders vorteilhaft, insbesondere rasch, zuverlässig und/oder präzise, diagnostiziert und/oder prognostiziert werden.
-
Zusätzlich oder alternativ kann in einer Ausführung der Diskriminator auf Basis von als ungestört bewerteten Zeitreihen von Daten der ersten Roboteranordnung trainiert werden bzw. sein und anschließend der Diskriminator, eine Kopie des (trainierten) Diskriminators bzw. ein auf Basis des (trainierten) Diskriminators parametriertes künstliches neuronales Netz, insbesondere während er, sie bzw. es weiter trainiert wird, Störungen in einer anderen Roboteranordnung detektieren.
-
Gleichermaßen kann in einer Ausführung eine Störungsdetektion auf Basis von Daten der ersten Roboteranordnung maschinell gelernt werden bzw. sein und anschließend diese Störungsdetektion, eine Kopie der (maschinell gelernten) Störungsdetektion bzw. eine auf Basis der (maschinell gelernten) Störungsdetektion parametrierte Störungsdetektion, insbesondere während sie weiter trainiert wird, Störungen in einer anderen Roboteranordnung detektieren.
-
Durch diese Übertragung können in einer Ausführung Störungen von Roboteranordnungen besonders vorteilhaft, insbesondere auf Basis geringer(er) Datenmengen von diesen Roboteranordnungen und/oder mit geringerem/r Inbetriebnahmeaufwand, insbesondere -zeit, diagnostiziert und/oder prognostiziert werden.
-
In einer Ausführung des ersten oder zweiten Aspekts weisen die Daten kinematische Daten, in einer Ausführung Positionsdaten, Geschwindigkeitsdaten und/oder Beschleunigungsdaten, der ersten Roboteranordnung, in einer Ausführung eines oder mehrerer Roboter(s) der Roboteranordnung, auf, insbesondere Achsstellungs-, -geschwindigkeits- und/oder -beschleunigungsdaten und/oder kartesische Posendaten wenigstens einer roboterfesten Referenz, insbesondere eines Endeffektors bzw. TCPs des bzw. der Roboter(s).
-
Zusätzlich oder alternativ weisen die Daten in einer Ausführung des ersten oder zweiten Aspekts Kraftdaten und/oder Drehmomentdaten der ersten Roboteranordnung, in einer Ausführung eines oder mehrerer Roboter(s) der Roboteranordnung, auf, insbesondere Achs- und/oder Antriebskräfte und/oder -drehmomente und/oder externe bzw. auf die erste Roboteranordnung, in einer Ausführung einen oder mehrere Roboter, ausgeübte Kräfte und/oder Drehmomente.
-
Zusätzlich oder alternativ weisen die Daten in einer Ausführung des ersten oder zweiten Aspekts elektrische Daten, insbesondere Strom- und/oder Spannungsdaten der ersten Roboteranordnung, in einer Ausführung eines oder mehrerer Roboter(s) der Roboteranordnung, auf, insbesondere von Antrieben der ersten Roboteranordnung, in einer Ausführung eines oder mehrerer Roboter(s).
-
Zusätzlich oder alternativ weisen die Daten in einer Ausführung des ersten oder zweiten Aspekts Fehlermeldungen aus einer Robotersteuerung und/oder Schleppfehlerdaten bzw. Abweichungen zwischen Soll- und Ist-Werten der ersten Roboteranordnung, in einer Ausführung eines oder mehrerer Roboter(s) der Roboteranordnung, auf, insbesondere von Reglern der ersten Roboteranordnung, in einer Ausführung eines oder mehrerer Roboter(s).
-
Zusätzlich oder alternativ weisen die Daten in einer Ausführung des ersten oder zweiten Aspekts Temperaturdaten der ersten Roboteranordnung, in einer Ausführung eines oder mehrerer Roboter(s), in einer Weiterbildung Roboterarms/-e, der Roboteranordnung, auf.
-
Der bzw. einer oder mehrere Roboter der ersten und/oder anderen Roboteranordnung weisen in einer Ausführung einen, in einer Ausführung mehrachsigen, Roboterarm, auf, können insbesondere ein solcher sein.
-
Auf Basis solcher Daten können in einer Ausführung des ersten oder zweiten Aspekts Störungen einer Roboteranordnung besonders vorteilhaft, insbesondere rasch, zuverlässig und/oder präzise, diagnostiziert und/oder prognostiziert werden.
-
In einer Ausführung des ersten oder zweiten Aspekts weisen die Daten Daten von zwei oder mehr Datenkanälen auf.
-
Dadurch kann in einer Ausführung eine höhere Datenmenge genutzt und dadurch das Trainieren, das trainierte künstliche neuronale Netz und/oder das Detektieren von Störungen verbessert werden.
-
Nach einer Ausführung der vorliegenden Erfindung ist ein System, insbesondere hard- und/oder software-, insbesondere programmtechnisch, zur Durchführung eines hier beschriebenen Verfahrens nach einer Ausführung des ersten und/oder zweiten Aspekts eingerichtet.
-
Nach einer Ausführung der vorliegenden Erfindung weist das System auf:
- - Mittel zum Bereitstellen von als ungestört bewerteten Zeitreihen von Daten einer ersten Roboteranordnung, die wenigstens einen Roboter aufweist;
- - Mittel zum mehrfach abwechselnden
- - Erzeugen von Zeitreihen von Daten mit künstlichen Störungen auf Basis wenigstens eines Teils der bereitgestellten, als ungestört bewerteten Zeitreihen mittels eines Generators eines GANs; und
- - Trainieren eines Diskriminators des GANs auf Basis der erzeugten Zeitreihen mit künstlichen Störungen, der künstlichen Störungen und wenigstens eines Teils der bereitgestellten, als ungestört bewerteten Zeitreihen;
wobei
- - der Diskriminator trainiert wird, Zeitpunkte und/oder Ausmaße von Störungen zu detektieren; und
- - der Generator trainiert wird, Zeitreihen mit künstlichen Störungen zu erzeugen, deren Ausmaß der Diskriminator unterschätzt, insbesondere die der Diskriminator nicht detektiert oder als geringer einschätzt als die künstlichen Störungen der erzeugten Zeitreihen.
-
In einer Ausführung weist das System bzw. sein(e) Mittel auf:
- - Mittel zum Erzeugen der künstlichen Störungen auf Basis eines Rauschens und/oder einer vorgegebenen Skalierung und/oder zum Aufaddieren der künstlichen Störungen auf bereitgestellte, als ungestört bewertete Zeitreihen; und/oder
- - Mittel zum Abspeichern erzeugter Zeitreihen mit künstlichen Störungen und wiederholten Trainieren des Diskriminators, eines anderen künstlichen neuronalen Netzes und/oder eines anderen maschinellen Lernalgorithmus der Störungsdetektion mit diesen abgespeicherten Zeitreihen; und/oder
- - Mittel zum Trainieren des Diskriminators, eines anderen künstlichen neuronalen Netzes und/oder eines anderen maschinellen Lernalgorithmus der Störungsdetektion auf Basis stochastisch erzeugter Zeitreihen.
-
Nach einer Ausführung der vorliegenden Erfindung weist das System auf:
- - Mittel zum Bereitstellen von Daten einer ersten Roboteranordnung, die wenigstens einen Roboter aufweist, wobei diese Daten Datensätze einander, insbesondere zeitlich, zugeordneter Daten aufweisen, wobei jeder dieser Datensätze jeweils aus mehreren verschiedenen Datenkanälen jeweils ein Datum aufweist; und
- - Mittel zum maschinellen Lernen, in einer Ausführung mittels distanz- und/oder clustering-basiertem Machine Learning und/oder mit oder ohne Verwendung wenigstens eines künstlichen neuronalen Netzes, zum Beispiel Random Forests, Arma/Arima Models, Gradient Boosting oder dergleichen, einer Störungsdetektion, insbesondere Trainieren wenigstens eines künstlichen neuronalen Netzes, auf Basis der Daten, wobei ein Datum eines Datensatzes final nicht als Datum einer Störung klassifiziert wird, falls die ihm zugeordneten Daten nicht wenigstens in einer vorgegebenen Anzahl und/oder Gruppe der Datenkanäle als Daten einer Störung klassifiziert sind bzw. werden.
-
In einer Ausführung weist das System bzw. sein(e) Mittel auf:
- - Mittel zum, insbesondere wenigstens teilweise parallelisierten, maschinellen Lernen, insbesondere mittels distanz- und/oder clustering-basiertem Machine Learning und/oder mit oder ohne Verwendung wenigstens eines künstlichen neuronalen Netzes, zum Beispiel Random Forests, Arma/Arima Models, Gradient Boosting oder dergleichen, jeweils einer Kanal-Störungsdetektion auf Basis der Daten des jeweiligen Datenkanals in einer ersten Phase des maschinellen Lernens für mehrere der Datenkanäle, insbesondere zum Trainieren jeweils wenigstens eines künstlichen neuronalen Netzes in der ersten Phase; und
- - Mittel zum Klassifizieren eines zunächst als Datum einer Störung klassifizierten Datums eines Datensatzes nicht mehr als Datum einer Störung, falls die ihm zugeordneten Daten in der ersten Phase nicht wenigstens in einer vorgegebenen Anzahl und/oder Gruppe der Datenkanäle als Daten einer Störung klassifiziert worden sind, in einer anschließenden zweiten Phase des maschinellen Lernens, insbesondere zum entsprechenden Weitertrainieren der künstlichen neuronalen Netze.
-
In einer Ausführung weist das System bzw. sein(e) Mittel auf:
- Mittel zum Vorgeben der Anzahl bzw. Gruppe der Datenkanäle auf Basis einer Benutzereingabe und/oder wenigstens teilweise automatisiert, insbesondere zum wenigstens teilweise automatisierten Variieren.
-
Nach einer Ausführung der vorliegenden Erfindung weist das System auf:
- - Mittel zum Bereitstellen einer Störungsdetektion, in einer Ausführung wenigstens eines künstlichen neuronalen Netzes, mithilfe eines hier beschriebenen Verfahrens bzw. Mittels; und
- - Mittel zum Detektieren von Störungen in der ersten und/oder einer anderen Roboteranordnung, die wenigstens einen Roboter aufweist, mithilfe dieser Störungsdetektion, insbesondere dieses wenigstens einen künstlichen neuronalen Netzes.
-
Ein Mittel im Sinne der vorliegenden Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein, insbesondere eine, vorzugsweise mit einem Speicher- und/oder Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbeitungs-, insbesondere Mikroprozessoreinheit (CPU), Graphikkarte (GPU) oder dergleichen, und/oder ein oder mehrere Programme oder Programmmodule aufweisen. Die Verarbeitungseinheit kann dazu ausgebildet sein, Befehle, die als ein in einem Speichersystem abgelegtes Programm implementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangssignale an einen Datenbus abzugeben. Ein Speichersystem kann ein oder mehrere, insbesondere verschiedene, Speichermedien, insbesondere optische, magnetische, Festkörper- und/oder andere nicht-flüchtige Medien aufweisen. Das Programm kann derart beschaffen sein, dass es die hier beschriebenen Verfahren verkörpert bzw. auszuführen imstande ist, sodass die Verarbeitungseinheit die Schritte solcher Verfahren ausführen kann und damit insbesondere Störungen in Roboteranordnungen, die wenigstens einen Roboter aufweisen, mithilfe einer Störungsdetektion, insbesondere wenigstens eines künstlichen neuronalen Netzes, detektieren bzw. diese Störungsdetektion maschinell lernen bzw. dieses künstliche neuronale Netz trainieren kann. Ein Computerprogrammprodukt kann in einer Ausführung ein, insbesondere nicht-flüchtiges, Speichermedium zum Speichern eines Programms bzw. mit einem darauf gespeicherten Programm aufweisen, insbesondere sein, wobei ein Ausführen dieses Programms ein System bzw. eine Steuerung, insbesondere einen Computer, dazu veranlasst, ein hier beschriebenes Verfahren bzw. einen oder mehrere seiner Schritte auszuführen.
-
In einer Ausführung werden ein oder mehrere, insbesondere alle, Schritte des Verfahrens vollständig oder teilweise automatisiert durchgeführt, insbesondere durch das System bzw. sein(e) Mittel. In einer Ausführung weist das System die erste und/oder andere Roboteranordnung auf.
-
Weitere Vorteile und Merkmale ergeben sich aus den Unteransprüchen und den Ausführungsbeispielen. Hierzu zeigt, teilweise schematisiert:
- 1: ein System nach einer Ausführung der vorliegenden Erfindung;
- 2: einen Generator des Systems bzw. GANs der 1;
- 3: eine Zeitreihe von Daten;
- 4: ein Verfahren nach einer Ausführung der vorliegenden Erfindung;
- 5: ein System nach einer weiteren Ausführung der vorliegenden Erfindung;
- 6: ein Verfahren nach einer weiteren Ausführung der vorliegenden Erfindung; und
- 7: eine Klassifikation von Daten in zwei Datenkanälen in einer ersten und zweiten Phase eines maschinellen Lernens dieses Verfahren.
-
1 zeigt ein System nach einer Ausführung der vorliegenden Erfindung.
-
Das System weist einen Roboter(arm) 100 und eine Robotersteuerung 110 auf, die als ungestört bewertete Zeitreihen 1 von Daten des Roboters 100 bereitstellt (4: Schritt S10).
-
Ein Generator 10 eines GANs erzeugt auf Basis dieser bereitgestellten Zeitreihen 1, einem Rauschen 2 und einem Skalierungsparameter a > 0 Zeitreihen 3 von Daten mit künstlichen Störungen (4: Schritt S20).
-
Hierzu werden Werte des Skalierungsparameters α stochastisch erzeugt und zusammen mit dem Rauschen 2 und den Zeitreihen 1 einem künstlichen neuronalen Netz mit mehreren Schichten 11 eingegeben.
-
Dieses weist eine Softmax-Schicht 12 und eine Sign-Schicht 13 auf, die jeweils die Größe bzw. Länge der Zeitreihen aufweisen, wobei die Sign-Schicht 13 an jeder Stelle +1 oder -1 ausgibt.
-
In einer finalen Schicht 14 werden die (Ausgaben der) Softmax-Schicht 12 und Sign-Schicht 13 komponentenweise bzw. pro Zeitpunkt multipliziert und das Ergebnis dann wiederum (komponentenweise) mit dem Skalierungsparameter α multipliziert.
-
Die so erzeugte künstliche Störung wird der jeweiligen bereitgestellten, als ungestört bewerteten Zeitreihe aufaddiert.
-
Dabei sorgt die Softmax-Schicht 12 dafür, dass die Störung nie vollständig gleich 0 gewählt wird, die Sign-Schicht 13 dafür, dass in jeder Komponente bzw. jedem Zeitpunkt sowohl in positiver als auch in negativer Richtung gestört werden kann.
-
Die so vom Generator 10 erzeugten Zeitreihen 3 mit künstlichen Störungen werden zusammen mit den vom Generator 10 erzeugten künstlichen Störungen selber, insbesondere den Zeitpunkten und zugehörigen Ausmaßen der Störungen, einem Diskriminator 20 des GANs zur Verfügung gestellt, der außerdem noch andere als ungestört bewertete Zeitreihen 1' von Daten des Roboters 100 erhält und versucht, Zeitpunkte und Ausmaße der Störungen (richtig) zu detektieren. Hierbei werden die vom Generator 10 erzeugten Zeitreihen mit den zugrundeliegenden Zeitpunkten und zugehörigen Ausmaßen der künstlichen Störungen gelabelt (4: Schritt S30).
-
In an sich bekannter Weise werden nun Generator 10 und Diskriminator 20 des GANs trainiert, indem der Generator 10 versucht, Zeitreihen mit künstlichen Störungen derart zu erzeugen, dass der Diskriminator 20 deren Ausmaß unterschätzt, insbesondere die der Diskriminator 20 nicht detektiert oder als geringer einschätzt als die vom Generator 10 erzeugten künstlichen Störungen, und umgekehrt der Diskriminator 20 versucht, jeweils Zeitpunkte und Ausmaße der Störungen (richtig) zu detektieren.
-
Mit dem solcherart trainierten Diskriminator 20 bzw. einem entsprechend parametrierten künstlichen neuronalen Netz können dann in einem Schritt S40 Störungen des Roboters 100 oder auch eines anderen Roboters detektiert werden.
-
Der Diskriminator 20 kann Ausmaße und Zeitpunkte der Störungen mit demselben künstlichen neuronalen Netz ermitteln oder hierzu zwei separate künstliche neuronale Netze aufweisen.
-
3 zeigt exemplarisch eine Zeitreihe von Daten d des Roboters 100, beispielsweise einen Drehmoment-Schleppfehler oder dergleichen, über der Zeit t, die als ungestört bewertet ist (dünn in 3) und eine vom Generator 10 erzeugte Zeitreihe mit künstlichen Störungen, die in 3 fett hervorgehoben sind und beispielsweise im Zeitpunkt t1 das Ausmaß A(t1 ) aufweisen.
-
5 zeigt ein System nach einer weiteren Ausführung der vorliegenden Erfindung.
-
Das System weist einen Roboter(arm) 100 und eine Robotersteuerung 110 auf, die Daten des Roboters 100 in Datenkanälen bereitstellt, von denen in 5 zwei Datenkanäle 1000, 2000 exemplarisch angedeutet sind (6: Schritt S100).
-
Dabei sind jeweils ein Datum des einen Datenkanals 1000 und ein Datum des anderen Datenkanals 2000 einander zeitlich zugeordnet. Dies ist für ein Datum 1 und ein Datum 2 eines Datensatzes, ein Datum 1 und ein Datum 2 eines weiteren Datensatzes und ein Datum 1 und ein Datum 2 eines weiteren Datensatzes durch unterschiedliche Formen angedeutet (Datensatz (1.1, 2.1): Viereck; Datensatz (1.2, 2.2): Dreieck; Datensatz (1.3, 2.3): Kreuz).
-
Beispielsweise kann es sich bei den Daten 1, 1.2 und 1.3 um Positions-, Geschwindigkeits- oder Beschleunigungsdaten einer Achse des Roboters 100 zu bzw. für bestimmte (Mess)Zeitpunkte(n) und bei den Daten 2, 2.2 und 2.3 um Kraft- oder Drehmomentdaten des Roboters 100, insbesondere dieser Achse, zu bzw. für diese (Mess)Zeitpunkte(n), oder um Positions-, Geschwindigkeits- oder Beschleunigungsdaten einer anderen Achse des Roboters 100 zu bzw. für diese (Mess)Zeitpunkte(n) handeln, wobei weitere entsprechende Daten zu bzw. für andere(n) (Mess)Zeitpunkte(n) in 5 durch Kreise angedeutet sind.
-
In einer ersten Phase (6: Schritt S200) werden für die Datenkanäle, insbesondere wenigstens teilweise parallelisiert, jeweils eine Kanal-Störungsdetektion auf Basis der Daten des jeweiligen Datenkanals maschinell gelernt, im Ausführungsbeispiel jeweils ein künstliches neuronales Netz trainiert. Exemplarisch sind hierzu in 5 zwei künstliche neuronale Netze 30, 40 angedeutet.
-
Dabei wird die Klassifikation in der ersten Phase so gelernt, dass eher Daten als Daten einer Störung klassifiziert werden, die keine Daten einer Störung sind (False-Positive), als dass Daten nicht als Daten einer Störung klassifiziert werden, die Daten einer Störung sind (False-Negative).
-
Dies ist in der Figurenfolge 7(a) → 7(b) schematisch angedeutet, die zeigt, wie der Klassifikationsbereich (schraffiert in 7) für Daten, die nicht als Daten einer Störung klassifiziert werden, zunächst reduziert wird.
-
Auf diese Weise werden zwar (wenigstens) die (meisten) Daten, die tatsächlich Daten einer Störung sind (in 5, 7 exemplarisch die durch ein ausgefülltes Kreuz angedeuteten Daten 1, 2.3) als Daten einer Störung klassifiziert, jedoch auch (relativ viele) Daten, die keine Daten einer Störung sind (in 5, 7 exemplarisch die durch ein leeres Viereck bzw. Dreieck angedeuteten Daten 1, 2.2 der beiden Datenkanäle 1000, 2000 - False-Negative).
-
In einer zweiten Phase (6: Schritt S300) wird für die in der ersten Phase als Datum einer Störung klassifizierten Daten jeweils geprüft, ob in einer vorgegebenen Anzahl und/oder Gruppe der anderen Datenkanäle die dem jeweiligen als Datum einer Störung klassifizierten Datum zugeordneten Daten in der ersten Phase ebenfalls als Daten einer Störung klassifiziert worden sind.
-
Dies ist in 7(b) verdeutlicht: die einander zeitlich zugeordneten Daten 1, 2.3 sind beide als Daten einer Störung klassifiziert. Entsprechend werden diese auch in der zweiten Phase weiterhin als Daten einer Störung klassifiziert.
-
Bei den beiden einander zeitlich zugeordneten Daten 1 und 2.1 sowie bei den beiden einander zeitlich zugeordneten Daten 1 und 2.2 ist hingegen jeweils nur eines der beiden Daten als Datum einer Störung klassifiziert, das andere nicht.
-
Entsprechend werden diese Daten 1, 2.2 in der zweiten Phase nicht mehr als Datum einer Störung klassifiziert.
-
Dies ist in der 7(c) schematisch angedeutet, die zeigt, wie der Klassifikationsbereich entsprechend modifiziert wird.
-
Mit der solcherart maschinell gelernten Störungsdetektion, im Ausführungsbeispiel den beiden solcherart trainierten künstlichen neuronalen Netzen 30, 40, können dann in einem Schritt S400 Störungen des Roboters 100 oder auch eines anderen Roboters detektiert werden.
-
Obwohl in der vorhergehenden Beschreibung exemplarische Ausführungen erläutert wurden, sei darauf hingewiesen, dass eine Vielzahl von Abwandlungen möglich ist.
-
So wurden vorstehend künstliche neuronale Netze verwendet. Zusätzlich oder alternativ können auch andere maschinelle Lernverfahren bzw. Algorithmen verwendet werden, die in einer Ausführung, Random Forests, Arma/Arima Models und/oder Gradient Boosting umfassen. Distanz- und/oder clustering-basiertes Machine Learning ist besonders geeignet.
-
Außerdem sei darauf hingewiesen, dass es sich bei den exemplarischen Ausführungen lediglich um Beispiele handelt, die den Schutzbereich, die Anwendungen und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausgehende Beschreibung ein Leitfaden für die Umsetzung von mindestens einer exemplarischen Ausführung gegeben, wobei diverse Änderungen, insbesondere in Hinblick auf die Funktion und Anordnung der beschriebenen Bestandteile, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und diesen äquivalenten Merkmalskombinationen ergibt.
-
Bezugszeichenliste
-
- 1,1'
- als ungestört bewertete Zeitreihen
- 2
- Rauschen
- 3
- Zeitreihen mit künstlichen Störungen
- 10
- Generator
- 11
- Schicht
- 12
- SoftMax-Schicht
- 13
- Sign-Schicht
- 14
- finale Schicht
- 20
- Diskriminator
- 30, 40
- künstliches neuronales Netz
- 100
- Roboter(arm)
- 110
- Robotersteuerung
- 1000, 2000
- Datenkanal
- (1.1, 2.1)
- Datensatz
- (1.2, 2.2)
- Datensatz
- (1.3, 2.3)
- Datensatz
- A
- Ausmaß
- d
- Daten
- t
- Zeit
- t1
- Zeitpunkt
- α
- Skalierungsparameter
