DE102021134315A1

DE102021134315A1 - Verfahren zum Trainieren einer künstlichen Intelligenz sowie ein Feldgerätesystem und ein Verfahren zur Detektion von zumindest einem Feldgerät aus zumindest einem Cluster von Feldgeräten

Info

Publication number: DE102021134315A1
Application number: DE102021134315.1A
Authority: DE
Inventors: Franziska Maier; Nikolai Hlubek; Polichronis Lepidis
Original assignee: Buerkert Werke GmbH and Co KG
Current assignee: Buerkert Werke GmbH and Co KG
Priority date: 2021-12-22
Filing date: 2021-12-22
Publication date: 2023-06-22

Abstract

Es wird ein Verfahren erläutert, zum Trainieren einer künstlichen Intelligenz zur Detektion von zumindest einem Feldgerät (18, 20, 22, 24) aus einem Cluster (14) von Feldgeräten (16, 18, 20, 22, 24). Außerdem wird ein Verfahren beschrieben, zur Detektion von zumindest einem Feldgerät (18, 20, 22, 24) aus zumindest einem Cluster (14) von Feldgeräten (16, 18, 20, 22, 24). Ferner ist ein Feldgerätesystem (10) mit einem Cluster (14) von Feldgeräten (16, 18, 20, 22, 24) und zumindest einem Prozessor (13) gezeigt. Der Prozessor (13) ist dazu eingerichtet, das Verfahren durchzuführen.

Description

Die Erfindung betrifft ein Verfahren zum Trainieren einer künstlichen Intelligenz zur Detektion von zumindest einem Feldgerät aus einem Cluster von Feldgeräten. Zudem betrifft die Erfindung ein Feldgerätesystem und ein Verfahren zur Detektion von zumindest einem Feldgerät aus zumindest einem Cluster von Feldgeräten.
Feldgeräte sind technische Einrichtungen im Bereich der Automatisierungstechnik. Zu den Feldgeräten gehören unter anderem Aktoren (z. B. Ventile, Stellglieder, Motoren) und Sensoren (z.B. Durchflussmengenmesser, Temperaturmesser, pH-Sensoren).
Die Feldgeräte sind dabei üblicherweise mit einem Steuerungs- und Leitsystem, beispielsweise über einen Feldbus oder eine andere Netzwerktechnik, verbunden.
Auf diese Weise wird in Industrieanlagen ein Prozess von dem Steuerungs- und Leitsystem überwacht, gesteuert und/oder geregelt. Dabei werden beispielsweise vom Steuerungs- und Leitsystem aus Regelgrößen anhand prozessspezifischer Vorgaben Stellgrößen berechnet und an die Feldgeräte übertragen, insbesondere an die Aktoren. Entsprechend der Stellgrößen wirken die Aktoren der Feldgeräte auf den gesteuerten bzw. geregelten Produktionsprozess ein.
Es ist unmittelbar ersichtlich, dass Fehler oder Ausfälle eines Feldgerätes, also eines Sensors oder Aktors, für den Produktionsprozess und damit für die Qualität des Prozessergebnisses relevant sind. Anders ausgedrückt kann ein einziges fehlerhaftes Feldgerät schwerwiegende und durchaus fatale Auswirkungen haben, beispielsweise zur Unterbrechung einer Produktion führen.
Entsprechend werden hohe Anforderungen an die Feldgeräte in Bezug auf die Qualität, Robustheit und Verfügbarkeit gestellt. Es wird deshalb ein hoher technischer Aufwand betrieben, um die Gefahr von Fehlfunktionen zu reduzieren. Beispielsweise soll ein noch funktionstüchtiges Feldgerät, bei welchem ein baldiger Defekt zu erwarten ist, frühzeitig erkannt werden. Dies wird grundsätzlich als „predictive maintenance“ bezeichnet.
Aus der EP 3 451 087 A1 ist ein System sowie ein Verfahren zur Auswahl und Identifikation von Feldgeräten bekannt. Das beschriebene System ist in der Lage, eine visuelle Statusinformation an den Feldgeräten auf Grundlage der charakteristischen Merkmale der Feldgeräte auszugeben, sodass dieses schnell und einfach identifiziert werden kann, um es zu warten oder auszutauschen, wenn aufgrund des charakteristischen Merkmals ein drohender Ausfall erkannt wurde.
Es hat sich als nachteilig herausgestellt, dass es größtenteils von der Erfahrung eines Technikers, also des Bedieners des Systems, abhängt, das richtige charakteristische Merkmal auszuwählen, um den Zustand der Feldgeräte zu überwachen. Außerdem können verkettete Zusammenhänge mehrerer unterschiedlicher charakteristischer Merkmale der Feldgeräte nicht oder nur schwer mittels Analysen und Untersuchungen durch den Techniker ausfindig gemacht werden.
Es ist daher die Aufgabe der vorliegenden Erfindung, ein Verfahren bereitzustellen, welches in der Lage ist, Feldgeräte eines Clusters zu identifizieren, welche zumindest einen ähnlichen Wert oder eine ähnliche Variable eines charakteristischen Merkmals aufweisen wie zumindest ein bekanntes defektes Feldgerät. Das Verfahren soll dabei eine Erkenntnis darüber liefern, welche der Feldgeräte zwar noch funktionieren, jedoch voraussichtlich bald defekt sein werden.
Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren zum Trainieren einer künstlichen Intelligenz zur Detektion von zumindest einem Feldgerät aus einem Cluster von Feldgeräten. Das Verfahren umfasst die folgenden Schritte:

- Bereitstellen von wenigstens einem Trainingsdatensatz, der wenigstens jeweils ein charakteristisches Merkmal für mehrere Feldgeräte umfasst, wobei der Trainingsdatensatz zumindest ein charakteristisches Merkmal eines defekten Feldgeräts umfasst;
- Einspeisen des Trainingsdatensatzes in die zu trainierende künstliche Intelligenz;
- Verarbeiten des Trainingsdatensatzes mittels der zu trainierenden künstlichen Intelligenz, wobei die zu trainierende künstliche Intelligenz wenigstens ein Feldgerät als Ausgabe ausgibt, dessen charakteristisches Merkmal vom Wert oder von der Variable her zum charakteristischen Merkmal des defekten Feldgeräts am ähnlichsten ist;
- Überprüfen, ob das charakteristische Merkmal des ausgegebenen Feldgeräts vom Wert oder von der Variable her zum charakteristischen Merkmal des defekten Feldgeräts am ähnlichsten ist, um ein Überprüfungsergebnis zu erhalten;
- Ermitteln einer Abweichung zwischen der Ausgabe der künstlichen Intelligenz und des Überprüfungsergebnisses; und
- Rückspeisen der Abweichung an die künstliche Intelligenz, um Gewichtungen der künstlichen Intelligenz anzupassen.

Der Grundgedanke der Erfindung ist es, eine künstliche Intelligenz derart zu trainieren, dass diese später in der Lage ist, Feldgeräte möglichst exakt zu detektieren, welche ähnliche Werte oder Variablen zumindest eines charakteristischen Merkmals haben wie die eines defekten Feldgeräts. Das Trainieren ermöglicht dabei, dass die künstliche Intelligenz unbekannte Zusammenhänge aus dem Trainingsdatensatz erlernt.
Dies ist insbesondere bei einem Trainingsdatensatz mit mehreren Merkmalen von mehreren defekten Feldgeräten von Vorteil, da hier oftmals unbekannte Zusammenhänge zwischen den Merkmalen der defekten Feldgeräte vorliegen. Jedoch kann die künstliche Intelligenz auch aus einem einzigen charakteristischen Merkmal eines einzigen defekten Feldgeräts lernen, wann ein Feldgerät als defekt detektiert werden soll.
Das Ziel des Trainings ist es, eine Gewichtung zu erhalten, mit welcher das zumindest eine charakteristische Merkmal beaufschlagt wird, bevor die künstliche Intelligenz später selbstständig eine exakte Detektion ähnlicher Feldgeräte durchführen kann.
Die Gewichtung hilft dabei, dass der unterschiedliche Einfluss von unterschiedlichen Merkmalskategorien bei der Bestimmung des wenigstens einen Feldgeräts durch die künstliche Intelligenz berücksichtigt werden kann, welches dem defekten Feldgerät am ähnlichsten ist, also auszufallen droht. Dadurch kann die trainierte künstliche Intelligenz bei einer späteren Verwendung diese Feldgeräte exakter detektieren.
Unter der Ausgabe des Feldgeräts wird dabei nicht die physische Ausgabe des Feldgeräts verstanden, sondern die Ausgabe einer Repräsentation des entsprechenden Feldgeräts, beispielsweise der Name, die ID, die Position oder die IP-Adresse des Feldgeräts.
Grundsätzlich handelt es sich bei einem defekten Feldgerät um ein Feldgerät, das ein Problem, einen Ausfall oder eine Anomalie (PAA) hat.
Mit der trainierten künstlichen Intelligenz ist es demnach möglich, eine Ähnlichkeitssuche durchzuführen, um Feldgeräte zu identifizieren, die ähnliche Merkmale aufweisen wie ein defektes Feldgerät. Insofern kann aufgrund der trainierten künstlichen Intelligenz die Ähnlichkeitssuche automatisiert werden, insbesondere während eines laufenden Betriebs.
Die künstliche Intelligenz kann mittels Maschinenlernen („machine learning“) trainiert worden sein.
Das Cluster der Feldgeräte umfasst ähnliche Feldgeräte, sodass diese untereinander verglichen werden können, um die beim Training der künstlichen Intelligenz gewonnenen Erkenntnisse auf das Cluster der Feldgeräte anzuwenden.
Das Training der künstlichen Intelligenz basiert demnach auf einem Nächste-Nachbarn-Verfahren bzw. einer Nächste-Nachbarn-Klassifikation.
Das Verfahren zum Trainieren der künstlichen Intelligenz kann auch als ein Maschinenlern-Training bezeichnet werden.
Ein Aspekt der Erfindung sieht vor, dass reale Daten aus anderen Clustern zum Training verwendet werden, beispielsweise von verschiedenen Betrieben, welche ein Cluster ähnlicher Feldgeräte haben in ein Cloud-System hochgeladen werden, um dann von anderen Kunden abgerufen werden.
Die zum Training genutzten Daten, also die Trainingsdaten, können grundsätzlich mehr als einen Trainingsdatensatz umfassen. Die Trainingsdaten können zuvor beim Hersteller eines Feldgeräts und/oder bei zumindest einem Kunden aufgezeichnet worden sein. Auch können die für das Training verwendeten Trainingsdaten aktualisiert werden.
Eine Ausgestaltung der Erfindung sieht vor, dass die Schritte Verarbeiten des Trainingsdatensatzes, Überprüfen, Ermitteln der Abweichung und Rückspeisen der Abweichung wiederholt werden, bis keine Abweichung mehr vorliegt oder eine hinreichend kleine Abweichung vorliegt. Die künstliche Intelligenz wird also so lange trainiert, bis die Vorhersage der künstlichen Intelligenz dem tatsächlichen Ergebnis entspricht, also keine Abweichung mehr vorliegt bzw. bis eine hinnehmbar kleine Abweichung vorliegt. Sobald keine Abweichung mehr oder nur noch eine definiert kleine Abweichung vorliegt, ist dies ein Indikator dafür, dass die künstliche Intelligenz zumindest basierend auf dem vorhandenen Trainingsdatensatz ausreichend trainiert wurde und das Training beendet werden kann. Es kann danach auch ein weiterer Trainingsdatensatz zur Überprüfung der (trainierten) künstlichen Intelligenz herangezogen werden, um die (vor-)trainierte künstliche Intelligenz hinsichtlich ihrer Vorhersagegenauigkeit unbekannter Daten zu testen.
Dabei ist es denkbar, dass die künstliche Intelligenz lediglich das Feldgerät mit den ähnlichen charakteristischen Merkmalen ausgibt, wobei das Überprüfungsergebnis dann lediglich zwei Werte annehmen kann, nämlich ob das jeweilige Feldgerät das ähnlichste ist oder nicht.
Falls das ähnlichste Feldgerät von der künstlichen Intelligenz ausgegeben worden ist, wäre dann die Abweichung Null. Es wäre somit keine Abweichung mehr vorhanden.
Um sicherzustellen, dass dies kein Zufallstreffer war, der das Training vorzeitig beendet, könnte ein zusätzliches Kriterium eingeführt werden, dass z.B. die Abweichung mehrmals hintereinander Null sein muss und erst dann das Training beendet wird. Die Schritte Verarbeiten des Trainingsdatensatzes, Überprüfen, Ermitteln der Abweichung und Rückspeisen der Abweichung würden dann so lange iterativ durchlaufen, bis die mehreren Abweichungen der mehrmals hintereinander durchlaufenen Schritte gemäß einer vordefinierten Häufigkeit oft Null war.
Man könnte auch vorsehen, dass über eine Auswertung von N Durchläufen, lediglich x-mal nicht das ähnlichste Feldgerät erkannt werden darf, um das Training zu beenden. Dies würde bedeutet, dass die Abweichung im Durchschnitt maximal x/N betragen darf, also 5/1000 bzw. 0,5 %.
Alternativ könnte die künstliche Intelligenz zum Feldgerät mit dem ähnlichen charakteristischen Merkmal auch eine, beispielsweise euklidische, Distanz zum defekten Feldgerät ausgeben, wobei das Überprüfungsergebnis dann ebenfalls eine Distanz wäre und aus den beiden Distanzen dann die Abweichung ermittelt werden würde. Das Training wird beispielsweise dann beendet, wenn eine hinreichend kleine Abweichung zwischen den Distanzen vorliegt.
Die hinreichend kleine Abweichung kann demnach grundsätzlich ein vordefinierter Grenzwert sein, der unterschritten werden muss, um das Training zu beenden.
Beispielsweise erfolgt das Überprüfen manuell durch einen Benutzer oder automatisiert mittels gekennzeichneter Daten. Der Benutzer kann also die Überprüfung selbst vornehmen, wobei die Daten hierfür nicht zwangsläufig bereits gekennzeichnet sein müssen, da die Kennzeichnung dann beispielsweise manuell durch den Benutzer erfolgt. Es können auch bereits gekennzeichnete Daten („labelled data“) vorliegen, wodurch die Überprüfung automatisiert erfolgen kann.
Derartig gekennzeichnete Daten können beispielsweise die Information enthalten, ob das charakteristische Merkmal aus dem Trainingsdatensatz mit einem defekten oder funktionstüchtigen Feldgerät korrespondiert.
Gemäß einer Ausführungsform wird die Ähnlichkeit der charakteristischen Merkmale dadurch überprüft, dass ein, beispielsweise euklidischer, Abstand der im Trainingsdatensatz enthaltenen charakteristischen Merkmale der Feldgeräte bezüglich des charakteristischen Merkmals des defekten Feldgeräts bestimmt wird. Insbesondere wird das Feldgerät ausgegeben, dessen Abstand am geringsten ist. Sofern der Abstand also am geringsten ist, besteht eine große Ähnlichkeit bezüglich des charakteristischen Merkmals zwischen dem auszugebenen Feldgerät und dem defekten Feldgerät, das im Trainingsdatensatz enthalten ist.
In anderen Worten wird also eine einfache und intuitive Abstandsmetrik verwendet, mit der das ähnlichste Feldgerät bestimmt werden kann, wobei ein kleiner Abstand mit einer großen Ähnlichkeit und ein großer Abstand mit einer geringen Ähnlichkeit gleichzusetzten ist. Der euklidische Abstand ist eine eingängige Abstandsmetrik, die auch im mehrdimensionalen Raum, also bei mehreren Merkmalen unterschiedlicher Kategorie verwendet werden kann.
In einer Ausführungsvariante weist der Trainingsdatensatz pro Feldgerät mehrere charakteristische Merkmale unterschiedlicher Kategorie auf. Gerade bei mehreren charakteristischen Merkmalen unterschiedlicher Kategorie kann die künstliche Intelligenz besonders gut lernen, ob ein Feldgerät ähnlich zu einem defekten Feldgerät ist, da die mehreren charakteristischen Merkmale den Zustand eines Feldgerätes exakter beschreiben.
Vorteilhafterweise werden die mehreren charakteristischen Merkmale unterschiedlicher Kategorie gleichzeitig von der künstlichen Intelligenz verarbeitet, insbesondere als ein mehrdimensionaler Vektor und/oder normiert. Durch die gleichzeitige Verarbeitung der mehreren Merkmale unterschiedlicher Kategorie, kann die künstliche Intelligenz bisher unbekannte Zusammenhänge zwischen den unterschiedlichen Merkmalskategorien erlernen, die selbst einem sehr erfahrenen Techniker bisher verborgen geblieben sind. Um die Verarbeitung der unterschiedlichen Merkmalskategorien durch die zu trainierende künstliche Intelligenz zu erleichtern, ist es besonders vorteilhaft, die Werte der charakteristischen Merkmale vor deren Verarbeitung zu normieren.
Eine Ausgestaltung sieht vor, dass ein Gewichtsvektor verwendet wird, der angewandt wird, um die mehreren charakteristischen Merkmale unterschiedlicher Kategorie für die Verarbeitung durch die künstliche Intelligenz zu gewichten, insbesondere unterschiedlich zu gewichten. Der Gewichtsvektor kann von der künstlichen Intelligenz erstellt und angewandt werden, um die Ausgabe entsprechend anzupassen, also das „richtige“ Feldgerät auszugeben. Insbesondere erlaubt der Gewichtsvektor eine besonders unkomplizierte Datenverarbeitung bei mehreren unterschiedlichen Gewichten für die unterschiedlichen Kategorien.
Gemäß einer weiteren Ausführungsform der Erfindung ist das wenigstens eine charakteristische Merkmal ein System-, Diagnose- und/oder Prozesswert. Diese Werte können maßgebend dafür sein, ob ein Feldgerät defekt oder funktionstüchtig ist. Aus diesem Grund eignen sie sich besonders gut zur Detektion von Feldgeräten, die ähnlich zu defekten Feldgeräten sind.
Systemwerte beschreiben dabei beispielsweise Informationen des Feldgeräts, beispielsweise den Typ des Feldgeräts, die Version der Firmware, das Herstellungsdatum, das Datum der Inbetriebnahme, das Datum der letzten Wartung oder andere Werte, die das Feldgerät bzw. dessen Konfiguration beschreiben.
Diagnosewerte sind solche Werte, die einen Rückschluss auf den Zustand (zum Beispiel im Sinne der Gerätegesundheit) von zumindest eine Komponente des Feldgeräts zulassen. Dies umfasst beispielsweise die Anzahl der Betriebsstunden, die kumulierten Verfahrwege von einem Aktor, die Anzahl der Öffnung und Schließung eines Ventils, oder einen Verschleißwert für eine Ventilmembran.
In manchen Fällen können Werte nicht eindeutig den Systemwerten oder den Diagnosewerten zugeordnet werden. Eine künstliche Trennung zwischen den Kategorien ist dann häufig nicht zweckmäßig.
Neben den Systemwerten und den Diagnosewerten bilden die Prozesswerte eine wichtige Kategorie, die auch Rückschlüsse auf den Zustand des Feldgeräts zulassen. Unter die Prozesswerte fallen im Wesentlichen alle diejenigen Werte, die einen vom Feldgerät ausgeführten Prozess selbst beschreiben. Insbesondere fallen darunter alle Stell- und Regelgrößen, oder auch eine Temperatur, ein pH-Wert, ein Durchflusswert (Massenstrom) oder eine Ventilstellung.
Ferner wird die Aufgabe erfindungsgemäß gelöst durch ein Verfahren zur Detektion von zumindest einem Feldgerät aus zumindest einem Cluster von Feldgeräten, wobei das Verfahren die folgenden Schritte umfasst:

- Identifizieren zumindest eines Merkmals einer bestimmten Kategorie, das für ein defektes Feldgerät charakteristisch ist;
- Ermitteln des charakteristischen Merkmals der bestimmten Kategorie bei allen Feldgeräten des zumindest einen Clusters;
- Einspeisen der charakteristischen Merkmale der bestimmten Kategorie aller Feldgeräte in eine, insbesondere trainierte, künstliche Intelligenz, die eingerichtet, insbesondere trainiert worden, ist, wenigstens ein Feldgerät als Ausgabe auszugeben, dessen charakteristisches Merkmal vom Wert oder von der Variable her zum Merkmal eines defekten Feldgeräts am ähnlichsten ist; und
- Ausgeben des wenigstens einen Feldgeräts mittels der, insbesondere trainierten, künstlichen Intelligenz, dessen charakteristisches Merkmal vom Wert oder von der Variable her zum charakteristischen Merkmal des defekten Feldgeräts am ähnlichsten ist.

Der Grundgedanke dieses Verfahrens ist es, Feldgeräte zumindest eines Clusters, die ähnliche charakteristische Merkmale aufweisen wie das defekte Feldgerät, anhand einer, insbesondere zuvor trainierten, künstlichen Intelligenz zu identifizieren und auszugeben. Dadurch kann ein Techniker Kenntnis über zu erwartende Defekte an den ausgegebenen Feldgeräten erlangen, sodass das Feldgerät vor dem Eintreten des zu erwartenden Defektes ausgetauscht werden können.
Die künstliche Intelligenz muss nicht zwingend vortrainiert sein, da die künstliche Intelligenz auch im laufenden Betrieb bzw. im Feld trainiert werden kann, was jedoch einen entsprechenden Mehraufwand beim Benutzer zur Folge hat. Dieser muss dann nämlich manuell Eingaben vornehmen, bspw. die Ausgabe der künstlichen Intelligenz händisch überprüfen und rückspeisen. Insofern stellt eine zuvor trainierte künstliche Intelligenz einen Vorteil dar, da diese direkt verwendet werden kann, ohne zusätzlichen Aufwand zu erzeugen.
Unter der Ausgabe des Feldgeräts wird dabei nicht die physische Ausgabe des Feldgeräts verstanden, sondern die Ausgabe einer entsprechenden Repräsentation des Feldgeräts, beispielsweise der Name, die ID, die Position oder die IP-Adresse des Feldgeräts.
Grundsätzlich kann die Ausgabe auch darin liegen, dass das zumindest eine Feldgerät angesteuert wird, sodass dieses ein Signal ausgibt, beispielsweise ein optisches und/oder akustisches Signal. Insofern wird der Bediener des Systems darüber informiert, welche(s) Feldgerät(e) zu warten bzw. auszutauschen ist bzw. sind.
Beispielsweise führt die künstliche Intelligenz eine Nachbarschaftssuche (nearest-neighbor-search „NNS“) durch, wobei für das defekte Feldgerät die ähnlichsten Feldgeräte des Clusters bestimmt werden. Die künstliche Intelligenz wurde hierzu zuvor bereits trainiert, beispielsweise indem in die künstliche Intelligenz zumindest einen Trainingsdatensatz eingespeist wurde, der zumindest ein Merkmal eines defekten Feldgeräts aufweist.
Bei Verwendung einer Nachbarschaftssuche kann beispielsweise eine klassische lineare Nachbarschaftssuche verwendet werden.
Außerdem kann eine binäre Raumpartitionierung (eng. Binary Space Partitioning „BSP“) verwendet werden, welche sich zur Partitionierung multidimensionaler Datensätze eignet. Hierdurch können insbesondere große multidimensionale Datensätze, welche bei besonders vielen unterschiedliche Merkmalskategorien und besonders vielen defekten Feldgeräte auftreten, sehr zeiteffizient verarbeitet werden, wodurch die Nachbarschaftssuche beschleunigt wird.
Grundsätzlich ist die, insbesondere trainierte, künstliche Intelligenz also in der Lage, die Daten der Feldgeräte des Clusters mit einem hinterlegten Vergleichsdatensatz abzugleichen, der Informationen bzgl. wenigstens eines defekten Feldgeräts aufweist. Der Vergleichsdatensatz ist dabei beispielsweise aufgrund eines (Maschinenlern-)Trainings ermittelt worden, sodass die Daten der Feldgeräte des Clusters überhaupt mit dem Vergleichsdatensatz in Relation gesetzt werden können, um so zu ermitteln, ob ein und welches Feldgerät einem defekten Feldgerät so ähnlich ist, dass eine Warnung bzw. ein Hinweis diesbezüglich ausgegeben werden sollte. Alternativ kann der Vergleichsdatensatz auch vorgegeben werden, beispielsweise durch einen Benutzer. Der Benutzer würde demnach eine Auswertung vornehmen, um den Vergleichsdatensatz zur Verfügung zu stellen.
Vorteilhafterweise wird die Ähnlichkeit der charakteristischen Merkmale mittels der, insbesondere trainierten, künstlichen Intelligenz anhand des Vergleichsdatensatzes überprüft, also dadurch, dass ein, beispielsweise euklidischer, Abstand der Merkmale aller Feldgeräte bezüglich eines in einem Speicher hinterlegten Werts oder Variablen des charakteristischen Merkmals eines defekten Feldgeräts bestimmt wird. Insbesondere wird dann das Feldgerät ausgegeben, dessen Abstand am geringsten ist. Die künstliche Intelligenz liefert also automatisiert ein Abstandsmaß für jedes Feldgerät des Clusters, mit dem eine Aussage darüber getroffen werden kann, ob das jeweilige Feldgerät des Clusters ausfallgefährdet ist. Der geringste Abstand lässt dabei einen Rückschluss auf das gefährdetste Feldgerät des Clusters im Hinblick auf das defekte Feldgerät zu.
Gemäß einer Ausgestaltung der Erfindung werden Feldgeräte des Clusters als Ausgabe der, insbesondere trainierten, künstlichen Intelligenz ausgegeben, deren Abstand kleiner als ein Ausgabeschwellenwert ist. Die Verwendung eines Ausgabenschwellenwerts ermöglicht die objektive Bewertung aller Feldgeräte des Clusters gleichermaßen, also ob diese ausfallgefährdet sind.
Insbesondere kann eine sortierte Liste mit den Repräsentationen der Feldgeräte des Clusters erstellt werden, wobei die Liste nach steigendem oder fallendem Wert des jeweiligen Abstands eines Feldgerätes des Clusters zum defekten Feldgerät sortiert wird, was dann dem durch die, insbesondere trainierte, künstliche Intelligenz vorhergesagtem Ausfallrisiko entspricht. Ein Techniker kann dann beispielsweise den Ausgabeschwellenwert aufgrund seiner Erfahrung und der vorliegenden Liste individuell auswählen, um sich nur die aus seiner Sicht relevantesten anzuzeigen.
Grundsätzlich kann durch die künstliche Intelligenz und einen sehr groben Ausgabeschwellenwert aber eine grobe Aussortierung vorab erfolgen, sodass dem Techniker tatsächlich nur derartige Feldgeräte angezeigt werden, insbesondere sortiert nach absteigendem oder aufsteigendem Ausfallrisiko, die ein Ausfallrisiko haben, das größer als die Ungenauigkeit der Vorhersage ist.
Insbesondere kann die künstliche Intelligenz mit einer zusätzlichen Anomalie-Detektionsfunktion ausgestattet sein, die defekte Feldgeräte des Clusters detektieren kann. Wie vorstehend bereits beschrieben, werden unter einem defekten Feldgerät sowohl ausgefallene Feldgeräte und Feldgeräte mit einem Problem als auch Feldgeräte mit einer Anomalie verstanden.
Beispielsweise werden dabei jene Feldgeräte des Clusters detektiert, die einen vordefinierten Mindestabstand zu mehreren anderen Feldgeräten des Clusters überschreiten, wobei dies auf eine Anomalie hinweist, beispielsweise einen bisher unbekannten technischen Defekt des detektieren Feldgeräts. Die detektierten Feldgeräte können dann durch die künstliche Intelligenz ausgegeben oder in den Vergleichsdatensatz als defekte Feldgeräte aufgenommen werden, insbesondere nach einer entsprechenden Rückbestätigung durch den Benutzer. Bei den mehreren anderen Feldgeräten handelt es sich dann insbesondere um solche, die als nicht defekt angesehen werden. Diese weisen also im entsprechenden Merkmalsraum einen (euklidischen) Abstand „m“ zueinander auf, der dem vordefinierten Mindestabstand entspricht. Dieser ist verhältnismäßig gering im Vergleich zu dem Feldgerät, das die Anomalie aufweist, da dieses einen deutlich größeren Abstand aufweisen müsste, also „>>m".
Wie vorstehend beschrieben, ist es denkbar, dass die von der künstlichen Intelligenz ausgegebenen auffälligen Feldgeräte durch einen Techniker überprüft werden.
Ein Aspekt der Erfindung sieht vor, dass pro Feldgerät mehrere charakteristische Merkmale unterschiedlicher Kategorie identifiziert bzw. ermittelt werden, wobei die mehreren charakteristischen Merkmale unterschiedlicher Kategorie gleichzeitig von der, insbesondere trainierten, künstlichen Intelligenz verarbeitet werden, insbesondere als ein mehrdimensionaler Vektor und/oder normiert. Durch die gleichzeitige Verarbeitung der mehreren Merkmale unterschiedlicher Kategorie kommen die Vorteile der künstlichen Intelligenz zu tragen, da die künstliche Intelligenz bisher unbekannte Zusammenhänge zwischen den unterschiedlichen Merkmalskategorien feststellen und somit bei der Vorhersage des Ausfallrisikos miteinbeziehen kann. Außerdem ist es vorteilhaft, die Werte der charakteristischen Merkmale vor deren Verarbeitung zu normieren, um die Verarbeitung durch die künstliche Intelligenz zu vereinfachen.
Vorteilhafterweise wird ein Gewichtsvektor von der, insbesondere trainierten, künstlichen Intelligenz angewandt, um die mehreren charakteristischen Merkmale unterschiedlicher Kategorie zu gewichten, insbesondere unterschiedlich zu gewichten. Der Gewichtsvektor erlaubt einerseits eine unkomplizierte Datenverarbeitung und andererseits ist die künstliche Intelligenz mit einem optimal gewählten Gewichtsvektor in der Lage, die ähnlichen Feldgeräte noch exakter zu bestimmen.
Insbesondere können so charakteristische Merkmale mit einer niedrigeren Priorisierung, also einer geringeren Gewichtung, einbezogen werden, sofern diese nur eine untergeordnete Rolle spielen. Beispielsweise stellt die Anzahl der Betriebsstunden bei einem bestimmten Typ von Feldgeräten ein geringeres Problem dar als die Anzahl der durchgeführten Reinigungszyklen, sodass das die Anzahl der Betriebsstunden betreffende charakteristische Merkmal weniger stark gewichtet wird als das die Anzahl der Betriebsstunden betreffende charakteristische Merkmal. Dies schlägt sich dann bei der angewandten Metrik nieder, um das zum defekten Feldgerät ähnlichste Feldgerät aufzufinden, also den nächsten Nachbarn.
In einer Ausführungsvariante der Erfindung wird das zumindest eine Feldgerät aus mehreren Clustern detektiert, wobei die charakteristischen Merkmale der Feldgeräte mehrere Cluster aus einem Cloud-System abgerufen werden. Dies ist besonders für Betriebe mit mehreren Standorten vorteilhaft, da die Detektion des zumindest einen Feldgeräts und damit die Überwachung sämtlicher Feldgeräte zentral durchgeführt werden kann. Auch können Daten unterschiedlicher Betriebe ausgetauscht und berücksichtigt werden, um die zugrundeliegende Datenmenge zu erhöhen.
Insbesondere können die während des Betriebs gewonnen Daten auch weiterhin dazu genutzt werden, um die bereits trainierte künstliche Intelligenz weiter zu trainieren,
Außerdem wird die Aufgabe durch ein erfindungsgemäßes Feldgerätesystem gelöst, mit einem Cluster von Feldgeräten und zumindest einem Prozessor, der eingerichtet ist, das erfindungsgemäße Verfahren zur Detektion von zumindest einem Feldgerät aus zumindest einem Cluster von Feldgeräten durchzuführen. Das Feldgerätesystem ist somit eine funktionstüchtige Einheit, die in dieser Form an einen Kunden ausgeliefert werden kann.
Es kann vorgesehen sein, dass der Prozessor Teil einer übergeordneten Einheit ist, beispielsweise einem Datenverarbeitungsgerät.
Selbstverständlich muss die übergeordnete Einheit mit dem Prozessor nicht dauerhaft mit den Feldgeräten des Clusters verbunden sein. Es genügt, dass der Prozessor bzw. seine übergeordnete Einheit temporär mit den Feldgeräten des Clusters verbunden wird, um die entsprechenden Daten zu erhalten, also aktuelle charakteristische Merkmale der Feldgeräte aus Sensoren und/oder einem Speicher der jeweiligen Feldgeräte auszulesen. Beispielsweise kann der Prozessor anschließend ohne eine permanente Verbindung zu den Feldgeräten des Clusters das erfindungsgemäße Verfahren durchzuführen, nämlich basierend auf den ausgelesenen bzw. erhaltenen Daten.
Der Prozessor, welcher das erfindungsgemäße Verfahren durchführt, kann jedoch auch auf einen beliebigen Speicherort zugreifen, beispielsweise ein Edge- und/oder Cloud-System und/oder eine Steuerung, um die charakteristischen Merkmale der Feldgeräte auszulesen, sofern diese dort aktuell sind.
Die Erfindung wird nachstehend anhand eines bevorzugten Ausführungsbeispiels erläutert, das mithilfe der beigefügten Zeichnungen beschrieben wird. Es zeigen:

- 1 eine vereinfachte schematische Darstellung eines Feldgerätesystems mit Feldgeräten, wobei ein defektes Feldgerät hervorgehoben ist;
- 2 das Feldgerätesystem mit den Feldgeräten aus 1, wobei drei ausfallgefährdete Feldgeräte hervorgehoben sind;
- 3 ein Ablaufdiagramm eines erfindungsgemäßen Verfahrens zur Detektion von zumindest einem Feldgerät aus zumindest einem Cluster von Feldgeräten; und
- 4 ein Ablaufdiagramm eines erfindungsgemäßen Verfahren zum Trainieren einer künstlichen Intelligenz zur Detektion von zumindest einem Feldgerät aus einem Cluster von Feldgeräten.

Die 1 zeigt eine vereinfachte schematische Darstellung eines Feldgerätesystems 10 mit einem zentralen Datenverarbeitungsgerät 11, umfassend einen Speicher 12 und einen Prozessor 13.
Zudem umfasst das Feldgerätesystem 10 einen Cluster 14 von Feldgeräten 16, 18, 20, 22, 24, von denen ein Feldgerät 16 defekt ist, was entsprechend gestrichelt dargestellt ist.
Im vorliegenden Anwendungsbeispiel sind die Feldgeräte 16, 18, 20, 22, 24 allesamt Ventileinheiten, wobei jede Ventileinheit mehrere Komponenten, beispielsweise Sensoren und Aktoren, aufweisen kann.
Die Feldgeräte 16, 18, 20, 22, 24 und das Datenverarbeitungsgerät 11 sind über einen Feldbus miteinander verbunden, sodass Signale untereinander ausgetauscht werden können.
Auf dem Datenverarbeitungsgerät 11 ist eine trainierte künstliche Intelligenz in Form eines Computerprogramms vorgesehen, das Programmcodemittel umfasst, die von einem Prozessor 13 des Datenverarbeitungsgeräts 11 ausgeführt werden, um ein der trainierten künstlichen Intelligenz zugrundeliegendes Verfahren auszuführen, wie nachfolgend erläutert wird.
Grundsätzlich muss nicht zwingend eine vortrainierte künstliche Intelligenz vorhanden sein, da diese auch im laufenden Betrieb angelernt bzw. trainiert werden kann, was jedoch mehr Aufwand beim Benutzer zur Folge hat.
Die künstliche Intelligenz ist dazu ausgebildet, ausfallgefährdete Feldgeräte 18, 20, 22, 24 des Clusters 14 (siehe 2), welche derzeit noch funktionstüchtig sind, zu detektieren und auszugeben.
Entscheidungsgrundlage für die künstliche Intelligenz, eines der derzeit noch funktionstüchtigen Feldgeräte 18, 20, 22, 24 des Clusters 14 als ausfallgefährdet einzustufen, sind mehrere charakteristische Merkmale der Feldgeräte 16, 18, 20, 22, 24.
Diese charakteristischen Merkmale sind durch deren Merkmalskategorie sowie einen zugeordneten Wert gekennzeichnet.
Im vorliegenden Fall sind die Merkmale System-, Diagnose- und/oder Prozesswerte der Feldgeräte 16, 18, 20, 22, 24.
Systemwerte beschreiben dabei Informationen des entsprechenden Feldgeräts 16, 18, 20, 22, 24, beispielsweise den Typ des Feldgeräts 16, 18, 20, 22, 24, die Version der verwendeten Firmware, das Herstellungsdatum, das Datum der Inbetriebnahme, das Datum der letzten Wartung oder andere Werte, die das Feldgerät 16, 18, 20, 22, 24 bzw. dessen Konfiguration beschreiben.
Diagnosewerte sind dagegen solche Werte, die einen Rückschluss auf den Zustand (zum Beispiel im Sinne der Gerätegesundheit) von zumindest einer Komponente des entsprechenden Feldgeräts 16, 18, 20, 22, 24 zulassen. Dies umfasst beispielsweise die Anzahl der Betriebsstunden, die kumulierten Verfahrwege von Aktoren, die Anzahl der Öffnung und Schließung eines Ventils, oder einen Verschleißwert für eine Ventilmembran.
Die Prozesswerte sind im Wesentlichen alle diejenigen Werte, die den vom entsprechenden Feldgerät 16, 18, 20, 22, 24 ausgeführten Prozess selbst beschreiben. Insbesondere fallen darunter alle Stell- und Regelgrößen, oder auch eine Temperatur, ein pH-Wert, ein Durchflusswert (Massenstrom) oder die Ventilstellung.
Bei dem in 1 dargestellten Feldgerätesystem 10 haben die Feldgeräte 16, 18, 20, 22, 24 beispielsweise charakteristischen Merkmale, die der nachfolgenden Tabelle entnommen werden können:
Jedes Feldgeräte 16, 18, 20, 22, 24 hat also im gezeigten Ausführungsbeispiel fünf charakteristische Merkmale, umfassend die Schaltvorgänge, die Betriebsstunden, die Temperatur, die Anzahl der Reinigungszyklen und die Luftfeuchtigkeit, wobei jedes charakteristische Merkmal jedes Feldgerätes 16, 18, 20, 22, 24 einen Zahlenwert annimmt.
Es wäre jedoch auch denkbar, dass die charakteristischen Merkmale der Feldgeräte 16, 18, 20, 22, 24 nicht durch Zahlenwerte, sondern durch Variablen ausgedrückt werden. Dabei kann es sich zum Beispiel um binäre Variablen handeln, die Boolesche Werte annehmen, wie z.B. den Schaltzustand eines Überdruckventils, oder beispielsweise um eine Firmware-Version eines Feldgeräts 16, 18, 20, 22, 24.
Zu der oben aufgelisteten Tabelle ist des Weiteren bekannt, dass das defekte Feldgerät 16 funktionsuntüchtig bzw. defekt ist.
Um nun festzustellen, ob eines der funktionstüchtigen Feldgeräte 18, 20, 22, 24 des Clusters 14 in naher Zukunft ebenfalls defekt sein wird, also ausfallgefährdet ist, kann das erfindungsgemäße Verfahren zur Detektion von zumindest einem Feldgerät 18, 20, 22, 24 aus dem Cluster 14 von Feldgeräten 18, 20, 22, 24 verwendet werden.
Dieses Verfahren kann auf dem Datenverarbeitungsgerät 11 ausgeführt werden und wird nachfolgend anhand der 3 erläutert.
Das Verfahren umfasst sieben Schritte S1 bis S7, wobei Feldgeräte 18, 20, 22, 24 aus dem Cluster 14 detektiert werden, welche ähnliche Werte oder Variablen der charakteristischen Merkmale aufweisen wie das defekte Feldgerät 16.
Im ersten Schritt S1 werden mehrere Merkmale verschiedener Kategorien identifiziert, die für das defekte Feldgerät 16 charakteristisch sind. Im vorliegenden Anwendungsbeispiel entsprechen die charakteristischen Merkmale des defekten Feldgeräts 16 den Merkmalen 1 bis 5 aus der oben angeführten Tabelle.
Grundsätzlich ist es aber auch möglich, dass der Cluster 14 kein derzeit defektes Feldgerät 16 umfasst, sodass im Cluster 14 der Feldgeräte kein Referenzgerät vorliegt, basierend auf dem die charakteristischen Merkmale identifiziert werden könnten.
Vielmehr greift die künstliche Intelligenz daher (grundsätzlich) auf einen hinterlegten Vergleichsdatensatz zu, der Informationen bzgl. zumindest eines defekten Feldgeräts enthält.
Der Vergleichsdatensatz ist dabei während des Trainings der künstlichen Intelligenz ermittelt und im Speicher 12 hinterlegt worden, sodass die Daten der Feldgeräte 18, 20, 22, 24 des Clusters 14 überhaupt mit dem Vergleichsdatensatz in Relation gesetzt werden können, wie nachfolgend erläutert wird.
Das wenigstens eine charakteristische Merkmal, insbesondere der die mehreren charakteristischen Merkmale umfassende Vektor C_defekt, kann also im Speicher 12 hinterlegt oder aber von einem aktuell defekten Feldgerät 16 ermittelt worden sein.
Anschließend werden die Merkmale der bestimmten Kategorie bei allen Feldgeräten 18, 20, 22, 24 des Clusters 14 bestimmt, d.h. die für ein defektes Feldgerät charakteristischen Merkmale werden, insbesondere in Abhängigkeit vom Typ des Feldgeräts, von der trainierten künstlichen Intelligenz ermittelt. Die charakteristischen Merkmale können ebenfalls für die i Feldgeräte jeweils als ein Vektor Ci bereitgestellt werden.
Die trainierte künstliche Intelligenz kann das Datenverarbeitungsgerät 11 veranlassen, diese zuvor identifizierten charakteristischen Merkmale bei den Feldgeräten 18, 20, 22, 24 des Clusters 14 abzufragen, sodass diese bestimmt werden. Dies geschieht über den Feldbus. Entweder liest das Datenverarbeitungsgerät 11 die entsprechenden Daten aus den Feldgeräten aus oder es fordert die Feldgeräte auf, die entsprechenden Daten an das Datenverarbeitungsgerät 11 zu übermitteln, das die Daten im Speicher 12 speichert.
Im vorliegenden Anwendungsbeispiel werden als charakteristische Merkmale die Schaltvorgänge, die Betriebsstunden und die Anzahl der Reinigungszyklus der Feldgeräte 18, 20, 22, 24 aus dem Speicher 12 ausgelesen bzw. abgefragt, da diese Werte durch das Datenverarbeitungsgeräts 11 erfasst werden. Die Temperatur und die Luftfeuchtigkeit der Umgebung werden aus Sensoren der jeweiligen Feldgeräte 18, 20, 22, 24 des Clusters 14 ausgelesen.
Alternativ zur Temperatur der Umgebung kann auch die Temperatur des jeweiligen Feldgeräts 18, 20, 22, 24 berücksichtigt werden, was wiederum über den Feldbus übermittelt werden würde.
Danach werden die Merkmale der bestimmten Kategorie der Feldgeräte 18, 20, 22, 24 des Clusters 14 in die trainierte künstliche Intelligenz eingespeist, wobei die künstliche Intelligenz trainiert worden ist, wenigstens ein Feldgerät 18, 20, 22, 24 als Ausgabe auszugeben, dessen charakteristisches Merkmal vom Wert oder von der Variable her zum charakteristischen Merkmal zum defekten Feldgerät 16 am ähnlichsten ist, sofern nur ein charakteristisches Merkmal betrachtet würde.
Typischerweise werden aber mehrere charakteristische Merkmale zur Vorhersage herangezogen, wie vorstehend bereits erläutert, sodass die trainierte künstliche Intelligenz mehrere charakteristische Merkmale gleichzeitig verarbeitet, um mittels einer geeigneten Metrik, das zumindest eine Feldgerät 18, 20, 22, 24 zu identifizieren, welches dem defekten Feldgerät 16, insbesondere dem Vergleichsdatensatz, am ähnlichsten ist.
Die künstliche Intelligenz wurde hierzu bereits zuvor trainiert, indem in die künstliche Intelligenz ein Trainingsdatensatz zum Training eingespeist wurde, der die Werte der charakteristischen Merkmale des defekten Feldgeräts 16 umfasst. Auf diesen Trainingsdatensatz oder einen hieraus gewonnenen Vergleichsdatensatz kann die künstliche Intelligenz jederzeit zugreifen.
Im vorliegenden Fall beinhaltet der im Speicher 12 vorliegende Datensatz lediglich die Werte der charakteristischen Merkmale des defekten Feldgeräts 16, die aus obiger Tabelle entnommen werden können. Insofern handelt es sich um einen Vergleichsdatensatz, der weniger Daten als der Trainingsdatensatz umfasst.
Wie aus den 1 und 2 hervorgeht und vorstehend bereits beschrieben, ist das defekte Feldgerät 16 zu Demonstrationszwecken ebenfalls an das Feldgerätesystems 10 angeschlossen. Dies ist jedoch nicht zwangsweise notwendig, da die Werte der charakteristischen Merkmale des defekten Feldgeräts 16 im Trainingsdatensatz und damit im Speicher 12 hinterlegt sind und die Sensoren und/oder Aktoren des defekten Feldgeräts 16 somit nicht ausgelesen werden müssen.
In einem vor der Analyse mittels der künstlichen Intelligenz vorgelagerten, zweiten Schritt S2, der aber optional ist, werden die Werte und/oder Variablen der charakteristischen Merkmale sämtlicher Feldgeräte 16, 18, 20, 22, 24 normiert, sodass diese in einer ähnlichen Größenordnung vorliegen. Dieser Schritt erleichtert der künstlichen Intelligenz die Verarbeitung der Daten.
Anschließend werden die optional normierten charakteristischen Merkmale weiterverarbeitet, um zum defekten Feldgerät ähnliche Feldgeräte mittels der künstlichen Intelligenz zu identifizieren.
In einem zwischengelagerten dritten Schritt S3 wird zunächst überprüft, ob bereits alle Feldgeräte 18, 20, 22, 24 des Clusters 14 von der künstlichen Intelligenz berücksichtigt worden sind, sodass die Überprüfung beendet werden könnte. Dies wird zu Beginn nicht der Fall sein, da ansonsten der Cluster 14 keine zu überprüfenden Feldgeräte umfassen würde.
Insofern werden in einem vierten Schritt S4 die von den zu überprüfenden Feldgeräten 18, 20, 22, 24 des Clusters 14 erfassten charakteristischen Merkmale zur Analyse weitergeleitet, welche optional in Schritt S2 normiert worden sind.
Zur Bestimmung, ob ein Feldgerät 18, 20, 22, 24 des Clusters 14 ähnlich dem defekten Feldgerät 16 ist, also die Werte der charakteristischen Merkmale ähnlich sind, führt die künstliche Intelligenz in einem vierten Schritt S4 eine Nachbarschaftssuche (nearest-neighbor-search „NNS“) durch.
Die Ähnlichkeit der charakteristischen Merkmale der Feldgeräte 18, 20, 22, 24 des Clusters 14 und dem defekten Feldgerät 16 wird also mittels der künstlichen Intelligenz überprüft, wobei hierzu euklidische Abstände zwischen den Werten der charakteristischen Merkmale eines jeden Feldgeräts 18, 20, 22, 24 des Clusters 14 und den im Vergleichsdatensatz hinterlegten Werten der charakteristischen Merkmale eines defekten Feldgeräts 16 bzw. die Werte des defekten Feldgeräts 16 bestimmt wird.
Es wäre auch denkbar, dass charakteristische Merkmale mehrere defekter Feldgeräte 16 im Vergleichsdatensatz vorliegen, insbesondere getrennt voneinander. In diesem Falle wäre ein Feldgerät 18, 20, 22, 24 des Clusters 14 zu jenem defekten Feldgerät am ähnlichsten, zu dem es den kürzesten Abstand aufweist.
Im Vergleichsdatensatz kann aber auch vorgesehen sein, dass ein Mittelwert bzw. ein Vergleichswert bzgl. der charakteristischen Merkmalen mehrerer defekter Feldgeräte gebildet wird, sodass nur einmalig ein Vergleich erfolgen muss.
Im Schritt S4 können somit für jedes defekte Feldgerät des Vergleichsdatensatzes die euklidischen Distanzen zu den ähnlichen Feldgeräten aus dem Cluster 14 mithilfe der künstlichen Intelligenz berechnet werden.
Sofern nur ein defektes Feldgerät im Vergleichsdatensatz, nur ein auf mehreren defekten Feldgeräten beruhender Vergleichswert bzw. nur ein in der Realität defektes Feldgerät 16 vorliegt, werden mithilfe der künstlichen Intelligenz die euklidischen Abstände des von sämtlichen Feldgeräten 18, 20, 22, 24 des Clusters 14 hierzu bestimmt.
Optional können die Merkmale vor der Bestimmung des euklidischen Abstands durch einen Gewichtsvektor gewichtet werden, um den unterschiedlichen Einfluss der verschiedenen Merkmalskategorien auf die euklidische Distanz und damit auf die Ähnlichkeit zum defekten Feldgerät miteinfließen zu lassen.
Ein derartiger Gewichtsvektor kann in diesem Falle selbstverständlich auch in Schritt S1 bei der Bestimmung der ähnlichen Feldgeräte 18, 20, 22, 24 angewandt werden.
Insbesondere ist der Gewichtsvektor beim Training der künstlichen Intelligenz ermittelt worden.
Die trainierte künstliche Intelligenz gibt in jedem Fall die ähnlichen Feldgeräte des Clusters 14 für das defekte Feldgerät anschließend aus, um den Benutzer des Feldgerätesystems 10 zu informieren.
Unter der Ausgabe der ähnlichen Feldgeräte des Clusters 14 wird dabei nicht die physische Ausgabe der Feldgeräte 18, 20, 22, 24 verstanden, sondern die Ausgabe einer Repräsentation des Feldgeräts 18, 20, 22, 24, beispielsweise der Name, die ID, die Position oder die IP-Adresse des Feldgeräts 18, 20, 22, 24.
Auch eine Ansteuerung der jeweiligen Feldgeräte 18, 20, 22, 24, beispielsweise über den Feldbus, entspricht dabei einer Ausgabe der ähnlichen Feldgeräte des Clusters 14, da ein entsprechendes Ausgabesignal für diese Feldgeräte ausgegeben wird. Alle Feldgeräte oder nur die als ausfallbedroht identifizierten Feldgeräte können dann ihren Status in optischer und/oder akustischer Weise ausgeben, beispielsweise durch rot bzw. grün leuchtende Leuchten.
In der gezeigten Ausführungsform wird dagegen in einem darauffolgenden Schritt S5 die bestimmten euklidischen Abstände mit deren Repräsentation des zugehörigen Feldgeräts 18, 20, 22, 24, beispielsweise der Name, die ID, die Position oder die IP-Adresse, in einer Liste abgespeichert, sodass diese abrufbar ist.
Sobald alle Feldgeräte 18, 20, 22, 24 des Clusters 14 bearbeitet und in der Liste abgespeichert wurden, erfolgt ein Sprung in den Schritt S6, in dem die Liste, aufweisend die Repräsentationen sämtlicher Feldgeräte 18, 20, 22, 24 des Clusters 14 mit den zugehörigen euklidischen Abständen, nach der Größe der Abstände auf- oder absteigend sortiert wird.
Anschließend werden im Schritt S7 die Repräsentationen jener Feldgeräte 18, 20, 22, 24 von der künstlichen Intelligenz ausgegeben, deren Abstand kleiner als ein Ausgabeschwellenwert ist.
Im vorliegenden Anwendungsbeispiel ist der Abstand der Feldgeräte 18, 22, 24 zum defekten Feldgerät 16 geringer als der Ausgabeschwellenwert, weshalb diese Feldgeräte 18, 22, 24 als ausfallgefährdet ausgegeben werden. Zu Visualisierungszwecken sind die ausfallgefährdeten Feldgeräte 18, 22, 24 in 2 mit einer gestrichelten Linie umrandet.
Der Ausgabeschwellenwert kann dabei sicherstellen, dass nur diejenigen Feldgeräte ausgegeben werden, die potenziell risikobehaftet sind, sodass hierüber eine automatisierte Grobfilterung erfolgt. Der Bediener kann dann anhand der ausgegebenen Liste selbst entscheiden, welches Feldgerät kritisch nahe an einem defekten Feldgerät ist.
Im Schritt S7 kann demnach eine sortierte Liste ausgegeben werden, wobei beispielsweise anschließend ein erfahrener Feldgerätetechniker die ausfallgefährdeten Feldgeräte 18, 22, 24 des Clusters 14 selbst manuell aus der Liste auswählt oder den Ausgabeschwellenwert auf Grundlage seiner Erfahrung manuell festlegt.
Das zuvor beschriebene Verfahren zur Detektion der ähnlichen Feldgeräte 18, 20, 22, 24 aus dem Cluster 14 kann noch exakter arbeiten, wenn die trainierte künstliche Intelligenz zuvor umfangreich trainiert wurde, wobei das Trainingsverfahren vom Einsatzzweck abhängt.
Es kann bereits ausreichend sein, der künstlichen Intelligenz den Vergleichsdatensatz zur Verfügung zu stellen, der verwendet wird, um ein ausfallgefährdetes Feldgerät im Cluster 14 zu identifizieren, sofern dies beispielsweise nur anhand eines charakteristischen Merkmals erfolgen soll.
Sofern mehrere charakteristische Merkmale einbezogen werden, bietet ein umfangreiches Training der künstlichen Intelligenz allerdings Vorteile bzgl. der Vorhersagegenauigkeit.
Beispielsweise kann dieses Training mittels eines Verfahrens erfolgen, das in 4 gezeigt ist und die Schritte S8 bis S13 umfasst.
Mit dem Verfahren wird demnach eine künstliche Intelligenz trainiert, welche im zuvor beschriebenen Verfahren zur Detektion ähnlicher Feldgeräte 18, 20, 22, 24 verwendet wird.
Das Verfahren gemäß 4 kann dabei als Ergänzung zum zuvor beschriebenen Verfahren gemäß 3 aufgefasst werden und zielt darauf ab, den zuvor beschriebenen optionalen Gewichtsvektor der künstlichen Intelligenz durch maschinelles Lernen zu ermitteln.
Im Schritt S8 dieses Verfahrens wird ein Trainingsdatensatz bereitgestellt. Der Trainingsdatensatz umfasst unter anderem die charakteristischen Merkmale des defekten Feldgeräts 16.
Außerdem umfasst der Trainingsdatensatz eine Reihe weiterer charakteristischer Merkmale funktionstüchtiger Feldgeräte, welche nicht unmittelbar ausfallgefährdet sind, sowie charakteristische Merkmale ausfallgefährdeter Feldgeräte.
Zudem weist der Trainingsdatensatz außerdem pro Feldgerät mehrere Merkmale unterschiedlicher Kategorie auf, beispielsweise gemäß der obigen Tabelle.
Im darauffolgenden Schritt S9 erfolgt ein Einspeisen des Trainingsdatensatzes aus dem Speicher 12 in die zu trainierende künstliche Intelligenz.
Bei den nachfolgenden Schritten S10 bis S14 ist es vorgesehen, dass diese Schritte öfters ausgeführt werden, wobei vor dem ersten Durchlauf dieser Schritte der Gewichtsvektor mit einem Einheitsvektor initialisiert wird.
In Schritt S10 erfolgt eine Verarbeitung des Trainingsdatensatzes mittels der zu trainierenden künstlichen Intelligenz.
Die Verarbeitung der mehreren charakteristischen Merkmale unterschiedlicher Kategorie wird dabei gleichzeitig von der künstlichen Intelligenz als ein mehrdimensionaler Vektor verarbeitet. Dabei können die charakteristischen Merkmale im mehrdimensionale Vektor zuerst normiert und anschließend mit dem aktuellen Gewichtsvektor multipliziert werden.
Danach gibt die zu trainierende künstliche Intelligenz basierend auf den gewichteten charakteristischen Merkmalen wenigstens ein Feldgerät als Ausgabe aus, dessen charakteristische Merkmale vom Wert her zu den Merkmalen des defekten Feldgeräts 16 am ähnlichsten ist.
Die Ähnlichkeit der Merkmale wird anschließend ermittelt, indem ein euklidischer Abstand der im Trainingsdatensatz enthaltenen Merkmale der Feldgeräte bezüglich des Merkmals des defekten Feldgeräts bestimmt wird, wobei das Feldgerät ausgegeben wird, dessen Abstand am geringsten ist.
Wie bereits zuvor erläutert, wird unter der Ausgabe des Feldgeräts nicht die physische Ausgabe des Feldgeräts verstanden, sondern beispielsweise die Ausgabe einer Repräsentation des Feldgeräts, beispielsweise der Name, die ID, die Position oder die IP-Adresse des Feldgeräts.
Im nächsten Schritt S11 wird überprüft, ob das Merkmal des ausgegebenen Feldgeräts vom Wert her zum Merkmal des defekten Feldgeräts am ähnlichsten ist, um ein Überprüfungsergebnis zu erhalten. Sofern kein Zahlenwert vorliegt, wird überprüft, ob eine dem charakteristischen Merkmal zugeordnete Variable derjenigen des Merkmals des defekten Feldgeräts am ähnlichsten ist.
Das Überprüfen kann dabei automatisiert mittels gekennzeichneter Daten erfolgen. Alternativ kann ein erfahrener Feldtechniker manuell eine Beurteilung darüber vornehmen, wie ähnlich die charakteristischen Merkmale der Feldgeräte des Trainingsdatensatzes sind.
Im darauffolgenden Schritt S12 erfolgt ein Ermitteln einer Abweichung zwischen der Ausgabe der künstlichen Intelligenz und des Überprüfungsergebnisses.
In Schritt S13 wird abgefragt, ob die zuvor ermittelte Abweichung null ist. Es wird also festgestellt, ob die Ausgabe der künstlichen Intelligenz richtig ist. Sofern die Abweichung nicht null oder nicht hinreichend klein ist, wird in den Schritt S14 gesprungen, andernfalls ist das Training abgeschlossen.
Dabei ist es denkbar, dass die künstliche Intelligenz lediglich das Feldgerät mit den ähnlichen charakteristischen Merkmalen im Schritt S10 ausgibt, wobei das Überprüfungsergebnis aus dem Schritt S11 dann lediglich zwei Werte annehmen kann, nämlich ob das jeweilige Feldgerät das ähnlichste ist oder nicht.
Falls das ähnlichste Feldgerät von der künstlichen Intelligenz ausgegeben worden ist, wäre dann die Abweichung Null. Es wäre somit keine Abweichung mehr vorhanden.
Um sicherzustellen, dass dies kein Zufallstreffer war, der das Training vorzeitig beendet, kann das Verfahren mehrmals wiederholt werden, insbesondere mit einer Mindestanzahl an Durchläufen N. Bei den N Durchläufen darf die künstliche Intelligenz nur eine vordefinierte Anzahl x an falschen Ausgaben erzeugen, sodass sich im Durchschnitt eine maximal zulässige Abweichung von x/N ergibt, was der hinreicht kleinen Abweichung entspricht, beispielsweise 1% bei N=1000 Durchläufen und x=10 falschen Ausgaben.
Alternativ könnte die künstliche Intelligenz im Schritt S10 zum Feldgerät mit dem ähnlichen charakteristischen Merkmal auch eine euklidische Distanz zum defekten Feldgerät ausgeben, wobei das Überprüfungsergebnis dann ebenfalls eine Distanz wäre. Aus den beiden Distanzen würde dann die Abweichung ermittelt werden. Das Training könnte dann beendet werden, sobald eine hinreichend kleine Abweichung zwischen den Distanzen vorliegt.
Die hinreichend kleine Abweichung kann also ein vordefinierter Grenzwert sein, der unterschritten werden muss, um das Training zu beenden.
In Schritt S14 wird die ermittelte Abweichung an die künstliche Intelligenz zurückgespeist, um den Gewichtsvektor der künstlichen Intelligenz abhängig von der ermittelten Abweichung anzupassen, wobei anschließend in den Schritt S10 gesprungen wird.
Beim erneuten Durchlaufen des Schrittes S10 wird dann der ursprüngliche mehrdimensionale Vektor, umfassend die Merkmale aus den Trainingsdatensatz, mit dem angepassten Gewichtsvektor multipliziert.
Die Schritte S10 bis S14 werden so lange wiederholt werden, bis keine Abweichung mehr vorliegt oder nur mehr lediglich eine hinreichend kleine Abweichung vorliegt.
Ist dies der Fall, so steht der aus dem Training erhaltene Gewichtsvektor zur Verfügung, welcher für das zuvor anhand der 3 beschriebene Verfahren zur Detektion eines Feldgerätes verwendet werden kann, um eine sehr exakte Nachbarschaftssuche durchführen zu können.
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

EP 3451087 A1 [0007]

Claims

Verfahren zum Trainieren einer künstlichen Intelligenz zur Detektion von zumindest einem Feldgerät (18, 20, 22, 24) aus einem Cluster (14) von Feldgeräten (16, 18, 20, 22, 24), mit den folgenden Schritten: - Bereitstellen von wenigstens einem Trainingsdatensatz, der wenigstens jeweils ein charakteristisches Merkmal für mehrere Feldgeräte (16, 18, 20, 22, 24) umfasst, wobei der Trainingsdatensatz zumindest ein charakteristisches Merkmal eines defekten Feldgeräts (16) umfasst; - Einspeisen des Trainingsdatensatzes in die zu trainierende künstliche Intelligenz; - Verarbeiten des Trainingsdatensatzes mittels der zu trainierenden künstlichen Intelligenz, wobei die zu trainierende künstliche Intelligenz wenigstens ein Feldgerät als Ausgabe ausgibt, dessen charakteristisches Merkmal vom Wert oder von der Variable her zum charakteristischen Merkmal des defekten Feldgeräts am ähnlichsten ist; - Überprüfen, ob das charakteristische Merkmal des ausgegebenen Feldgeräts vom Wert oder von der Variable her zum charakteristischen Merkmal des defekten Feldgeräts (16) am ähnlichsten ist, um ein Überprüfungsergebnis zu erhalten; - Ermitteln einer Abweichung zwischen der Ausgabe der künstlichen Intelligenz und des Überprüfungsergebnisses; und - Rückspeisen der Abweichung an die künstliche Intelligenz, um Gewichtungen der künstlichen Intelligenz anzupassen.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Schritte Verarbeiten des Trainingsdatensatzes, Überprüfen, Ermitteln der Abweichung und Rückspeisen der Abweichung wiederholt werden, bis keine Abweichung mehr vorliegt oder eine hinreichend kleine Abweichung vorliegt.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das Überprüfen manuell durch einen Benutzer erfolgt oder automatisiert mittels gekennzeichneter Daten.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Ähnlichkeit der charakteristischen Merkmale dadurch überprüft wird, dass ein, beispielsweise euklidischer, Abstand der im Trainingsdatensatz enthaltenen Merkmale der Feldgeräte bezüglich des charakteristischen Merkmals des defekten Feldgeräts (16) bestimmt wird, insbesondere wobei das Feldgerät ausgegeben wird, dessen Abstand am geringsten ist.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Trainingsdatensatz pro Feldgerät mehrere charakteristische Merkmale unterschiedlicher Kategorie aufweist.
Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass die mehreren charakteristischen Merkmale unterschiedlicher Kategorie gleichzeitig von der künstlichen Intelligenz verarbeitet werden, insbesondere als ein mehrdimensionaler Vektor und/oder normiert.
Verfahren nach Anspruch 5 oder 6, dadurch gekennzeichnet, dass ein Gewichtsvektor verwendet wird, der angewandt wird, um die mehreren charakteristischen Merkmale unterschiedlicher Kategorie für die Verarbeitung durch die künstliche Intelligenz zu gewichten.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das wenigstens eine charakteristische Merkmal ein Systemwert, ein Diagnosewert und/oder Prozesswert ist.
Verfahren zur Detektion von zumindest einem Feldgerät aus zumindest einem Cluster (14) von Feldgeräten (16, 18, 20, 22, 24), wobei das Verfahren die folgenden Schritte umfasst: - Identifizieren zumindest eines Merkmals einer bestimmten Kategorie, das für eine defektes Feldgerät (16) charakteristisch ist; - Ermitteln des charakteristischen Merkmals der bestimmten Kategorie bei allen Feldgeräten (18, 20, 22, 24) des zumindest einen Clusters (14); - Einspeisen der charakteristischen Merkmale der bestimmten Kategorie aller Feldgeräte (18, 20, 22, 24) in eine künstliche Intelligenz, die eingerichtet ist, wenigstens ein Feldgerät (18, 20, 22, 24) als Ausgabe auszugeben, dessen charakteristisches Merkmal vom Wert oder von der Variable her zum Merkmal eines defekten Feldgeräts (16) am ähnlichsten ist; und - Ausgeben des wenigstens einen Feldgeräts (18, 20, 22, 24) mittels der künstlichen Intelligenz, dessen charakteristisches Merkmal vom Wert oder von der Variable her zum charakteristischen Merkmal des defekten Feldgeräts (16) am ähnlichsten ist.
Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass die Ähnlichkeit der charakteristischen Merkmale dadurch mittels der künstlichen Intelligenz überprüft wird, dass ein, beispielsweise euklidischer, Abstand der Merkmale aller Feldgeräte (18, 20, 22, 24) bezüglich eines in einem Speicher (12) hinterlegten Werts oder Variablen des charakteristischen Merkmals eines defekten Feldgeräts (16) bestimmt wird, insbesondere wobei das Feldgerät (18, 20, 22, 24) ausgegeben wird, dessen Abstand am geringsten ist.
Verfahren nach Anspruch 10, dadurch gekennzeichnet, dass Feldgeräte (18, 20, 22, 24) des Clusters (14) als Ausgabe der künstlichen Intelligenz ausgegeben werden, deren Abstand kleiner als ein Ausgabeschwellenwert ist.
Verfahren nach einem der Ansprüche 9 bis 11, dadurch gekennzeichnet, dass pro Feldgerät (16, 18, 20, 22, 24) mehrere charakteristische Merkmale unterschiedlicher Kategorie identifiziert bzw. ermittelt werden, wobei die mehreren charakteristischen Merkmale unterschiedlicher Kategorie gleichzeitig von der künstlichen Intelligenz verarbeitet werden, insbesondere als ein mehrdimensionaler Vektor und/oder normiert.
Verfahren nach Anspruch 12, dadurch gekennzeichnet, dass ein Gewichtsvektor von der künstlichen Intelligenz angewandt wird, um die mehreren charakteristischen Merkmale unterschiedlicher Kategorie zu gewichten.
Verfahren nach einem der Ansprüche 9 bis 13, dadurch gekennzeichnet, dass das zumindest eine Feldgeräte (18, 20, 22, 24) aus mehreren Clustern detektiert wird, wobei die charakteristischen Merkmale der Feldgeräte (18, 20, 22, 24) mehrere Cluster (14) aus einem Cloud-System abgerufen werden.
Feldgerätesystem mit einem Cluster (14) von Feldgeräten (18, 20, 22, 24) und zumindest einem Prozessor (13), der eingerichtet ist, ein Verfahren nach einem der vorhergehenden Ansprüche durchzuführen.