DE102021210107A1 - Computerimplementierte Verfahren, Module und System zur Anomalieerkennung in industriellen Fertigungsprozessen - Google Patents

Computerimplementierte Verfahren, Module und System zur Anomalieerkennung in industriellen Fertigungsprozessen Download PDF

Info

Publication number
DE102021210107A1
DE102021210107A1 DE102021210107.0A DE102021210107A DE102021210107A1 DE 102021210107 A1 DE102021210107 A1 DE 102021210107A1 DE 102021210107 A DE102021210107 A DE 102021210107A DE 102021210107 A1 DE102021210107 A1 DE 102021210107A1
Authority
DE
Germany
Prior art keywords
anomaly
data
analysis model
expert
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102021210107.0A
Other languages
English (en)
Inventor
Georg Schneider
Nicolas Thewes
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZF Friedrichshafen AG
Original Assignee
ZF Friedrichshafen AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ZF Friedrichshafen AG filed Critical ZF Friedrichshafen AG
Priority to DE102021210107.0A priority Critical patent/DE102021210107A1/de
Priority to PCT/EP2022/075214 priority patent/WO2023041458A2/de
Publication of DE102021210107A1 publication Critical patent/DE102021210107A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks

Abstract

Computerimplementiertes Verfahren zum Kontrollieren von Anomalien (NOK) in industriellen Fertigungsprozessen (IF) umfassend die Schritte: datenbasierte Definition eines Zustandes (Z) eines zu überwachenden Prozessschrittes (PS, PS1, PS2, PS3) des industriellen Fertigungsprozesses (IF) oder eines Systems (A1); Speichern und Verarbeiten von Daten, die gemäß der datenbasierten Zustandsdefinition sensoriell gemessen und/oder aus Simulationen erhalten werden (A2); Trainieren eines Analysemodells (Ref, Anno) zur Anomalieerkennung basierend auf zumindest historischen Daten (A3); Integrieren einer Überprüfungsinstanz (Expert) zur Kontrolle von erkannten Anomalien und zum Generieren von Annotationen zur Erweiterung des Datenbestandes (A4); Erkennen von Anomalien (A5); Kontrollieren des überwachten Prozessschrittes (PS, PS1, PS2, PS3) oder Systems bei erkannter Anomalie (A6).

Description

  • Die Erfindung betrifft computerimplementierte Verfahren, Module und ein System zur Anomalieerkennung in industriellen Fertigungsprozessen.
  • Industrielle Fertigungsprozesse sind variable und komplexe Prozesse, die entsprechend anfällig für Fehler und Ausfälle sind. Gleichzeit nimmt im Rahmen der sog. 4. industriellen Revolution die Durchdringung der Fertigungsprozesse mit Sensoren zu, wodurch eine flächendeckende Abbildung der Prozesse durch Daten gewährleistet ist. Die Sicherstellung eines einwandfreien Ablaufs eines industriellen Prozessschrittes ist mit hohem Aufwand und hohen Kosten verbunden, da Fehlerfeststellung als auch Fehlerbeseitigung häufig manuelle Prozesse sind und zudem reaktiv stattfinden.
  • Aufgabe der Erfindung war es, wie industrielle Fertigungsprozesse und/oder einzelne Schritte eines industriellen Fertigungsprozesses überwacht werden können, um verbessert Abweichungen oder Anomalien zu erkennen.
  • Die Gegenstände der Ansprüche 1, 7, 9, 12, 15, 20, 21 und 23 lösen diese Aufgabe.
  • Nach einem Aspekt stellt die Erfindung ein computerimplementiertes Verfahren bereit zum Erhalten eines Analysemodells für Anomalieerkennung in einem industriellen Fertigungsprozess. Das Verfahren umfasst die Schritte
    • • Erhalten von Daten von Zuständen eines Prozesses, eines Bauteils und/oder einer Produktionsmaschine in wenigstens einem zu überwachenden Prozessschritt des industriellen Fertigungsprozesses zu einem vorgegebenen Zeitpunkt oder in einem vorgegebenen Zeitintervall, aus gleichartigen Prozessschritten und/oder aus nachgelagerten Prozessen umfassend sensoriell gemessene Daten und/oder aus Simulieren des Prozesses erhaltene Daten;
    • • Bestimmen einer Zustandsdefinition basierend auf den Daten;
    • • Speichern der Daten und der Zustandsdefinition;
    • • Trainieren wenigstens eines Analysemodells zur Anomalieerkennung, wobei die Daten in das Analysemodell gespeist werden und das Analysemodell basierend auf der Zustandsdefinition eine Verteilung der Zustände bestimmt und basierend auf der Verteilung die Zustände, die basierend auf den Daten selten sind und/oder von anderen Zuständen abweichen, als Anomalien klassifiziert;
    • • Bewerten des trainierten Analysemodells, wobei eine Überprüfungsinstanz Wahr-Positive-Ergebnisse und/oder Falsch-Positive-Ergebnisse unter den klassifizierten Anomalien annotiert;
    • • Erweitern der Daten mit den Annotationen und Speichern der erweiterten Daten;
    • • Speichern des trainierten Analysemodells und dessen Bewertung.
  • Nach einem Aspekt stellt die Erfindung auch ein Computerprogramm bereit zum Erhalten eines Analysemodells für Anomalieerkennung in einem industriellen Fertigungsprozess. Das Computerprogramm umfasst Befehle, die einen Computer veranlassen, die Schritte des erfindungsgemäßen Verfahrens zum Erhalten eines Analysemodells für Anomalieerkennung in einem industriellen Fertigungsprozess auszuführen, wenn das Computerprogramm auf dem Computer läuft.
  • Nach einem Aspekt werden während des Trainierens Annotationsanfragen an die Überprüfungsinstanz gesendet. Die Daten werden mit von der Überprüfungsinstanz erhaltenen Annotationen erweitert.
  • Nach einem weiteren Aspekt wird zur Anomalieerkennung die Verteilung von Normalzuständen als Referenz bestimmt und/oder Muster werden in den Daten bestimmt basierend auf historischen Daten, die durch entsprechende Annotationen wenigstens in die Klassen normal und anormal klassifiziert sind.
  • Nach einem Aspekt der Erfindung wird die Referenz folgendermaßen bestimmt: Die Daten von jedem von N Zuständen werden nach h · k Positionen geordnet, wobei jeder Eintrag eines der N Zustände an einer der h · k Positionen mit dem Eintrag eines anderen der N Zustände an derselben Position vergleichbar ist. Beispielsweise entsprechen die h · k Positionen einer Matrix aus Zeitpunkten und Frequenzen. Es werden damit N Trainingszustände in Form einer N × h × k Anordnung erhalten. Auf die Trainingszustände wird zumindest eine Referenzabbildung angewendet, wobei nach einer vorgegebenen Berechnungsvorschrift ein Wert einer Position in einem Referenzzustand aus den Werten der Position in den Trainingszuständen berechnet wird. Beispielsweise wird für jede Position im Referenzzustand der Mittelwert als eine erste Referenzabbildung und die Standardabweichung als zweite Referenzabbildung jeweils über alle entsprechenden Positionen in den Trainingszuständen berechnet.
  • Nach einem weiteren Aspekt wird eine Genauigkeit des trainierten Analysemodells erhöht, in dem historische Daten, die initial in das Analysemodell gespeist wurden, von in der Vergangenheit nicht erkannten Anomalien bereinigt werden.
  • Nach einem weiteren Aspekt wird das Trainieren überwacht und/oder eine Freigabe von weiteren Analysemodellen erfolgt basierend auf einer erzielten Genauigkeit.
  • Nach einem weiteren Aspekt werden die Schritte des erfindungsgemäßen Verfahrens iterativ durchgeführt und Analysemodelle neu- und/oder nachtrainiert.
  • Nach einem weiteren Aspekt stellt die Erfindung ein erstes Modul bereit zum Erhalten eines Analysemodells für Anomalieerkennung in einem industriellen Fertigungsprozess. Das erste Modul umfasst
    • • ein Datenverarbeitungsmodul, ausgeführt, Daten von Zuständen eines Prozesses, eines Bauteils und/oder einer Produktionsmaschine in wenigstens einem zu überwachenden Prozessschritt des industriellen Fertigungsprozesses zu einem bestimmten Zeitpunkt oder in einem bestimmten Zeitintervall, aus gleichartigen Prozessschritten und/oder aus nachgelagerten Prozessen zu erhalten, umfassend sensoriell gemessene Daten und/oder aus Simulieren des Prozesses erhaltene Daten;
    • • einen ersten Datenspeicher, der die Daten und basierend auf den Daten eine Zustandsdefinition und Datenerweiterungen in Form von Annotationen einer Überprüfungsinstanz speichert;
    • • ein Trainingsmodul, das wenigstens ein Analysemodell zur Anomalieerkennung trainiert, wobei das Analysemodell basierend auf der Zustandsdefinition eine Verteilung der Zustände bestimmt und basierend auf der Verteilung die Zustände, die basierend auf den Daten selten sind und/oder von anderen Zuständen abweichen, als Anomalien klassifiziert;
    • • eine Schnittstelle zu der Überprüfungsinstanz, um die Annotationen von Wahr-Positiven-Ergebnissen und/oder Falsch-Positiven-Ergebnissen unter den klassifizierten Anomalien zu erhalten;
    • • einen zweiten Datenspeicher, der das trainierte Analysemodells und eine Bewertung des Analysemodells basierend auf einem Testdatensatz oder auf einer Bewertung durch die Überprüfungsinstanz speichert.
  • Nach einem Aspekt umfasst das erste Modul ferner
    • • ein Überwachungsmodul zur Erhöhung einer Genauigkeit des trainierten Analysemodells, in dem historische Daten, die das Trainingsmodul initial in das Analysemodell gespeist hat, von in der Vergangenheit nicht erkannten Anomalien bereinigt werden, und/oder
    • • ein Kontrollmodul zum Überwachen des Trainings und/oder zum Freigeben von weiteren Analysemodellen basierend auf einer erzielten Genauigkeit.
  • Das computerimplementierte Verfahren, das Computerprogramm und das erste Modul können Analysemodelle für Anomalieerkennung im Fall einer ausfallenden/Schaden nehmenden Produktionsmaschine (Szenario 1) und/oder bei der Prüfung von Bauteilen (Szenario 2) erhalten.
  • Nach einem weiteren Aspekt stellt die Erfindung ein computerimplementiertes Verfahren bereit zum Bestimmen wenigstens eines Anomaliewertes in einem industriellen Fertigungsprozess. Das Verfahren umfasst die Schritte
    • • Erhalten von sensoriell gemessenen Daten von Zuständen eines Prozesses, eines Bauteils und/oder einer Produktionsmaschine in wenigstens einem zu überwachenden Prozessschritt des industriellen Fertigungsprozesses;
    • • Erhalten wenigstens eines Analysemodells, das auf historischen Daten der Daten, auf Daten aus gleichartigen Prozessschritten und/oder auf Daten aus nachgelagerten Prozessen, umfassend sensoriell gemessene Daten und/oder aus Simulieren des Prozesses erhaltene Daten, trainiert wurde zur Anomalieerkennung und Eingeben der Daten in das wenigstens eine Analysemodell;
    • • Erhalten des wenigstens eines Anomaliewertes als Ausgabe des wenigstens einen Analysemodells;
    • • Bereitstellen des wenigstens einen Anomaliewertes an eine Überprüfungsinstanz zur Überprüfung des wenigstens einen Anomaliewertes.
  • Nach einem Aspekt stellt die Erfindung auch ein Computerprogramm bereit zum Bestimmen wenigstens eines Anomaliewertes in einem industriellen Fertigungsprozess. Das Computerprogramm umfasst Befehle, die einen Computer veranlassen, die Schritte des erfindungsgemäßen Verfahrens zum Bestimmen wenigstens eines Anomaliewertes in einem industriellen Fertigungsprozess auszuführen, wenn das Computerprogramm auf dem Computer läuft.
  • Nach einem Aspekt wurde das Analysemodell nach dem erfindungsgemäßen Verfahren zum Erhalten eines Analysemodells oder mittels eines erfindungsgemäßen ersten Moduls erhalten. Der von der Überprüfungsinstanz überprüfte Anomaliewert fließt in ein Training des Analysemodells ein.
  • Nach einem weiteren Aspekt wird für den Fall, dass ein Referenz-basiertes Analysemodell, das die Verteilung von Normalzuständen als Referenz bestimmt, und ein Annotation-basiertes Analysemodell, das Muster in den Daten bestimmt basierend auf historischen Daten, die durch entsprechende Annotationen wenigstens in die Klassen normal und anormal klassifiziert sind, bereitstehen,
    • • ein von dem Annotation-basierten Analysemodell erhaltener Anomaliewert, der größer als ein vorgegebener Grenzwert ist, der Überprüfungsinstanz bereitgestellt;
    • • für den Fall, dass das Annotation-basierte Analysemodell keinen Anomaliewert größer als ein vorgegebener Grenzwert erhält oder einen fraglichen Zustand als normalen Zustand klassifiziert,
      • ◯ ein von dem Referenz-basierten Analysemodell erhaltener Anomaliewert der Überprüfungsinstanz bereitgestellt oder
      • ◯ der von dem Annotation-basierten Analysemodell erhaltenen Anomaliewert und der von dem Referenz-basierten Analysemodell erhaltene Anomaliewert werden kombiniert und der kombinierte Anomaliewert der Überprüfungsinstanz bereitgestellt.
  • Nach einem weiteren Aspekt stellt die Erfindung ein zweites Modul bereit zum Bestimmen wenigstens eines Anomaliewertes in einem industriellen Fertigungsprozess. Das zweite Modul umfasst
    • • ein Dateneingabe-/Steuermodul, ausgeführt,
      • ◯ sensoriell gemessenen Daten von Zuständen eines Prozesses, eines Bauteils und/oder einer Produktionsmaschine in wenigstens einem zu überwachenden Prozessschritt des industriellen Fertigungsprozesses und
      • ◯ wenigstens eines Analysemodells, das auf historischen Daten der Daten, auf Daten aus gleichartigen Prozessschritten und/oder auf Daten aus nachgelagerten Prozessen, umfassend sensoriell gemessene Daten und/oder aus Simulieren des Prozesses erhaltene Daten, trainiert wurde zur Anomalieerkennung zu erhalten;
      • ◯ die Daten in das wenigstens eine Analysemodell einzugeben wenigstens einen Anomaliewert zu erhalten;
    • • eine Schnittstelle zu einer Überprüfungsinstanz zum Bereitstellen des wenigstens einen Anomaliewertes die Überprüfungsinstanz zur Überprüfung des wenigstens einen Anomaliewertes.
  • Nach einem Aspekt umfasst das zweite Modul ferner ein Vereinigermodul zum Kombinieren eines von einem Annotation-basierten Analysemodell erhaltenen Anomaliewertes und eines von dem Referenz-basierten Analysemodell erhaltenen Anomaliewertes.
  • Nach einem weiteren Aspekt ist das zweite Modul ausgeführt, Anomaliewerte gemäß dem erfindungsgemäßen Verfahren zum Bestimmen wenigstens eines Anomaliewertes zu bestimmen.
  • Das computerimplementierte Verfahren, das Computerprogramm und das zweite Modul können einen Anomaliewert in Szenario 1 und/oder in Szenario 2 bestimmen.
  • Nach einem weiteren Aspekt stellt die Erfindung ein computerimplementiertes Verfahren bereit zum Bereitstellen von in einem industriellen Fertigungsprozess erkannten Anomalien an eine Überprüfungsinstanz. Das Verfahren umfasst die Schritte
    • • Erhalten wenigstens eines Anomaliewertes;
    • • falls der erhaltene Anomaliewert einen anormalen Zustand klassifiziert:
      • o falls der erhaltene Anomaliewert einen anormalen Zustand klassifiziert mit hoher Genauigkeit, Melden des Zustands als Anomalie ohne weitere Überprüfung;
      • o oder falls der erhaltene Anomaliewert einen anormalen Zustand klassifiziert Bereitstellen des Anomaliewertes an eine Überprüfungsinstanz;
      • o Berechnung der Ähnlichkeit zwischen dem fraglichen anormalen Zustand und bereits früher als anormal klassifizierten und durch die Überprüfungsinstanz annotierten Zuständen mittels einer gegebenen Metrik und bei hinreichender Gleichheit Übernahme der Annotation des bereits klassifizierten Zustandes ohne weitere Überprüfung;
    • • falls der erhaltene Anomaliewert einen normalen Zustand klassifiziert:
      • o in einem Teil der Fälle keine Meldung;
      • o in einem anderen Teil der Fälle trotzdem Meldung an die Überprüfungsinstanz, zum Zwecke der statistischen Kontrolle der Anomalieerkennungsalgorithmen und/oder zur Gewährleistung der Aufmerksamkeit der Überprüfungsinstanz.
  • Ob ein als normal klassifizierter Zustand zur Überprüfungsinstanz geschickt wird, kann beispielsweise vom Grad der Normalität/Anormalität abhängig gemacht werden, welcher durch die Höhe des errechneten Anomaliewertes repräsentiert wird.
  • Nach einem Aspekt stellt die Erfindung auch ein Computerprogramm bereit zum Bereitstellen von in einem industriellen Fertigungsprozess erkannten Anomalien an eine Überprüfungsinstanz. Das Computerprogramm umfasst Befehle, die einen Computer veranlassen, die Schritte des erfindungsgemäßen Verfahrens zum Bereitstellen von in einem industriellen Fertigungsprozess erkannten Anomalien an eine Überprüfungsinstanz auszuführen, wenn das Computerprogramm auf dem Computer läuft.
  • Nach einem Aspekt erfolgt das Annotieren des Zustandes in Abhängigkeit
    • • einer Einschätzung der Genauigkeit der Annotation durch einen menschlichen Überprüfer und/oder
    • • von Metadaten umfassend Identität des menschlichen Überprüfers, Qualität der von diesem Überprüfer bereits getätigten Annotationen, Tageszeit, Wochentag und/oder Grad der Anomalität.
  • Nach einem weiteren Aspekt werden Annotationsanfragen zu Zuständen an die Überprüfungsinstanz gesendet und Daten von den Zuständen mit von der Überprüfungsinstanz erhaltenen Annotationen erweitert.
  • Nach einem weiteren Aspekt wird ein Zustand, der bereits einer Überprüfungsinstanz bereitgestellt wurde, zu einer anderen Zeit derselben Überprüfungsinstanz nochmals bereitgestellt und/oder weiteren Überprüfungsinstanzen bereitgestellt und die Annotationen werden verglichen und/oder bewertet.
  • Nach einem weiteren Aspekt wird der Anomaliewert nach dem erfindungsgemäßen Verfahren zum Bestimmen wenigstens eines Anomaliewertes oder mittels des erfindungsgemäßen zweiten Moduls erhalten werden.
  • Nach einem weiteren Aspekt stellt die Erfindung ein drittes Modul bereit zum Bereitstellen von in einem industriellen Fertigungsprozess erkannten Anomalien an eine Überprüfungsinstanz. Das dritte Modul ist ausgeführt, das erfindungsgemäße Verfahren zum Bereitstellen von in einem industriellen Fertigungsprozess erkannten Anomalien an eine Überprüfungsinstanz durchzuführen.
  • Das computerimplementierte Verfahren, das Computerprogramm und das dritte Modul können erkannte Anomalien an die Überprüfungsinstanz in Szenario 1 und/oder in Szenario 2 bereitstellen.
  • Nach einem weiteren Aspekt stellt die Erfindung ein computerimplementiertes Verfahren bereit zum Kontrollieren von Anomalien in industriellen Fertigungsprozessen umfassend die Schritte
    • • datenbasierte Definition eines Zustandes eines zu überwachenden Prozessschrittes des industriellen Fertigungsprozesses oder eines Systems;
    • • Speichern und Verarbeiten von Daten, die gemäß der datenbasierten Zustandsdefinition sensoriell gemessen und/oder aus Simulationen erhalten werden;
    • • Trainieren eines Analysemodells zur Anomalieerkennung basierend auf zumindest historischen Daten;
    • • Integrieren einer Überprüfungsinstanz zur Kontrolle von erkannten Anomalien und zum Generieren von Annotationen zur Erweiterung des Datenbestandes;
    • • Erkennen von Anomalien;
    • • Kontrollieren des überwachten Prozessschrittes oder Systems bei erkannter Anomalie.
  • Nach einem Aspekt stellt die Erfindung auch ein Computerprogramm bereit zum Kontrollieren von Anomalien in industriellen Fertigungsprozessen. Das Computerprogramm umfasst Befehle, die einen Computer veranlassen, die Schritte des erfindungsgemäßen Verfahrens zum Kontrollieren von Anomalien in industriellen Fertigungsprozessen auszuführen, wenn das Computerprogramm auf dem Computer läuft.
  • Nach einem Aspekt wird das Analysemodell nach dem erfindungsgemäßen Verfahren zum Erhalten eines Analysemodells für Anomalieerkennung trainiert, eine Anomalie nach dem erfindungsgemäßen Verfahren zum Bestimmen wenigstens eines Anomaliewertes erkannt und/oder die Überprüfungsinstanz nach dem erfindungsgemäßen Verfahren zum Bereitstellen von in einem industriellen Fertigungsprozess erkannten Anomalien an eine Überprüfungsinstanz nach einem der Ansprüche 15 bis 19 integriert.
  • Nach einem weiteren Aspekt stellt die Erfindung ein System bereit zum Kontrollieren von Anomalien in industriellen Fertigungsprozessen. Das System umfasst ein erfindungsgemäßes erstes Modul, ein erfindungsgemäßes zweites Modul und ein erfindungsgemäßes drittes Modul. Das System ist ausgeführt, das erfindungsgemäße Verfahren zum Kontrollieren von Anomalien auszuführen.
  • Das computerimplementierte Verfahren, das Computerprogramm und das System können Anomalien in Szenario 1 und/oder in Szenario 2 kontrollieren.
  • Vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den nachfolgenden Definitionen, Zeichnungen und der Beschreibung bevorzugter Ausführungsbeispiele.
  • Die beanspruchten Gegenstände und die vorliegende Offenbarung können alle Schritte eines industriellen Fertigungsprozesses, sowie während/nach der Produktion durchgeführte Bauteilqualitätsprüfungen, mit Hilfe von erfassten Daten überwachen und Abweichungen vom Normal-/Sollzustand eines Teilprozess oder einer Prüfung, sogenannte Anomalien, erkennen und an eine Überprüfungsinstanz, umfassend einen menschlichen Überprüfer, weiterleiten.
  • Das erfindungsgemäße System zum Kontrollieren von Anomalien in industriellen Fertigungsprozessen ist ein Gesamtsystem zur Erkennung von Anomalien. Das Gehirn des Gesamtsystems bilden die Analysemodelle, oder auch Anomalieerkennungsmodelle. Die Anomalieerkennungsmodelle bewerten basierend auf den Daten einen Zustand und berechnen einen Anomaliewert. Der Anomaliewert bildet den Grad der Anomalie ab. Damit werden Anomalien in industriellen Fertigungsprozessen erfindungsgemäß datengetrieben ermittelt, insbesondere durch geordnete, numerische Daten.
  • Bei Funktionen, die ausschließlich ein menschlicher Überprüfer wahrnimmt, wird der Begriff menschlicher Überprüfer verwendet. Bei allen anderen Funktionen, die neben oder alternativ zu einem menschlichen Überprüfer auch ein Überprüfer-Computerprogramm wahrnehmen könnte, wird der Begriff Überprüfungsinstanz verwendet.
  • Der Überprüfer wird die Anomalie beurteilen und seine Einschätzung, zum Beispiel in Form einer Annotation, zurückmelden. Dadurch wird eine kontinuierliche Verbesserung während des Einsatzes der Gegenstände sowie eine Anpassung an sich ändernde Prozesse und Bauteile erreicht.
  • Nach einem Aspekt sind die Annotationen binäre Annotationen, zum Beispiel „gut“ und „schlecht“, die in Form von Labels gekennzeichnet werden. Nach einem weiteren Aspekt gliedert sich eine Annotation in mehrere (Detail-)Ebenen, zum Beispiel in drei Ebenen. Dabei umfasst eine erste Ebene eine binäre Klassifikation des Überprüfers. Erkennt beispielsweise das zweite Modul eine Anomalie (positive) und der Überprüfer kommt zu dem Schluss, dass es sich in Wahrheit um keine Anomalie handelt, trägt er auf erster Ebene beispielsweise ein Nein/False ein. Damit liegt ein false-positive-Ereignis vor. In der zweiten Ebene kann der Überprüfer beispielsweise das betroffene Bauteil näher spezifizieren. In der dritten Ebene kann der Überprüfer beispielsweise nähere Angaben zu seiner Überprüfung/seinem Ergebnis machen. Nach einem weiteren Aspekt werden die Annotationen beispielsweise online in Form einer Tabelle/Datei zurückgemeldet.
  • Zum Erfassen von Daten und deren Weiterverarbeitung greift die Erfindung auf Sensoren und/oder Sensormodelle zurück, die in industriellen Prozessen Anwendung finden. Sensormodelle simulieren reale Sensoren. Der Begriff Sensor umfasst reale Sensoren und Sensormodelle. Eine Möglichkeit, diese Sensoren zu kategorisieren, ist anhand ihrer physikalischen Messgröße, beispielsweise Temperatursensoren, Vibrationssensoren, Kraft- und Drucksensoren, Optiksensoren umfassend Kamera-, Infrarot-, Lidar- und Radarsensoren, Messung der Größe eines Bauteils, umfassend dessen Geometrie, Strom- und Spannungssensoren und weitere. Welche Sensoren in einem konkreten Fall zur Anwendung kommen, ist abhängig vom jeweiligen Prozessschritt. Nach einem Aspekt der Erfindung werden Funktionen einer Maschine, als auch die Eigenschaften eines Bauteils, mittels Sensoren, umfassend die voran genannten Sensoren, überwacht. Nach einem Aspekt umfasst die Erfindung folgende Sensorkonfigurationen:
    • • Bauteil-bezogene Sensormessung: Geometrie, Aussehen;
    • • Maschinen-bezogene Messung: Vibrationen und Temperaturen einer oder mehrerer Komponenten;
    • • Sensor in einem Bauteiltest: Geräusch, Vibration, Stromstärke, Druck.
  • Nach einem Aspekt übertragen die Sensoren mittels Internet of Things Technologie, beispielsweise untereinander, zu einzelnen Komponenten/Modulen der erfindungsgemäßen Lösung und/oder zu einer Cloud-Infrastruktur, Daten. Damit kann eine automatisierte oder autonome Anomalieerkennung realisiert werden. Die Cloud-Infrastruktur umfasst einen Cloud-basierten Datenspeicher. Die Cloud-Infrastruktur ist beispielsweise eine Public, Private oder Hybrid Cloud Infrastruktur.
  • Die Definition, was eine Anomalie, kann nach einem Aspekt der Erfindung auf der Definition basieren, was unter einem Zustand im industriellen Fertigungsprozess zu verstehen ist.
  • Ein Teil der erfindungsgemäßen Lösung basiert auf der Definition des Zustandes des zu überwachenden Fertigungsschrittes oder Bauteiles hinsichtlich der den Zustand beschreibenden Daten. Die Zustandsdefinition kann die Grundlage für weitere Schritte bis hin zur Erkennung von Anomalien bilden, indem die Datengrundlage für das Training von Modellen sowie Einsatz der erfindungsgemäßen Lösung definiert wird. Die Definition sowohl eines Zustandes als auch der damit verbundenen Anomalien sind dabei keine statischen Konzepte, sondern können einem zeitlichen Wandel unterlegen sein, beispielsweise weil neue Sensoren verfügbar sind, Qualitätsanforderungen geändert werden, oder am Prozess oder Produkt beteiligte Materialen geändert werden.
  • Zustand beschreibt die Beschaffenheit/Eigenschaften eines Prozesses, eines Bauteils und/oder einer (Produktions-)Maschine zu einem bestimmten Zeitpunkt oder in einem bestimmten Zeitintervall. Dieser Zustand wird durch Messungen mittels geeigneter Sensoren wie voran beschrieben erfasst. Welche Sensoren geeignet sind, hängt dabei von der Definition des Zustandes als auch des zu beschreibenden Systems ab (Bauteil, Maschine, ...). In umgekehrter Weise beeinflusst auch die Verfügbarkeit entsprechender Sensoren die Definition des Zustandes. Ein Zustand, der nicht durch entsprechende Sensoren zugänglich ist, ist keine sinnvolle Definition eines Zustandes. Ein Zustand kann im industriellen Fertigungsprozess unterschiedliche Ausprägungen haben, die Erfindung umfasst u.a. folgende Zustandsdefinitionen:
    • • Der Zustand einer Maschine kann durch Gesamtheit der Sensordaten innerhalb eines Zeitintervalls, beispielsweise der letzten 10 Sekunden, definiert sein, sowie zusätzlich durch Bauteil-spezifische Parameter.
    • • Der Zustand eines Bauteils kann durch die Ergebnisse eines Tests definiert sein, sowie durch weitere Bauteilparameter, umfassend unterschiedliche Bauteil-Varianten.
  • In Abhängigkeit der jeweiligen Zustandsdefinition wird eine Verteilung der Zustände bestimmt.
  • Eine Anomalie ist ein Zustand, spezifiziert durch entsprechende (Sensor-)Daten, der sowohl selten ist als auch, basierend auf den aufgezeichneten Daten, von fast allen anderen Zuständen abweicht. Eine Anomalie ist selten und anders. Trotzdem kann eine genaue Abgrenzung zwischen normal und anormal häufig schwierig und in vielen Fällen mit den verfügbaren Daten sogar nicht eindeutig möglich sein, sodass letztendlich ein Zustand immer nur mit einer gewissen Wahrscheinlichkeit anormal ist. Um diesem Umstand gerecht zu werden, wird der menschliche Überprüfer als Teil der erfindungsgemäßen Lösung vorgeschlagen.
  • Die Module gemäß der erfindungsgemäßen Lösung umfassen Hardware- und/oder Softwaremodule, umfassend Hardware- und/oder Softwaremodule zur Regelung und/oder Steuerung industrieller Fertigungsprozesse und/oder zur Anomalieerkennung. Die Hardwaremodule umfassen Elektronikeinheiten, integrierte Schaltkreise, eingebettete Systeme, Mikrocontroller, Multiprozessor-Systems-on-Chip, Zentralprozessoren und/oder Hardwarebeschleuniger, beispielsweise Graphikprozessoren, Datenspeichereinheiten und Konnektivitätselemente, beispielsweise WLAN-Module, RFID-Module, Bluetooth-Module, NFC-Module. Nach einem Aspekt der Erfindung wird die Anomalieerkennung als Funktionssoftware in der Cloud-Infrastruktur ausgeführt.
  • Die Befehle der erfindungsgemäßen Computerprogramme umfassen Maschinenbefehle, Quelltext oder Objektcode geschrieben in Assemblersprache, einer objektorientierten Programmiersprache, beispielsweise C++, oder in einer prozeduralen Programmiersprache, beispielsweise C. Die Computerprogramme sind nach einem Aspekt der Erfindung Hardware unabhängige Anwendungsprogramm, die beispielsweise über einen Datenträger oder ein Datenträgersignal mittels Software Over The Air Technologie bereitgestellt wird.
  • Die Erfindung wird in den folgenden Ausführungsbeispielen verdeutlicht. Es zeigen:
    • 1 eine schematische Darstellung eines Ausführungsbeispiels eines industriellen Fertigungsprozesses,
    • 2 ein erste Ausführungsbeispiel eines erfindungsgemäßen Systems zur industriellen Anomalieerkennung,
    • 3 ein zweites Ausführungsbeispiel eines erfindungsgemäßen Systems zur industriellen Anomalieerkennung
    • 4 ein Ausführungsbeispiels eines erfindungsgemäßen ersten Moduls des erfindungsgemäßen Systems,
    • 5 ein Ausführungsbeispiels von Anomaliescores,
    • 6 ein Ausführungsbeispiel einer Falsch-Positiv-Rate nach Wahl eines Grenzwertes bezogen auf die Anomaliscores aus 5,
    • 7 ein Ausführungsbeispiel eines optimalen Grenzwertes für die Kosten einer falschen Einordnung als Anomalie basierend auf 6,
    • 8 ein Ausführungsbeispiel eines erfindungsgemäßen zweiten Moduls des erfindungsgemäßen Systems,
    • 9 ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens zum Erhalten eines Analysemodells für Anomalieerkennung,
    • 10 ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens zum Bestimmen wenigstens eines Anomaliewertes,
    • 11 ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens zum Bereitstellen von in einem industriellen Fertigungsprozess erkannten Anomalien an eine Überprüfungsinstanz und
    • 12 ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens zum Kontrollieren von Anomalien.
  • In den Figuren bezeichnen gleiche Bezugszeichen gleiche oder funktionsähnliche Bezugsteile. Übersichtshalber werden in den einzelnen Figuren nur die jeweils relevanten Bezugsteile hervorgehoben.
  • Die industrielle Fertigung gliedert sich in der Regel in sogenannte Produktionslinien, die wiederum in einzelne auf einander aufbauende Produktionsschritte unterteilt sind. Eine Produktionslinie hat dabei eine bestimmte Produktionskapazität, zum Beispiel 100 Produkte pro Tag. Eine Skalierung der Produktion darüber hinaus geschieht durch den Einsatz mehrerer gleichartiger Produktionslinien, in welchen dann das gleiche Produkt gefertigt wird. Neben einer Hauptlinie existieren Nebenlinien, in den einzelne Komponenten des Hauptproduktes gefertigt werden. Ein einzelner Produktionsschritt kann unterschiedliche Ausprägungen haben, es kann beispielsweise eine Komponente verschraubt werden, ein Bauteil gefräst werden oder eine Qualitätsprüfung eines Bauteils durchgeführt werden. 1 zeigt einen industriellen Fertigungsprozess IF umfassend eine Hauptlinie und zwei Nebenlinien. Die Hauptlinie umfasst die Produktionsschritte PS1, PS2, PS3. Eine der Nebenlinien umfasst beispielsweise ebenfalls drei Produktionsschritte PS1, PS2, PS3 und betrifft beispielsweise den Produktionsschritte PS2 der Hauptlinie. Die weitere Nebenlinien umfasst beispielsweise ebenfalls drei Produktionsschritte PS1, PS2, PS3 und betrifft beispielsweise den Produktionsschritte PS3 der Hauptlinie. Am Ende der Hauptlinie wird eine End Of Line Prüfung EOL durchgeführt.
  • Das erfindungsgemäße System IF-Anom überwacht beispielsweise die Produktionsschritte PS, PS1, PS2, PS3 und/oder die jeweils zugehörigen Produktionsmaschinen PM im Hinblick auf auftretende Anomalien, siehe 2 (Szenario 1). Außerdem führt das erfindungsgemäße System IF-Anom Qualitätsprüfungen durch im Hinblick auf auftretende Anomalien, siehe 3 (Szenario 2).
  • Das System IF-Anom integriert folgende Schritte bzw. Module: Datenbasierte Definition des Zustandes Z des zu überwachenden Systems, Datenspeicherung und Verarbeitung aller notwendigen Daten Data1-Data5, Training einer Anomalieerkennung basierend auf historischen Daten Data1, Integration eines menschlichen Überprüfers Expert zur Kontrolle der erkannten Anomalien NOK sowie zur Generierung weiterer Annotationen zur gezielten Erweiterung des Trainingsdatenbestandes Data1, Erkennung von Anomalien, Verarbeitung der Bewertung des menschlichen Überprüfers Expert und basierend darauf kontinuierlich Anpassung und Verbesserung der Anomalieerkennung.
  • Die Grundfunktionalitäten, wie Speichern und erweitern des Datenbestandes Data, Data1-Data5, Training Ref, Anno von Modellen, Einrichten von Konfigurationen trainierter Modelle Konfig-Model, Anfrage von Annotationen zur Erweiterung der Datengrundlage Data, Data1-Data5, werden dabei von einem ersten Modul IF-Anom Core übernommen, siehe 4.
  • Die Aufgabe der Erkennung potenzieller Anomalien NOK wird durch ein zweites Modul IF-Anom Anomalieerkenner durchgeführt, siehe 8. Dabei werden vom zu überwachenden Produktionsschritt PS oder Produktionsmaschine PM kontinuierlich Daten bzw. Prüfungsergebnisse, entsprechenden dem definierten Zustand Z, an IF-Anom geschickt. Die Antwort von IF-Anom enthält dann eine Einordnung des Zustandes Z in „normal/anormal“, optional mit Konfidenzschätzung, und wird über ein drittes Modul IF-Anom Annotationsmanager zur Überprüfung an einen menschlichen Experten Expert geschickt.
  • In welchem Ausmaß die Vorschläge von IF-Anom tatsächlich durch einen Menschen überprüft werden, ist sowohl abhängig vom Anwendungsfall als auch davon, wie weit das Training von IF-Anom fortgeschritten ist, das heißt wie hoch die erwartbaren Genauigkeiten der Einschätzungen von IF-Anom sind.
  • Als zusätzliches optionales viertes Modul IF-Anom Daten umfasst das System IF-Anom die Möglichkeit, weitere Datenquellen in einen Produktionsschritt PS zu integrieren. Das kann zum Beispiel ein zusätzlicher Vibrationssensor gekoppelt an eine spezielle Anregung sein. Die so erzeugten Daten können im Betrieb an das System IF-Anom übermittelt werden und dienen, sobald eine ausreichende Menge an Daten erzeugt wurde, als weitere Datenquelle für das Modelltraining.
  • Das in 2 dargestellte Szenario 1 könnte beispielsweise den Fall einer kaputt-gehenden Produktionsmaschine betreffen. Bisher wird in einem solchen Fall erst eine Reparatur durchgeführt, nachdem die Produktionsmaschine ausgefallen ist und damit Kosten für einen Fertigungsstillstand entstanden sind. Falls die Produktionsmaschine nicht sofort ausfällt, kann es trotzdem zur unbemerkten Produktion fehlerhafter Bauteile kommen, die weiterverarbeitet werden und dann zu Problemen in nachgelagerten Produktionsschritten PS, PS1, PS2, PS3 oder Produkten führen können.
  • Das in 3 dargestellte Szenario 2 könnte beispielsweise die Prüfung von Bauteilen betreffen. Bauteil bezeichnet auch fertige Produkte. Damit beinhaltet das in 3 gezeigte Szenario 2 insbesondere auch die Fertigungsendprüfung EOL eines Produktes. Diese nimmt in dem industriellen Fertigungsprozess IF eine zentrale Rolle ein und sorgt für gleichmäßige, hohe Qualität der produzierten Bauteile. Die Herausforderung besteht hier darin, die Anforderungen an ein gutes Bauteil zu quantifizieren, was insbesondere bei neuen Bauteilen zu Startschwierigkeiten in der Prüfung führt. Sind die entsprechenden Anforderungen nicht genau genug definiert, drohen auf der einen Seite zu viel Ausschuss, und auf der anderen Seite besteht die Gefahr, dass fehlerhafte Bauteile weiterverarbeitet und/oder ausgeliefert werden.
  • Das erfindungsgemäße System IF-Anom kann in Szenario 1 und/oder Szenario 2 das erfindungsgemäße Verfahren zum Kontrollieren von Anomalien NOK durchführen.
  • In den Fällen der 2, 3 bietet die Durchdringung des industriellen Fertigungsprozesses IF und/oder der Prüfungen mit Sensoren und die entsprechende Verfügbarkeit von Daten Data2 die Möglichkeit, dem intelligenten System IF-Anom und/oder dessen jeweiligen Modulen IF-Anom Core, IF-Anom Anomalieerkenner, IF-Anom Annotationsmanager, u.a. mittels künstlicher Intelligenz, den Zustand Z eines Produktionsschrittes PS, PS1, PS2, PS3 oder eine Prüfung datenbasiert zu erfassen und in der Folge anormales Verhalten zu detektieren und zu melden. Das ermöglicht, zum einen, eine frühzeitige Reaktion auf auftretende Veränderungen, im Idealfall bevor ein Prozess zum Erliegen kommt oder ein fehlerhaftes Bauteil die Prozesskette weiterläuft, und zum anderen eine bessere Identifikation des zugrundeliegenden Fehlers.
  • Künstliche Intelligenz umfasst maschinelles Lernen. Maschinelles Lernen ist eine Technologie, die Computern und anderen Datenverarbeitungsvorrichtungen die Ausführung von Aufgaben durch Lernen aus Daten lehrt, anstatt für die Aufgaben programmiert zu werden. Die erfindungsgemäße Lösung entspricht einem datenbasierten Einsatz, wofür maschinelles Lernen vorteilhafterweise einsetzbar ist. Die einzelnen erfindungsgemäßen computerimplementierten Verfahren und Module als auch das erfindungsgemäße System führen nach einem Aspekt der Erfindung Maschinenlernalgorithmen aus. Beispielsweise basieren die Analysemodelle zur Anomalieerkennung auf Maschinenlernalgorithmen. Von der Erfindung umfasste Beispiele für Maschinenlernalgorithmen sind künstliche neuronale Netzwerke, beispielsweise Faltungsnetzwerke, Support Vector Machines und Random Forest Modelle.
  • Wenn nicht explizit aufgeführt gelten die folgenden Beschreibungen für beide Szenarien und als allgemeine Bezeichnung für einen Produktionsschritt als auch für eine Prüfung soll die Bezeichnung Prozessschritt verwendet werden.
  • In 2 überwacht das System IF-Anom beispielsweise einen Produktionsschritt PS oder eine Produktionsmaschine PM. Das könnte beispielsweise eine Drehmaschine sein, die ein Bauteil bearbeitet oder auch das Verschrauben eines Bauteils durch einen Menschen. Der Ablauf der Anwendung des System IF-Anom gestaltet sich beispielsweise wie folgt.
  • Nachdem der zu überwachende Prozessschritt festgelegt ist, wird die infrage kommende Datenbasis Data 2 begutachtet. Basierend darauf wird eine datenbasierte Definition des zu überwachenden Zustandes Z festgelegt. Dann werden die initialen Trainingsdaten Data1 für das System IF-Anom ausgewählt.
  • Die Hauptdatenquelle der Trainingsdaten Data1 besteht regelmäßig aus den historischen Daten des betreffenden Prozesses sowie der vorgelagerten Prozesse soweit diese für die Beurteilung des Zustandes Z relevant sind. Das können zum Beispiel Geometrieinformation von involvierten Bauteilen sein. Daneben, beispielsweise weil für den zu überwachenden Prozess keine ausreichenden Daten zur Verfügung stehen, können Daten vergleichbarer Prozesse als zweite Datenquelle der Trainingsdaten Data1 herangezogen werden. Als dritte Datenquellen der Trainingsdaten Data3 können in einigen Fällen synthetische Daten verwendet werden. Dabei werden Daten, beispielsweise über ein physikalisches Modell des fraglichen Prozesses, künstlich erzeugt/simuliert.
  • Betreffend die zweite und dritte Datenquelle der Trainingsdaten Data1 kann beispielsweise ein Transfer Learning zum Einsatz kommen. Die Verarbeitung der Daten Data1-Data4 sowie das Modelltraining werden von dem ersten Modul IF-Anom Core übernommen, siehe 4.
  • Während des Betriebes des System IF-Anom werden kontinuierlich Daten Data2 vom überwachten Prozess an das zweite Modul IF-Anom Anomalieerkenner gesendet. Das zweite Modul IF-Anom Anomalieerkenner erhält von dem ersten Modul IF-Anom Core die aktuellen Modelle, sowie eine Anwendungsfall-spezifische Konfiguration Konfig-Model, in der zum Beispiel die notwendige Vorverarbeitung der ankommenden Daten Data2 spezifiziert wird. Unter Verwendung dieser Modelle wird dann eine Beurteilung des aktuellen Zustandes Z durch das zweite Modul IF-Anom Anomalieerkenner vorgenommen.
  • Diese Beurteilung wird an das dritte Modul IF-Anom Annotationsmanager weitergegeben. Das dritte Modul IF-Anom Annotationsmanager übernimmt die Aufgabe zu entscheiden, ob und wann ein Zustand Z zur Beurteilung an einen, oder an welchen, menschlichen Experten Expert gegeben wird. Grob gesagt werden erkannte Anomalien beispielsweise fast immer weitergegeben und zusätzlich als normal erkannte Beispiele unter gewissen Umständen. Die Bewertungen durch den/die menschlichen Experten Expert gehen zurück an das dritte Modul IF-Anom Annotationsmanager, das entscheidet, in welcher Form Annotationen zurück an das erste Modul IF-Anom Core gehen, um dort die Datenbasis entsprechend zu erweitern. Im Idealfall stehen dem dritten Modul IF-Anom Annotationsmanager dabei Metainformation bezüglich der Beurteilung zur Verfügung, zum Beispiel eine, insbesondere wenn aus Datenschutzgründen notwendige, anonymisierte Identifikation des Beurteilenden Expert sowie ein Zeitstempel, wann die Beurteilung verfasst wurde. Details des dritten Moduls IF-Anom Annotationsmanager werden nachfolgend beschrieben.
  • Zum Aufbau einer erweiterten Datenbasis werden die an das zweite Modul IF-Anom Anomalieerkenner gesendeten Daten von diesem zu Verarbeitung und Datenspeicherung an das erste Modul IF-Anom Core Modul weitergegeben. Das erste Modul IF-AnomCore übernimmt das regelmäßig neu- oder nachtrainieren von Anomalieerkennungsmodellen. Zu diesem Zweck hat das erste Modul IF-Anom Core auch die Möglichkeit, Annotationsanfragen an das dritte Modul IF-Anom Annotationsmanager zu senden.
  • Wird eine Anomalie NOK vom Überprüfer Expert als Anomalie NOK bestätigt oder wird die erkannte Anomalie NOK ohne Überprüfung freigegeben, werden beispielsweise zwei Reaktionen in Gang gesetzt. Zum einen wird der überwachte Produktionsschritt PS basierend auf dem als anormal erkannten Zustand Z näher begutachtet, um zu entscheiden ob/wann eine Wartung/Reparatur durchgeführt werden muss. Zum anderen können die Bauteile, die während und nach dem Auftreten der Anomalie NOK verarbeitet wurden, vorsorglich aussortiert und/oder gesondert begutachtet werden.
  • Eine beispielhafte Anwendung des vierten Moduls IF-Anom Daten zur zusätzlichen Datenerzeugung in diesem Szenario ist ein speziell entworfenes Testprogramm, das Maschinenzustände erzeugt, die unter Standardproduktionsbedingungen nicht vorkommen, aber ein hohes Maß an Informationen über den Gesundheitszustand der Komponenten der zu überwachenden Produktionsmaschine PM enthalten.
  • 3 zeigt die Anwendung des Systems IF-Anom auf industrielle Prüfverfahren, beispielsweise die Fertigungsendprüfung EOL von Getrieben. Während auf Ebene der algorithmischen Anomalieerkennung kaum Unterschiede zwischen den in 2, 3 dargestellten Szenarien bestehen, ergeben sich wesentliche Unterschiede in Bezug auf die Daten.
  • Prüfverfahren führen eine Annotation nach OK und Nicht-OK NOK durch. Insofern liegt das Hauptanwendungsgebiet des Systems IF-Anom in diesem Szenario darin, innerhalb der OK Bauteile nach Anomalien NOK zu suchen, die vom aktuellen Prüfverfahren nicht als NOK erkannt werden. Diese werden häufig auch als unbekannte Anomalien bezeichnet, im Gegensatz zu den bekannten Anomalien, den NOK. Der Einsatz des Systems IF-Anom kann prinzipiell zu Ablösung des bestehenden Prüfverfahrens führen, wodurch dann alle Bauteile durch das System IF-Anom begutachtet werden würden.
  • Auch in diesem Szenario ergeben sich wesentliche Anwendungen von Transfer Learning durch die Verwendung von Daten aus vergleichbaren Prozessen, das heißt vergleichbaren Prüfstationen P oder vergleichbaren Produkten, sowie synthetischen Daten aus der Simulation von Prüfprozessen. Als vierte Datenquelle ergeben sich hier zudem Daten Data4 aus dem späteren Einsatz von Produkten, sogenannten Felddaten. Kommt es während des Einsatzes von Produkten zu Problemen oder Ausfällen, ist das ein möglicher Hinweis auf Anomalien NOK, die durch das aktuelle Prüfverfahren nicht erkannt werden und somit eine Möglichkeit Anomalieerkennungsalgorithmen zu testen und zu trainieren.
  • Ein wichtiger Schritt zur Datenerzeugung ist hier die Erzeugung spezieller Anregungen innerhalb von Prüfverfahren durch das vierte Modul IF-Anom Daten, beispielsweise das Durchfahren eines Getriebes in unterschiedlichen Gängen über eine bestimmte Zeit in unterschiedlichen Lastzuständen. Die unter dieser Anregung erzeugten Daten weisen vielfach einen wesentlich höheren Informationsgehalt des zu analysierenden Prozessschrittes auf als ohne diese gezielte Anregung.
  • In 3 führt eine erkannte, bestätigte Anomalie NOK zur Aussortierung und Reparatur oder Demontage des betreffenden Bauteils.
  • 4 zeigt das erste Modul IF-Anom Core. Das erste Modul IF-Anom Core umfasst zwei wesentliche Funktionen des Systems IF-Anom, zum einen die Verarbeitung und Datenspeicherung ankommender Daten Data1-Data4 mittels eines Datenverarbeitungsmoduls, zum anderen das Trainieren und Evaluieren von Modellen zur Anomalieerkennung mittels eines Trainingsmoduls Moduls 2. Beide Funktionen unterliegen einem zeitlichen Aspekt, das heißt zu Beginn des Einsatzes des Systems IF-Anom wird zunächst auf vorhandene Daten Data2 aus dem zu überwachenden Prozess zugegriffen, und/oder auf Daten aus vergleichbaren Prozessen oder synthetisch erzeugte Daten. Basierend darauf wird eine Zustandsdefinition erarbeitet. Daten und Zustandsdefinition werden in eine für die nachfolgenden Schritte geeignete Form gebracht und gespeichert.
  • Ein erster Datenspeicher Mem1 speichert die Daten und/oder Konfigurationen des Datenverarbeitungsmoduls. Das Trainingsmodul Modul2 liest die Daten des ersten Datenspeichers Mem1 ein.
  • Dabei ist die Verarbeitung der vorhandenen Daten im Hinblick auf das spätere Modelltraining sowie die äquivalente Verarbeitung von eingehenden Daten während des Betriebes des Systems IF-Anom abhängig vom jeweiligen Anwendungsfall.
  • Beispielsweise im Folgenden keine vollständige Aufzählung werden hochfrequente Zeitsignale oft mittels Fast-Fourier Transformation oder Wavelet-Transformation in den Frequenzraum transformiert. Bei Zeitsignalen im Allgemeinen kann es notwendig sein, diese vor der Verarbeitung zu synchronisieren, um die Vergleichbarkeit sicherzustellen. Eine grundlegend andere Datenquelle mit wiederum spezifischen Verarbeitungsschritten stellen Bilddaten dar. Diese Schritte sind in hohem Maße abhängig von der jeweiligen Anwendung, die hier beschriebenen Grundprinzipen des Systems IF-Anom bleiben aber davon unberührt.
  • Die vorhandenen Daten werden zum initialen Training von Anomalieerkennungs-Modellen verwendet. Eine geeignete Trennung der vorhandenen Daten in Trainings-, Validierungs- und Testdaten wird hier als Standardvorgehen angenommen und daher nicht explizit erwähnt. Das System IF-Anom verfügt über zwei verschiedene Ansätze zur Anomalieerkennung.
  • Beim Training Referenz-basierte Modelle Ref wird der Normalzustand eines Prozesseschrittes PS erfasst. Dabei liegt die Annahme zu Grunde, dass anormale Zustände in einem Prozessschritt PS selten sind. Basierend auf dieser Annahme wird eine quantitative Charakterisierung der Verteilung der Trainingszustände, das heißt von fast ausschließlich Normalzuständen, berechnet. Diese Charakterisierung der Normalzustände wird als Referenzzustand bezeichnet, kurz Referenz. Zur Anomalieerkennung wird dann der Grad der Abweichung zwischen einem fraglichen Zustand und der Referenz berechnet.
  • Die Anforderungen an die vorhanden Trainingsdaten Data1 sind dabei gering. Neben normalen Datenqualitätsanforderungen sind keine weiteren Annotationen notwendig. Das stellt einen großen Vorteil im industriellen Umfeld dar, da ein Annotieren oft nicht nur schwierig und potenziell fehlerbehaftet, sondern im Allgemeinen auch personalaufwändig und damit teuer ist.
  • Beim Training Annotations-basierte Modelle Anno muss auffälliges, das heißt potenziell anormales, Verhalten aus der Vergangenheit bekannt sein und entsprechende Daten müssen verfügbar sein, das heißt historische Daten müssen mindestens in die Klassen normal/anormal eingeteilt sein. Dann lernt das System IF-Anom, Muster zu erkennen, die mit auffälligem bzw. unauffälligem Verhalten in den Daten verbunden sind. Während des Einsatzes des Systems IF-Anom wird dann nach Mustern gesucht, die auf anormales Verhalten hindeuten und deren Auftreten wird quantifiziert. Bei dieser Methodik ist die Ausgabe umso genauer, je detaillierter die verfügbaren Annotationen sind.
  • Sind nur Annotationen der Form normal/anormal vorhanden, wird das System IF-Anom, wie bei der referenz-basierten Methodik, Zustände nur in eben diese Klassen einordnen. Wenn jedoch detailliertere Fehler/Gut-Klassen annotiert wurden, ist eine entsprechend detaillierte Aussage des Systems IF-Anom möglich. Die Anforderungen an die initialen Trainingsdaten Data1 sind dabei höher als bei der referenzbasierten Methodik, da annotierte historische Daten hoher Qualität vorhanden sein müssen.
  • Der Vorteil der referenz-basierten Methodik besteht in einer potenziell generischeren Anomalieerkennung, was insbesondere bei der Erkennung von unbekannten Anomalien von Vorteil sein kann. Vorteile der annotations-basierte Methodik ist ein höherer Detailgrad bei der Erkennung von Anomalien und potenziell ein besserer Kompromiss zwischen falsch-positiven und falsch-negativen Vorhersagen auf bekannten Anomalien.
  • Als zweite Ebene kann das System IF-Anom die Ergebnisse eines referenz-basierten und eines annotations-basierten Ansatzes Ref, Anno zu einem Training von Metamodellen Meta kombinieren. Die Art der Kombination ist dabei abhängig vom Anwendungsfall, der Qualität der verfügbaren Modelle und den aktuellen Daten. Dabei sind verschieden Arten der Kombination möglich, von einer einfachen gewichteten Summe bis hin zu eigens entwickelten Modellen, die auch auf historischen Daten/Anomalievorhersagen trainiert werden und vom zweiten Modul IF-Anom Anomalieerkenner angewandt werden.
  • Die trainierten Referenzmodelle, annotationsbasierten Modelle, die kombinierten Metamodelle und/oder die Ergebnisse der Modellevaluation werden in einem zweiten Datenspeicher Mem2 des Trainingsmoduls Modul2 gespeichert oder zwischengespeichert. Die freigegebenen Modelle werden für die Anwendung in dem zweiten Modul IF-Anom Anomalieerkenner erneut geladen.
  • Nach einem initialen Training kann das System IF-Anom in Betrieb genommen werden. Dadurch eröffnen sich dem System IF-Anom weitere Informationsquellen. Zum einen werden dem System die aktuellen Prozessschritt- oder Prüfungsdaten, die an das zweite Modul IF-Anom Anomalieerkenner geschickt werden, zur Verfügung gestellt. Zum anderen bekommt das System IF-Anom die, mindestens statistisch durchgeführten, manuellen Bewertungen der potenziellen Anomalien.
  • Zusätzlich kann das System IF-Anom während des Trainings von Modellen Annotationsanfragen an das dritte Modul IF-Anom Annotationsmanager abschicken, um damit den Datenbestand gezielt um Annotationen zu erweitern, beispielsweise im Kontext von Active Learning. Damit baut das System IF-Anom während des Betriebs einen annotierten Datenbestand auf. Dieser enthält mindestens die Klassen normal/anormal, kann aber auch einen höheren Detailgrad aufweisen, wenn der menschliche Überprüfer Expert entsprechende Annotationen zur Verfügung stellt. Infolgedessen wird das System IF-Anom mit zunehmender Betriebsdauer immer einen annotierten Datensatz zur Verfügung haben.
  • Der während des Betriebes erweiterte Datenbestand dient dazu, regelmäßig neue Modelle zu trainieren. Auch wenn zu Beginn nur referenz-basierte Modelle Ref genutzt wurden, aufgrund der Abwesenheit eines annotierten Datensatzes, können nun auch annotations-basierte Modelle Anno zum Einsatz kommen. Diese können dann die aktuell genutzten Modelle im Betrieb ersetzen oder ergänzen. Darüber hinaus können erfolgreich trainierte und getestete Modelle dazu verwendet werden, in einem iterativen Prozess die historischen Daten, die zum initialen Training eines, häufig referenz-basierten Modells Ref verwendet wurden, von in der Vergangenheit unerkannten Anomalien zu säubern. Durch die Verbesserung der Qualität der initialen Trainingsmenge kann eine zusätzliche Verbesserung der Modellgenauigkeiten erreicht werden.
  • Die Überwachung des Modell-Trainings sowie die Freigabe von neuen Modellen für die produktive Anomalieerkennung kann mittels des Überwachungsmoduls Modul1 und/oder des Kontrollmoduls Modul3 automatisiert erfolgen oder manuell basierend auf der erzielten Genauigkeit und kann durch das Kontrollmodul Modul3 in Funktion eines User Interfaces gesteuert werden. Das Kontrollmodul Modul3 dient darüber hinaus der Darstellung der in der Vergangenheit, zum Beispiel letzte x-Tage, erreichten Genauigkeit der Anomalieerkennung, umfassend den Anteil tatsächlicher Anomalien an den vorgeschlagenen Anomalien, und erfüllt so eine Monitoring-Funktion.
  • Das Überwachungsmodul Modul liest die Daten des ersten Datenspeichers Mem1 ein und kann in Datenaustausch mit dem Kontrollmodul Modul3 stehen.
  • Bei der Evaluation von Anomalieerkennungs-Modellen existieren zwei Herausforderungen.
  • Eingesetzten Modelle können Fehler in zwei Richtungen machen, ein als anormal erkannter Zustand ist in Wirklichkeit normal, was einem falsch-positiven Ergebnis entspricht. Oder ein in Wirklichkeit anormaler Zustand wurde als normal eingeordnet, was einem falsch-negativen Ergebnis entspricht. In den allermeisten Fällen besteht zwischen beiden Fehlern eine Konkurrenz, das heißt eine geringere Anzahl an falsch-negativen Vorhersagen geht mit einer höheren Anzahl an falsch-positiven Vorhersagen einher und umgekehrt. Die Herausforderung an dieser Stelle besteht nun darin, dass für eine sinnvolle Abschätzung der Einsatzfähigkeit eines Modells, die Kosten/Kostenfunktion, die eine nicht erkannte Anomalie oder ein als Anomalie erkannter Normalzustand mit sich bringt, in Betracht gezogen werden müssen. Das System IF-Anom bietet dazu quantitative Unterstützung.
  • Grundsätzlich führt eine bessere Anomalieerkennung, wie sie erfindungsgemäß mit dem System IF-Anom erzielt wird, zu einer geringeren Konkurrenz zwischen falsch-positiven und falsch-negativen Ergebnisses, wodurch es grundsätzlich einfacher wird, einen vertretbaren Kompromiss zwischen beiden zu finden.
  • Darüber hinaus bietet das System IF-Anom die Möglichkeit einer detaillierten Betrachtung, in der die jeweiligen Kosten der möglichen Fehler berücksichtigt werden können und somit eine unter den gegebenen Umständen optimale Entscheidung getroffen werden kann, siehe 5.
  • Nach einem Aspekt der Erfindung führt das erste Modul IF-Anom Core das erfindungsgemäße Verfahren zum Erhalten von Analysemodellen durch.
  • 5 zeigt ein Beispiel für die optimierte Auswahl eines Modells basierend auf den Kosten für falsch-positive und falsch-negative Einordnungen. Ein Modell, hier Logistische Regression, ordnet Test-Beispielen einen Anomaliescore AS1, AS2, AS3 zu. Auf der Abszisse ist die Anzahl an Zuständen aufgetragen. Auf der Ordinate ist der Anomaliescore aufgetragen. Die als normal/anormal gekennzeichneten Punkte stellen eine ground truth dar. Während der Anwendung würde die Einordnung normal/anormal nun basierend auf einem Grenzwert oder threshold bezogen auf den Anomaliescore AS1, AS2, AS3 getroffen werden. Wird der Grenzwert beispielsweise als 0.8 bestimmt, entsprechen alle von dem Modell bestimmten Anomaliscores, die größer als 0.8 sind, einer Anomalie. Das heißt, die als normal gekennzeichneten Punkte oberhalb von 0.8 entsprechen falsch-positiv Ereignissen. Alle von dem Modell bestimmten Anomaliescores, die kleiner als 0.8 sind, stellen keine Anomalie dar. Das heißt, die als anormal gekennzeichneten Punkte unterhalb von 0.8 entsprechen falsch-negativ Ereignissen. Bei falsch-negativ Ereignissen werden tatsächlich vorhandene Anomalien nicht erkannt, wohingegen bei falsch-positiven Ereignissen Zustände als anormal bestimmt werden, obwohl diese in Wahrheit normal sind. Falsch-negativ Ereignisse wirken sich damit auf den Prozess entsprechend teurer aus und werden in den Kosten entsprechend stärker gewichtet. Beispielsweise sind die Kosten für falsch-negativ Ereignisse 500, die für falsch positive 100, beispielsweise in der Währung Euro.
  • Die Wahl dieses Grenzwertes, siehe gestrichelte Linie, führt zu einer Änderung der Anzahl oder der Rate an falsch-positiven und falsch-negativen Einordnungen, siehe 6. Statt der Auswahl eines Grenzwertes könnten hier äquivalent auch verschiedene Modelle verglichen werden. 6 ist eine Grenzwertoptimierungskurve, auch als receiver operating characteristic bekannt. Der AUC -Wert, das heißt die Größe der Fläche unter der Kurve, oder area under curve, ist ein Qualitätsmaß für das Modell.
  • Sind die Kosten, umfassend Materialkosten, für eine nicht erkannte Anomalie, das heißt falsch-negativ, und eine falsche Einordnung als Anomalie, das heißt falsch-positiv, bekannt, kann ein optimaler Grenzwert, das heißt ein optimales Modell, für den produktiven Einsatz berechnet werden, siehe gestrichelte Linie in 7. Wird der Grenzwert zu klein gesetzt, werden beispielsweise alle Bauteile, deren erhaltener Anomaliewert über dem Grenzwert liegt, aussortiert, darunter auch viele Bauteile mit falscher Einordnung. Dies führt zu hohen Kosten. Wird der Grenzwert zu groß gewählt, werden viele Bauteile beibehalten, darunter auch viele Bauteile mit nicht erkannter Anomalie. Der optimale Grenzwert, der durch Optimierung der Kostenfunktion erhalten wird, gleicht diese beiden Trends aus.
  • Logistische Regression ist hier nur ein Beispiel für ein Analysemodell. Die erfindungsgemäße Lösung ist nicht beschränkt auf ein konkretes Analysemodell. Weitere Analysemodelle zur Durchführung der Erfindung umfassen beispielsweise Isolationsbäume, auch isolation forest genannt, Autoencoder, generative adversariale Netzwerke, auch generative adversarial networks genannt, Faltungsnetzwerke oder support vector machines.
  • Isolationswald bezeichnet einen Anomalieerkennungsalgorithmus, der Anomalien durch Isolierung identifiziert. Dabei werden Anomalien mithilfe von Binärbäumen isoliert. Isolationswald funktioniert in Situationen gut, in denen der Trainingssatz keine oder wenige Anomalien enthält. Damit ist Isolationswald ein vorteilhaftes Analysemodell für die erfindungsgemäße Lösung.
  • Bei der algorithmischen Erkennung von Anomalien besteht in der Regel als zweite Herausforderung, als direkte Folge aus der Definition einer Anomalie, dass es nur wenige oder, im Extremfall unbekannter Anomalien keine, Test-Anomalien gibt, die zur Bewertung herangezogen werden können. Dies führt mindestens dazu, dass die Bewertung verschiedener Modelle ein statistisches Signifikanzproblem bekommt und im Extremfall es sogar zunächst nicht möglich ist, Modelle zu Bewerten. Das System IF-Anom löst dieses Problem durch die vorhandene Kopplung an einen menschlichen Bewerter Expert. Sind zu Beginn nicht genügend Test-Anomalien vorhanden, werden verschiedene Modelle durch eine manuelle Evaluation der gefundenen Anomalien bewertet. Dadurch findet zunächst eine initiale Bewertung von Modellen statt, mittels der ein Modell für den ersten Produktiveinsatz ausgewählt werden kann. Des Weiteren wird eine initiale Menge annotierter Beispiele erzeugt, die im weiteren Verlauf des Einsatzes des Systems IF-Anom zur Evaluation von Modellen verwendet werden kann. Der Austausch zwischen Beispielen zur Annotation und der entsprechenden Beurteilungen durch einen menschlichen Überprüfer Expert wird durch das dritte Modul IF-Anom Annotationsmanager durchgeführt.
  • 8 zeigt das zweite Modul IF-Anom Anomalieerkenner des Systems IF-Anom. Das zweite Modul IF-Anom Anomalieerkenner übernimmt die Aufgabe, eingehende Daten umfassend Data2 gemäß der bestehenden Zustandsdefinition und Datenvorverarbeitungsroutinen zu verarbeiten. Dabei werden die ankommenden Daten in der gleichen Art und Weise verarbeitet wie die historischen Daten Data1, die für das Modelltraining verwendet wurden. Anschließend wird mittels der verfügbaren Anomalieerkennungs-Modelle eine Bewertung durchgeführt. Die Ausgabe jedes Modells umfasst einen Anomaliewert, den Anomaliescore AS1, AS2, AS3. Der Anomaliscore AS1, AS2, AS3 gibt an, wie anormal der bewertete Zustand Z ist, in der Regel, aber nicht zwangsläufig, je höher, desto anormaler. Welche Methodik und welche Modelle zur Anwendung kommen, hängt dabei vom Anwendungsfall und der Verfügbarkeit von Modellen ausreichender Güte ab.
  • Ist nur ein Modell einer Methodik verfügbar, wird der durch dieses Modell berechnete Anomaliewert an das dritte Modul IF-Anom Annotationsmanager geschickt. In diesem Fall wird dieser Wert vom Vereinigermodul Modul5 durchgeschleust. Dieser Fall tritt in der Regel zu Beginn des Einsatzes des Systems IF-Anom auf, wenn noch nicht genügend annotierte Daten zur Verfügung stehen und lediglich ein referenz-basiertes Modell eingesetzt wird.
  • Ein Dateneingabe-/Steuermodul Modul 4 bestimmt aus den Daten des ersten Moduls IF-Anom Core und/oder aus der Konfiguration trainierter Modelle Konfig-Model fünfte Daten Data5. Die fünften Daten Data5 umfassen die Zustandsdaten und Modelle. Mit den fünften Daten Data5 führt das zweite Modul IF-Anom Anomalieerkenner eine Referenz-basierten Anomalieerkennung Ref-Anomalie und/oder eine Annotations-basierte Anomalieerkennung Anno-Anomalie durch. In der Referenz-basierten Anomalieerkennung Ref-Anomalie wird ein erster Anomaliescore AS1 bestimmt. In der Annotations-basierte Anomalieerkennung Anno-Anomalie wird ein zweiter Anomaliescore AS2 bestimmt.
  • Stehen dem zweiten Modul IF-Anom Anomalieerkenner sowohl ein referenz-basiertes als auch ein annotations-basiertes Modell zu Verfügung, übernimmt das Vereinigermodul Modul5 die Aufgabe, aus dem ersten und zweiten Anomaliescore AS1, AS2 einen finalen dritten Anomaliescore AS3 zu berechnen. Dabei kann beispielsweise das folgende Vorgehen angewendet werden:
    • Wenn das annotations-basierte Modell eine Anomalie erkennt, das heißt der zu einer Anomalieklasse gehörende Anomaliscore AS2 ist größer als ein eingestellter Grenzwert, so wird diese Einschätzung an das dritte Modul IF-Anom Annotationsmanager gegeben. Auch hier gibt das Vereinigermodul Modul5 das Ergebnis einfach weiter.
  • Wenn das annotations-basierte Modell nicht mit ausreichender Konfidenz eine Anomalieklasse erkennt oder einen fraglichen Zustand Z als normal einordnet, wird dieses Ergebnis an das Vereinigermodul Modul5 gegeben. Das Vereinigermodul Modul5 erhält zusätzlich die Einschätzung des referenz-basierten Modells. Dann ergeben sich wiederum zwei mögliche Vorgehensweisen:
    • Das Vereinigermodul Modul5 übernimmt die Einschätzung des referenz-basierten Modells und gibt den errechneten ersten Anomaliescore AS1 zusammen mit einer, auf einem Grenzwert basierenden, Klassifikation als normal/anormal an das dritte Modul IF-Anom Annotationsmanager.
  • Oder das Vereinigermodul Modul5 nimmt die Einschätzungen des annotations-basierten und des referenzbasierten Ansatzes, um daraus eine Meta-Vorhersage zu generieren. Zu diesem Zweck kann ein eigenes Modell Meta trainiert werden. Neben den Modellvorhersagen können in dieses Modell auch Meta-Informationen über den fraglichen Zustand Z sowie historische Testgenauigkeiten der verwendeten Modelle eingehen. Auch in diesem Fall wird ein Anomaliescore, hier der dritte Anomaliescore AS3, sowie eine Grenzwert-basierte Einschätzung normal/anormal an das dritte Modul IF-Anom Annotationsmanager übergeben.
  • Die Kommunikation zwischen dem System IF-Anom und der manuellen Überprüfung der vorhergesagten Anomaliewerte/Anomalieklassen wird durch das dritte Modul IF-Anom Annotationsmanager übernommen.
  • Die von dem zweiten Modul IF-Anom Anomalieerkenner vorverarbeiteten Daten werden zur Datenspeicherung und weiteren Verarbeitung an das erste Modul IF-Anom Core gesendet.
  • Nach einem Aspekt führt das zweite Modul IF-Anom Anomalieerkenner das erfindungsgemäße Verfahren zum Bestimmen wenigstens eines Anomaliewertes AS1, AS2, AS3 durch.
  • Das dritte Modul IF-Anom Annotationsmanager übernimmt die Aufgaben, die in Verbindung mit der Generierung von Annotationen stehen, dazu gehören:
    • • Verarbeitung eingehender, vom zweiten Modul IF-Anom Anomalieerkenner bewerteter Zustände Z und basierend darauf Entscheidung, ob ein Zustand Z an einen menschlichen Überprüfer Expert gesendet wird;
      • ◯ Einbeziehen der Ähnlichkeit zu bereits annotierten Anomalien;
    • • Anfrage von Annotation an Überprüfer Expert über die Online-Anomalieerkennung hinaus, zum Zwecke der gezielten Erweiterung der Trainingsmenge, der Modellevaluation und zum systematischen Testen der Überprüfer Expert;
    • • Handling der Annotationen.
  • Nach einem Aspekt führt das dritte Modul IF-Anom Annotationsmanager das erfindungsgemäße Verfahren zum Bereitstellen von erkannten Anomalien an die Überprüfungsinstanz Expert durch.
  • Zur Verarbeitung bewerteter Zustände Z:
    • Die Modelle des zweiten Moduls IF-Anom Anomalieerkenner vergeben einen Anomaliewert AS1, AS2, AS3 an einen zu untersuchenden Zustand Z, sowie eine, auf einem Grenzwert basierende, Klassifikation mindestens in die Klassen normal/anormal; bei Trainingsdaten höheren Detailgrades in die entsprechend detaillierteren Klassen. Basierend auf dieser Einschätzung entscheidet das dritte Modul IF-Anom Annotationsmanager über das weitere Vorgehen.
  • Wenn der Zustand Z als anormal bewertet wurde, wird entschieden, ob eine Überprüfung durch einen Menschen Expert stattfindet oder, in der Regel bei hoher erwarteter Genauigkeit, ob der Zustand Z ohne weitere Überprüfung als Anomalie NOK gemeldet wird.
  • Wird der Zustand Z als normal bewertet, kann er trotzdem als potentielle Anomalie gekennzeichnet zur Überprüfung an einen Experten Expert gesendet werden, um die durch das System IF-Anom durchgeführte Modellierung einer statistischen Kontrolle zu unterwerfen und gleichzeitig die Aufmerksamkeit der Überprüfer Expert zu gewährleisten. Die Wahrscheinlichkeit, ob ein normaler Zustand an einen Überprüfer Expert gesendet wird, kann dabei vom errechneten Anomaliewert AS1, AS2, AS3 abhängig gemacht werden, zum Beispiel je anormaler, desto wahrscheinlicher findet eine Überprüfung statt.
  • Zum Einbeziehen der Ähnlichkeit zu bereits annotierten Anomalien:
    • Die kontinuierliche Verbesserung des Systems IF-Anom wird dadurch erreicht, dass die Annotationen der Überprüfer Expert für das weitere Training von Modellen verwendet werden, und so das Wissen der menschlichen Experten Expert in die Anomalieerkennung einfließt. Ein Kennzeichen vieler hier verwendeter Modelle, insbesondere jenen aus dem Bereich der Künstlichen Intelligenz, ist jedoch, dass eine gewisse Menge an Bespielen einer Klasse vorhanden sein muss, damit die Klasse erfolgreich gelernt und folglich erkannt wird. Im Betrieb des Systems IF-Anom kann das dazu führen, dass ein menschlicher Überprüfer Expert sehr oft sehr ähnliche Zustände Z als richtig-positive oder falsch-positive Vorhersage einordnen muss, bevor ein Modell in der Lage ist, einen vergleichbaren Zustand Z als sicher genug anormal oder eben als nicht anormal zu erkennen. Um diesen Aufwand für einen Überprüfer Expert zu verringern, kann das dritte Modul IF-Anom Annotationsmanager, bevor es eine potenzielle Anomalie an einen Überprüfer Expert gibt, die Ähnlichkeit eines Zustandes Z zu bereits erkannten berechnen. Bei hoher Übereinstimmung kann dann, ohne weitere Überprüfung, der fragliche Zustand Z die Annotation des bereits bekannten ähnlichen Zustandes Z bekommen. Der Grad der notwendigen Ähnlichkeit wird über einen einzustellenden Grenzwert festgelegt.
  • Zur Anfrage von Annotationen:
    • Neben der Annotation von während des Betriebes aussortierten Zuständen Z erfordert der optimale Betrieb des Systems IF-Anom weiteren Annotationsaufwand.
  • Das erste Modul IF-Anom Core kann Annotationsanfragen senden, um Annotationen zur Verbesserung der Modelle während des Trainings zu erhalten, beispielsweise im Kontext von Active Learning. Dabei errechnet ein Modell, dass die Annotation von bestimmten Trainingszuständen die Modellqualität besonders erhöhen kann und diese Zustände Z werden dann durch das dritte Modul IF-Anom Annotationsmanager an einen Überprüfer Expert gegeben, um den annotierten Datenbestand gezielt auszubauen.
  • Das erste Modul IF-Anom Core kann auch Annotationsanfrage an das dritte Modul IF-Anom Annotationsmanager senden zum Zwecke der Modellevaluation. Die finale Evaluation eines trainierten Modells erfordert einen Testdatensatz. Wenn dieser unvollständig oder zu klein ist, kann das erste Modul IF-Anom Core gezielt Annotationsanfragen stellen, um ein Modell zu evaluieren. Diese werden dann von dem dritten Modul IF-Anom Annotationsmanager an einen Überprüfer Expert gegen. Dieser Fall spielt insbesondere zu Beginn des Einsatzes des Systems IF-Anom oder nach Prozessänderungen eine große Rolle, wenn noch nicht genügend geeignete Test-Zustände Z vorhanden sind.
  • Eine weitere Funktionalität des Systems IF-Anom, genauer des dritten Moduls IF-Anom Annotationsmanager, besteht darin, dass unterschiedliche menschliche Überprüfer Expert systematisch getestet werden. Beispielsweise wird ein Zustand Z, der bereits überprüft wurde, nochmal zur Annotation an einen Überprüfer Expert gegeben. Das kann der gleiche Überprüfer Expert sein, beispielsweise zu einer anderen Tageszeit, oder aber ein anderer Überprüfer Expert. Dies dient im Wesentlichen dazu, die vergebenen Annotationen der Überprüfer Expert entsprechend zu gewichten und gegebenenfalls durch das Querfragen von anderen Überprüfern Expert und/oder zu anderen Zeiten die Annotationsqualität und damit die Genauigkeit des Systems IF-Anom kontinuierlich zu verbessern.
  • Zum Handling der Annotationen:
    • Ein grundlegendes Ziel bei der Durchführung der oben beschriebenen Annotationen ist die Verbesserung der bestehenden Datenbasis und damit der Genauigkeit der Anomalieerkennungsmodelle.
  • Um zu gewährleisten, dass die durchgeführten Annotationen von hoher Qualität sind, führt das System IF-Anom eine Bewertung der eingehenden Annotationen durch. Diese Bewertung basiert erstens auf einer Einschätzung der Genauigkeit einer Annotation durch den Überprüfer Expert selbst, das heißt ein Überprüfer Expert gibt an, wie sicher er sich bei einer Annotation ist, beispielsweise in den drei Stufen sehr sicher, sicher, unsicher.
  • Zweitens führt das System IF-Anom eine eigene Einschätzung der Qualität einer Annotation durch, basierend auf Metadaten, wie ID des Überprüfers Expert und Qualität der von diesem Überprüfer Expert getätigten Annotationen in der Vergangenheit umfassend Tageszeit, Wochentag, Grad der Anomalität, selbst getätigter Einschätzung und weiteren relevanten Größen sowie der mit einer Annotation verbunden Einschätzung durch den Überprüfer Expert.
  • Basierend auf der errechneten Einschätzung entscheidet das System IF-Anom, ob eine Annotation vertrauenswürdig genug ist, um sofort an das erste Modul IF-Anom Core gesendet zu werden, um dort den Trainingsdatensatz zu erweitern, oder ob der Zustand Z für eine weitere Annotation an einen menschlichen Überprüfer Expert gesendet wird. Dabei wird in der Regel eine andere Person ausgewählt, es kann aber auch die gleiche Person zu einer anderen Tageszeit ausgewählt werden.
  • Ergeben sich bei einer Mehrfachüberprüfung widersprüchliche Annotationen, bietet das System IF-Anom mehrere Vorgehensweisen umfassend:
    • Es wird eine dritte Annotation angefordert. Ergibt sich dann eine Mehrheit, kann die Annotation an das erste Modul IF-Anom Core gesendet werden oder auch zusätzlich einer der nächsten Schritte durchgeführt werden.
  • Widersprüchlich Annotationen werden gesammelt und in der Monitoring Applikation angezeigt. Dort kann eine finale Entscheidung bezüglich der Annotation angegeben werden, zum Beispiel nachdem fragliche Zustände Z in einer Team-Runde besprochen wurden. Die finale Annotation wird dann an das erste Modul IF-Anom Core zur Erweiterung des Trainingsdatensatzes gegeben.
  • Es kann ein Ansatz verwendet werden, der durch die Technik Label-Smoothing inspiriert ist. Dabei wird einem Zustand Z nicht eine Annotation zu 100% zugewiesen, sondern ein Zustand Z kann mehrere, auch widersprüchliche, Annotationen bekommen, wobei jede Annotation gewichtet wird, das heißt ein Zustand ist beispielsweise zu 80% nicht in Ordnung und zu 20% in Ordnung. Dieses Gewicht kann von dem System IF-Anom basierend auf seiner Einschätzung der Annotations-Qualität vergeben werden. Die gewichteten Annotationen werden dann an das erste Modul IF-Anom Core zur Erweiterung des Trainingsdatensatzes geschickt.
  • Zur Veranschaulichung wird nun eine mögliche Verwendung des Systems IF-Anom als Ausführungsbeispiel beschrieben, beschränkt auf die wesentlichen Aspekte.
  • Der einwandfreie Zustand Z eines fertigen Getriebes wird im Rahmen einer End Of Line Prüfung EOL festgestellt. Diese Prüfung beinhaltet eine Funktions- und Akustikprüfung. Im Rahmen der Akustikprüfung wird in verschiedenen Gängen eine Drehzahlrampe gefahren und währenddessen wird der entstehende Körperschall am Getriebegehäuse gemessen.
  • Die etablierte Beurteilung des Getriebezustandes geschieht dann auf folgende Weise.
  • Zunächst wird das Zeitsignal mittels einer Fast-Fourier Transformation in ein Sonagramm umgewandelt. Innerhalb dieses Sonagramms können Bereiche bestimmten Getriebebauteilen zugeordnet und mit Grenzwerten versehen werden, die nicht überschritten werden dürfen. Basierend auf diesen Bereichen, sogenannten Merkmalen, und den zugehörigen Grenzwerten wird der Zustand Z eines Getriebes als In-Ordnung (IO) festgestellt, wenn kein Grenzwert überschritten wird, und als Nicht-in-Ordnung (NIO), wenn mindestens ein Grenzwert überschritten wird.
  • Die Festlegung der Merkmale und der zugehörigen Grenzen ist ein komplexer Prozess, der zum einen aus dem Aufbau des Getriebes resultiert und zum anderen aus Erfahrungen während des Einsatzes. Daraus resultiert, dass es immer auch auffällige Getriebe gibt, die nicht erkannt werden. Aus diesem Grund wird die etablierte Getriebe-Akustikprüfung durch eine Anomalieerkennung mittels des erfindungsgemäßen Systems IF-Anom erweitert.
  • Die Datengrundlage des Systems IF-Anom besteht hierbei in den Zeitsignalen, die während der Akustikprüfung aufgezeichnet werden und weiteren Meta-Information umfassend die Variante des Getriebes, die ID der prüfenden Teststation, die ID der Produktionslinie, sowie das Ergebnis der etablierten Prüfung NIO oder IO. Die Gesamtheit dieser Daten definiert dann auch den Zustand Z eines Getriebes, das heißt der Zustand Z eines Getriebes im Sinne des Systems IF-Anom wird definiert durch das Akustiksignal aus der EOL-Prüfung, das Ergebnis der EOL-Prüfung NIO/IO, die Getriebe-Variante, die prüfende Teststation und die Produktionslinie.
  • Als Trainingsdaten Data1 stehen in diesem Fall die historischen Akustikprüfdaten verschiedener Getriebevarianten, Teststationen und Produktionslinien zur Verfügung, zudem die Annotation in IO und NIO gemäß des oben beschriebenen etablierten Prüfverfahrens. Der Trainingsdatensatz Data1 für referenz-basierte Modelle kann damit insofern optimiert werden, dass die bekannten NIO bereits entfernt werden.
  • Die vorhandenen Annotationen können zusätzlich zum Trainieren von annotationsbasierten Modellen verwendet werden. Diese werden dann jedoch nur auf IO Fällen angewendet, um unerkannte NIO zu finden.
  • Als weitere Datenquelle zur Überprüfung der Anomalieerkennung werden Beanstandungen aus dem Betrieb der Getriebe als Data4 herangezogen. Es wird überprüft, inwiefern die in den historischen Daten erkannten Anomalien mit Beanstandungen im Feld zusammenhängen.
  • Eine Trennung der vorhandenen Daten in Trainings-, Validierungs- und Testdaten wird hier als Standardvorgehen vorausgesetzt und daher nicht im Detail erwähnt.
  • Die Datenvorverarbeitung umfasst in diesem Fall eine Transformation des akustischen Zeitsignals in den Frequenzraum mittels Fouriertransformation oder Wavelet-Transformation. Ferner können Normierungsschritte, beispielsweise auf die Drehzahl, hinzukommen.
  • Mit den initial vorhandenen Daten werden die im Folgenden beschriebenen Anomalieerkennungsmodelle trainiert.
  • Ein Modell, das auf der statistischen Erfassung der Verteilung der Trainingsdaten beruht und zur Anomalieerkennung die Abweichung vom statistisch beobachteten Normalzustand berechnet. Dieses Modell fällt damit in die Kategorie der referenz-basierten Modelle.
  • Ein Modell, das zur Abbildung der in den Trainingsdaten üblicherweise beobachteten Zustände Z einen Autoencoder verwendet. Ein Autoencoder ist ein Modell mit einer zweigeteilten neuronalen Netzwerk Architektur. Ein Teil des Modells lernt eine niedrig dimensionale Repräsentation eines Zustandes, beispielsweise ein Sonagramm zu erzeugen, und der zweite Teil des Modells lernt aus dieser den Ursprungszustand wiederherzustellen. Der Fehler, der dabei gemacht wird, ist für selten vorkommende Zustände größer als für die Mehrheit der vorkommenden Zustände Z. Dadurch kann dieses Modell zu Anomalieerkennung eingesetzt werden. Der Anomaliescore AS1 ergibt sich dann aus der Differenz zwischen dem ursprünglichen Sonagramm und dem durch das Modell errechneten wiederhergestellten Sonagramm. Auch dieses Modell ist ein referenz-basiertes Modell.
  • Nutzen der vorhandenen Annotationen IO und NIO. Dabei kann beispielsweise ein Faltungsnetzwerk darauf trainiert werden, IO und NIO Zustände zu unterscheiden. Um anschließend unbekannte Anomalien zu erkennen, kann das trainierte Modell ausschließlich für Zustände Z, die vom etablierten Verfahren als IO klassifiziert wurden, verwendet werden. Das Modell sucht dann in den IO Zuständen nach Mustern, die eigentlich zu NIO Fällen gehören. Als Anomaliescore AS2 dient dann die vom Modell errechnete Wahrscheinlichkeit, dass der fragliche Zustand zur NIO Klasse gehört. Dieses Modell kann in die Klasse der annotations-basierten Modelle eingeordnet werden.
  • Das Training der beschriebenen Modelle wird auf der Ebene Getriebevarianten und Produktionslinien durchgeführt. Pro Getriebevariante und Produktionslinie existiert jeweils eine Version der Modelle. Diese Einschränkung wird jeweils in der zugehörigen Konfiguration Konfig-Model festgehalten, sodass im späteren Einsatz immer das zu einem fraglichen Getriebe gehörige Modell geladen wird.
  • Da im hier beschriebenen Anwendungsfall keine echten Testanomalien vorhanden sind, wird die Genauigkeit der entwickelten Modelle auf zwei Arten getestet. Als Schnelltest wird die Genauigkeit berechnet, mit der ein Modell die bekannten NIO eines Testdatensatzes gefunden hätte. Ergibt sich dabei ein vielversprechender Wert, werden für eine Analyse der Genauigkeit, mit der unbekannte Anomalien erkannt werden, Annotationsanfragen an einen menschlichen Überprüfer Expert gesendet.
  • Das Modell für das Vereinigermodul Modul5 wird hier einfach gehalten. Wenn ein annotations-basiertes Modell keine Anomalie erkennt, wird die Einschätzung des referenz-basierten Modells verwendet, das heißt in diesem Fall wird kein zusätzliches Modelltraining für das Vereinigermodul Modul5 benötigt.
  • Die Grenzwerte, nach denen entschieden wird, ob ein Anomaliescore zu einer Klassifikation als anormal führt, werden in diesem Fall sehr eng gesetzt, aus den folgenden Gründen:
    • Das System IF-Anom wird in dieser Anwendung nur als zusätzliches Sicherheitsnetz genutzt.
  • Da in der Vergangenheit keine Anomalieerkennung durchgeführt wurde, ist jede gefundene Anomalie ein Erfolg, eine nicht erkannte Anomalie entspricht nur dem bisher gelebten Vorgang.
  • Die Überprüfung der potenziellen Anomalien ist aufwändig, weswegen es vorteilhaft ist, sich auf die sehr anormalen Zustände Z zu konzentrieren.
  • Während des Einsatzes des Systems IF-Anom werden für jedes EOL-geprüfte Getriebe die zu seinem Zustand Z gehörigen Daten an das zweite Modul IF-Anom Anomalieerkenner gesendet. Von den beschriebenen Modellen wird beispielsweise das statistische Modell als Referenz-basiertes Modell verwendet und zusätzlich das beschriebene Annotations-basierte Modell. Die endgültige Anomalievorhersage wird dann an das dritte Modul IF-Anom Annotationsmanager gesendet und, falls eine Anomalie erkannt wird, immer, da die Grenzwerte entsprechend hoch eingestellt sind, weiter zum menschlichen Überprüfer Expert. Ein als nicht anormal klassifiziertes Getriebe wird mit einer gewissen Wahrscheinlichkeit zum Überprüfen Expert gesendet. Die Wahrscheinlichkeit ist abhängig vom Abstand zu dem gesetzten Anomaliescore-Grenzwert. Zur Unterstützung der Überprüfungen kann eine Erklärbarkeitsausgabe mit Hilfe der eingesetzten Modelle erzeugt werden. Diese macht es für den Überprüfer Expert transparent, welche Bereiche des Sonagramms für die Entscheidung normal/anormal relevant waren.
  • Ein tatsächlich anormales Getriebe wird dann aussortiert und in einem Nacharbeitsverfahren repariert.
  • Im laufenden Betrieb des Systems IF-Anom werden zwei Genauigkeiten manuell überwacht, die sich aus den, durch IF-Anom angeforderten, manuell annotierten Zuständen Z berechnen lassen. Das ist zum einen die Rate an Falsch-Positiven bezogen auf die als anormal klassifizierten Zuständen Z, zum anderen die Rate an Anomalien, also Falsch-Negativen, unter den als normal klassifizierten Zuständen Z. Zeigt sich ein Anstieg der Falsch-Positiv-Rate und/oder der Falsch-Negative-Rate, kann entweder über eine Änderung der eingestellten Grenzwerte oder über ein Nachtrainieren der Modelle, vorzugsweise auf neueren Daten gegengesteuert werden.
  • 9 zeigt schematisch das erfindungsgemäße computerimplementierte Verfahren zum Erhalten eines Analysemodells für Anomalieerkennung in einem industriellen Fertigungsprozess IF. In einem Verfahrensschritt C1 werden Daten Data1, Data2, Data3, Data4 von Zuständen Z beispielsweise einer Produktionsmaschine PM, P in beispielsweise einem zu überwachenden Prozessschritt PS erhalten. Aus den Daten wird in einem Verfahrensschritt C2 eine Zustandsdefinition bestimmt. In einem Verfahrensschritt C3 werden die Daten und die Zustandsdefinition in einem ersten Datenspeicher Mem1 gespeichert. In einem Verfahrensschritt C4 wird ein Analysemodell zur Anomalieerkennung in Form einer künstlichen Intelligenz KI, beispielsweise einem künstlichen neuronalen Netzwerk, trainiert auf den Daten Data1, Data2, Data3, Data4. Das Analysemodell lernt datengetrieben die Zustände Z, die selten sind und/oder von anderen Zuständen Z abweichen, als Anomalien zu klassifizieren. In einem Verfahrensschritt C5 wird das trainierte Analysemodell bewertet mittels einer Annotation der gefundenen Anomalien durch die Überprüfungsinstanz Expert. Die Daten Data1, Data2, Data3, Data4 werden in einem Verfahrensschritt C6 mit den Annotationen erweitert und gespeichert. In einem Verfahrensschritt C7 wird das trainierte Analysemodell und dessen Bewertung gespeichert.
  • Beispielsweise ist das erste Modul IF-Anom Core ein Softwaremodul, ein Hardwaremodul oder eine Kombination aus Software- und Hardwaremodul. Das erste Modul IF-Anom Core führt beispielsweise die Verfahrensschritte C1-C7 aus.
  • 10 zeigt schematisch das erfindungsgemäße computerimplementierte Verfahren zum Bestimmen wenigstens eines Anomaliewertes AS1, AS2, AS3 in einem industriellen Fertigungsprozess IF. In einem Verfahrensschritt E1 werden sensoriell gemessenen Daten von Zuständen Z beispielsweise der Produktionsmaschine PM in dem zu überwachenden Prozessschritt PS erhalten. In einem Verfahrensschritt E2 wird beispielsweise ein Referenz-basiertes Analysemodell Ref-Anomalie erhalten, das beispielsweise auf historischen Daten der Daten trainiert wurde zur Anomalieerkennung. Die Daten werden in das Analysemodell Ref-Anomalie eingegeben. In einem Verfahrensschritt E3 erhält das Analysemodell Ref-Anomalie den Anomaliewert AS1, AS2, AS3. In einem Verfahrensschritt E4 wird der Anomaliewertes AS1, AS2, AA3 an die Überprüfungsinstanz Expert zur weiteren Überprüfung bereitgestellt.
  • Beispielsweise ist das zweite Modul IF-Anom Anomalieerkenner ein Softwaremodul, ein Hardwaremodul oder eine Kombination aus Software- und Hardwaremodul. Das zweite Modul IF-Anom Anomalieerkenner führt beispielsweise die Verfahrensschritte E 1-E4 aus.
  • 11 zeigt schematisch das erfindungsgemäße computerimplementierte Verfahren zum Bereitstellen erkannten Anomalien an die Überprüfungsinstanz Expert. In einem Verfahrensschritt M1 wird ein Anomaliewert AS1, AS2, AS3 erhalten. Falls der erhaltene Anomaliewert AS1, AS2, AS3 einen anormalen Zustand klassifiziert mit hoher Genauigkeit, wird in einem Verfahrensschritt M2 der Zustand als Anomalie gemeldet ohne weitere Überprüfung. Falls der erhaltene Anomaliewert AS1, AS2, AS3 einen anormalen Zustand klassifiziert, der weiter überprüft werden soll, wird in einem Verfahrensschritt M3 eine Ähnlichkeit zu einem bereits als Anomalie erkanntem Zustand bestimmt. Im Falle hoher Ähnlichkeit wird in einem Verfahrensschritt M4 die Annotation des bereits früher erkannten und annotierten Zustandes übernommen. Wenn der bereits früher erkannte Zustand ein Falsch-positiv war, wird natürlich auch diese Annotation übernommen. Andernfalls wird in einem Verfahrensschritt M5 der Zustand an die Überprüfungsinstanz Expert bereitgestellt. Ferner wird der Zustand entsprechend annotiert von der Überprüfungsinstanz Expert.
  • Auch als normal klassifizierte Zustände können gelegentlich an die Überprüfungsinstanz gemeldet werden zum Zwecke der statistischen Kontrolle der Anomalieerkennungsalgorithmen und/oder zur Gewährleistung der Aufmerksamkeit der Überprüfungsinstanz.
  • Beispielsweise ist das dritte Modul IF-Anom Annotationsmanager ein Softwaremodul oder eine Kombination aus Software- und Hardwaremodul. Das dritte Modul IF-Anom Annotationsmanager führt beispielsweise die Verfahrensschritte M1-M5 aus.
  • 12 zeigt schematisch das erfindungsgemäße computerimplementierte Verfahren zum Kontrollieren von Anomalien NOK. In einem Verfahrensschritt A1 wird datenbasierte ein Zustandes Z beispielsweise des zu überwachenden Prozessschrittes PS definiert. In einem Verfahrensschritt A2 werden die Daten gespeichert und verarbeitet. In einem Verfahrensschritt A3 wird ein Analysemodells zur Anomalieerkennung basierend auf zumindest historischen Daten trainiert, beispielsweise mittels des ersten Modul IF-Anom Core. In einem Verfahrensschritt A4 wird die Überprüfungsinstanz integriert zur Kontrolle von erkannten Anomalien und zum Generieren von Annotationen zur Erweiterung des Datenbestandes, beispielsweise mittels des dritten Moduls IF-Anom Anomalieerkenner. In einem Verfahrensschritt A5 werden die Anomalien erkannt, beispielsweise mittels des zweiten Moduls IF-Anom Anomalieerkenner. In einem Verfahrensschritt A6 wird der überwachte Prozessschritt PS kontrolliert bei erkannter Anomalie. Beispielsweise wird der überwachte Prozessschritt PS basierend auf der erkannten Anomalie näher begutachtet, um zu entscheiden, ob und/oder wann eine Wartung oder Reparatur durchgeführt werden muss. Ein Bauteil, das während oder nach dem Auftreten einer Anomalie verarbeitet wurde, kann beispielsweise aussortiert und/oder gesondert begutachtet werden.
  • Das Verfahren wird beispielsweise von dem erfindungsgemäßen System IF-Anom zum Kontrollieren von Anomalien NOK in industriellen Fertigungsprozessen IF durchgeführt.
  • Bezugszeichenliste
    • IF
    industrieller Fertigungsprozess
    PS1-PS3
    Produktionsschritte
    PS
    Produktionsschritt
    PM
    Produktionsmaschine
    P
    Prüfstation
    EOL
    End Of Line Prüfung
    IF-Anom
    System zur industriellen Anomalieerkennung
    IF-Anom Core
    erstes Modul
    IF-Anom Anomalieerkenner
    zweites Modul
    IF-Anom
    Annotationsmanager drittes Modul
    IF-Anom Daten
    viertes Modul
    NOK
    Anomalie
    Expert
    Überwacher
    Data1
    erste Daten
    Data2
    zweite Daten
    Data3
    dritte Daten
    Data4
    vierte Daten
    Data5
    fünfte Daten
    Data
    Datenverarbeitungsmodul
    Modul1
    Überwachungsmodul
    Modul2
    Trainingsmodul
    Modul3
    Kontrollmodul
    Modul4
    Dateneingabe-/Steuermodul
    Modul 5
    Vereinigermodul
    Ref
    Training Referenz-basierte Modelle
    Ref-Anomalie
    Referenz-basierte Anomalieerkennung
    Anno
    Training Annotations-basierte Modelle
    Anno-Anomalie
    Annotations-basierte Anomalieerkennung
    AS1
    erster Anomaliescore
    AS2
    zweiter Anomaliescore
    AS3
    dritter Anomaliescore
    Meta
    Training Metamodell
    Mem 1
    erster Datenspeicher
    Mem2
    zweiter Datenspeicher
    Z
    Zustand
    Konfig-Model
    Konfiguration trainierter Modelle
    C1-C7
    Verfahrensschritte
    E 1-E4
    Verfahrensschritte
    M1-M5
    Verfahrensschritte
    A1-A6
    Verfahrensschritte
    KI
    Künstliche Intelligenz

Claims (23)

  1. Computerimplementiertes Verfahren zum Erhalten eines Analysemodells für Anomalieerkennung in einem industriellen Fertigungsprozess (IF) umfassend die Schritte • Erhalten von Daten (Data1, Data2, Data3, Data4) von Zuständen (Z) eines Prozesses, eines Bauteils und/oder einer Produktionsmaschine (PM, P) in wenigstens einem zu überwachenden Prozessschritt (PS, PS1, PS2, PS3) des industriellen Fertigungsprozesses (IF) zu einem vorgegebenen Zeitpunkt oder in einem vorgegebenen Zeitintervall, aus gleichartigen Prozessschritten und/oder aus nachgelagerten Prozessen umfassend sensoriell gemessene Daten und/oder aus Simulieren des Prozesses erhaltene Daten (C1); • Bestimmen einer Zustandsdefinition basierend auf den Daten (Data1, Data2, Data3, Data4) (C2); • Speichern der Daten und der Zustandsdefinition (C3); • Trainieren wenigstens eines Analysemodells zur Anomalieerkennung, wobei die Daten (Data1, Data2, Data3, Data4) in das Analysemodell gespeist werden und das Analysemodell basierend auf der Zustandsdefinition eine Verteilung der Zustände (Z) bestimmt und basierend auf der Verteilung die Zustände (Z), die basierend auf den Daten (Data1, Data2, Data3, Data4) selten sind und/oder von anderen Zuständen (Z) abweichen, als Anomalien klassifiziert (C4); • Bewerten des trainierten Analysemodells, wobei eine Überprüfungsinstanz (Expert) Wahr-Positive-Ergebnisse und/oder Falsch-Positive-Ergebnisse unter den klassifizierten Anomalien (NOK) annotiert (C5); • Erweitern der Daten (Data1, Data2, Data3, Data4) mit den Annotationen und Speichern der erweiterten Daten (C6); • Speichern des trainierten Analysemodells und dessen Bewertung (C7).
  2. Verfahren nach Anspruch 1, wobei während des Trainierens Annotationsanfragen an die Überprüfungsinstanz (Expert) gesendet werden und die Daten (Data1, Data2, Data3, Data4) mit von der Überprüfungsinstanz (Expert) erhaltenen Annotationen erweitert werden.
  3. Verfahren nach einem der vorangehenden Ansprüche, wobei zur Anomalieerkennung • die Verteilung von Normalzuständen als Referenz bestimmt wird (Ref) und/oder • Muster in den Daten (Data1, Data2, Data3, Data4) bestimmt werden (Anno) basierend auf historischen Daten, die durch entsprechende Annotationen wenigstens in die Klassen normal und anormal klassifiziert sind.
  4. Verfahren nach einem der vorangehenden Ansprüche, wobei eine Genauigkeit des trainierten Analysemodells erhöht wird, in dem historische Daten, die initial in das Analysemodell gespeist wurden, von in der Vergangenheit nicht erkannten Anomalien bereinigt werden.
  5. Verfahren nach einem der vorangehenden Ansprüche, wobei das Trainieren überwacht wird und/oder eine Freigabe von weiteren Analysemodellen basierend auf einer erzielten Genauigkeit erfolgt.
  6. Verfahren nach einem der vorangehenden Ansprüche, wobei die Schritte des Verfahrens nach einem der vorangehenden Ansprüche iterativ durchgeführt werden und Analysemodelle neu- und/oder nachtrainiert werden.
  7. Erstes Modul (IF-Anom Core) zum Erhalten eines Analysemodells für Anomalieerkennung in einem industriellen Fertigungsprozess (IF) umfassend • ein Datenverarbeitungsmodul (Data), ausgeführt, Daten (Data1, Data2, Data3, Data4) von Zuständen (Z) eines Prozesses, eines Bauteils und/oder einer Produktionsmaschine (PM, P) in wenigstens einem zu überwachenden Prozessschritt (PS, PS1, PS2, PS3) des industriellen Fertigungsprozesses (IF) zu einem bestimmten Zeitpunkt oder in einem bestimmten Zeitintervall, aus gleichartigen Prozessschritten und/oder aus nachgelagerten Prozessen zu erhalten, umfassend sensoriell gemessene Daten und/oder aus Simulieren des Prozesses erhaltene Daten; • einen ersten Datenspeicher (Mem1), der die Daten (Data1, Data2, Data3, Data4) und basierend auf den Daten (Data1, Data2, Data3, Data4) eine Zustandsdefinition und Datenerweiterungen in Form von Annotationen einer Überprüfungsinstanz (Expert) speichert; • ein Trainingsmodul (Modul2), das wenigstens ein Analysemodell (Ref, Anno) zur Anomalieerkennung trainiert, wobei das Analysemodell (Ref, Anno) basierend auf der Zustandsdefinition eine Verteilung der Zustände (Z) bestimmt und basierend auf der Verteilung die Zustände (Z), die basierend auf den Daten (Data1, Data2, Data3, Data4) selten sind und/oder von anderen Zuständen (Z) abweichen, als Anomalien klassifiziert; • eine Schnittstelle zu der Überprüfungsinstanz (Expert), um die Annotationen von Wahr-Positiven-Ergebnissen und/oder Falsch-Positive-Ergebnissen unter den klassifizierten Anomalien zu erhalten; • einen zweiten Datenspeicher (Mem2), der das trainierte Analysemodells (Ref, Anno) und eine Bewertung des Analysemodells (Ref, Anno) basierend auf einem Testdatensatz oder auf einer Bewertung durch die Überprüfungsinstanz (Expert) speichert.
  8. Erstes Modul (IF-Anom Core) nach Anspruch 7, umfassend • ein Überwachungsmodul (Modul1) zur Erhöhung einer Genauigkeit des trainierten Analysemodells (Ref, Anno), in dem historische Daten (Data1), die das Trainingsmodul (Modul2) initial in das Analysemodell (Ref, Anno) gespeist hat, von in der Vergangenheit nicht erkannten Anomalien bereinigt werden, und/oder • ein Kontrollmodul (Modul3) zum Überwachen des Trainings und/oder zum Freigeben von weiteren Analysemodellen (Meta) basierend auf einer erzielten Genauigkeit.
  9. Computerimplementiertes Verfahren zum Bestimmen wenigstens eines Anomaliewertes (AS1, AS2, AS3) in einem industriellen Fertigungsprozess (IF) umfassend die Schritte • Erhalten von sensoriell gemessenen Daten von Zuständen (Z) eines Prozesses, eines Bauteils und/oder einer Produktionsmaschine (P, PM) in wenigstens einem zu überwachenden Prozessschritt (PS, PS1, PS2, PS3) des industriellen Fertigungsprozesses (IF) (E1); • Erhalten wenigstens eines Analysemodells (Ref-Anomalie, Anno-Anomalie), das auf historischen Daten der Daten, auf Daten aus gleichartigen Prozessschritten und/oder auf Daten aus nachgelagerten Prozessen, umfassend sensoriell gemessene Daten und/oder aus Simulieren des Prozesses erhaltene Daten, trainiert wurde zur Anomalieerkennung und Eingeben der Daten in das wenigstens eine Analysemodell (Ref-Anomalie, Anno-Anomalie) (E2); • Erhalten des wenigstens eines Anomaliewertes (AS1, AS2, AS3) als Ausgabe des wenigstens einen Analysemodells (Ref-Anomalie, Anno-Anomalie) (E3); • Bereitstellen des wenigstens einen Anomaliewertes (AS1, AS2, AA3) an eine Überprüfungsinstanz (Expert) zur Überprüfung des wenigstens einen Anomaliewertes (AS1, AS2, AS3) (E4).
  10. Verfahren nach Anspruch 9, wobei das Analysemodell (Ref-Anomalie, Anno-Anomalie) nach dem Verfahren nach einem der Ansprüche 1 bis 6 oder mittels eines ersten Moduls (IF-Anom Core) nach einem der Ansprüche 7 oder 8 erhalten wurde und der von der Überprüfungsinstanz (Expert) überprüfte Anomaliewert (AS1, AS2, AS3) in ein Training des Analysemodells (Re, Anno)) einfließt.
  11. Verfahren nach Anspruch 9 oder 10, wobei für den Fall, dass ein Referenz-basiertes Analysemodell (Ref-Anomalie), das die Verteilung von Normalzuständen als Referenz bestimmt, und ein Annotation-basiertes Analysemodell (Anno-Anomalie), das Muster in den Daten bestimmt basierend auf historischen Daten, die durch entsprechende Annotationen wenigstens in die Klassen normal und anormal klassifiziert sind, bereit stehen, • ein von dem Annotation-basierten Analysemodell (Anno-Anomalie) erhaltener Anomaliewert (AS2), der größer als ein vorgegebener Grenzwert ist, der Überprüfungsinstanz (Expert) bereitgestellt wird; • für den Fall, dass das Annotation-basierte Analysemodell (Anno-Anomalie) keinen Anomaliewert (AS2) größer als ein vorgegebener Grenzwert erhält oder einen fraglichen Zustand (Z) als normalen Zustand (Z) klassifiziert, o ein von dem Referenz-basierten Analysemodell (Ref-Anomalie) erhaltener Anomaliewert (AS1) der Überprüfungsinstanz (Expert) bereitgestellt wird oder o der von dem Annotation-basierten Analysemodell (Anno-Anomalie) erhaltenen Anomaliewert (AS2) und der von dem Referenz-basierten Analysemodell (Ref-Anomalie) erhaltene Anomaliewert (AS1) kombiniert werden und der kombinierte Anomaliewert (AS3) der Überprüfungsinstanz (Expert) bereitgestellt wird.
  12. Zweites Modul (IF-Anom Anomalieerkenner) zum Bestimmen wenigstens eines Anomaliewertes (AS1, AS2, AS3) in einem industriellen Fertigungsprozess (IF) umfassend • ein Dateneingabe-/Steuermodul (Modul4), ausgeführt, o sensoriell gemessenen Daten von Zuständen (Z) eines Prozesses, eines Bauteils und/oder einer Produktionsmaschine (P, PM) in wenigstens einem zu überwachenden Prozessschritt (PS, PS1, PS2, PS3) des industriellen Fertigungsprozesses (IF) und o wenigstens eines Analysemodells (Ref-Anomalie, Anno-Anomalie), das auf historischen Daten der Daten, auf Daten aus gleichartigen Prozessschritten und/oder auf Daten aus nachgelagerten Prozessen, umfassend sensoriell gemessene Daten und/oder aus Simulieren des Prozesses erhaltene Daten, trainiert wurde zur Anomalieerkennung zu erhalten; o die Daten in das wenigstens eine Analysemodell (Ref-Anomalie, Anno-Anomalie) einzugeben und wenigstens einen Anomaliewert (AS1, AS2, AS3) zu erhalten; • eine Schnittstelle zu einer Überprüfungsinstanz (Expert) zum Bereitstellen des wenigstens einen Anomaliewertes (AS1, AS2, AS3) an die Überprüfungsinstanz (Expert) zur Überprüfung des wenigstens einen Anomaliewertes (AS1, AS2, AS3).
  13. Zweites Modul (IF-Anom Anomalieerkenner) nach Anspruch 12 umfassend ein Vereinigermodul (Modul5) zum Kombinieren eines von einem Annotation-basierten Analysemodell (Anno-Anomalie) erhaltenen Anomaliewertes (AS2) und eines von dem Referenz-basierten Analysemodell (Ref-Anomalie) erhaltenen Anomaliewertes (AS1).
  14. Zweites Modul (IF-Anom Anomalieerkenner) nach Anspruch 12 oder 13, ausgeführt, Anomaliewerte (AS1, AS2, AS3) gemäß des Verfahrens nach einem der Ansprüche 9 bis 11 zu bestimmen.
  15. Computerimplementiertes Verfahren zum Bereitstellen von in einem industriellen Fertigungsprozess (IF) erkannten Anomalien an eine Überprüfungsinstanz (Expert) umfassend die Schritte • Erhalten wenigstens eines Anomaliewertes (AS1, AS2, AS3) (M1); • falls der erhaltene Anomaliewert (AS1, AS2, AS3) einen anormalen Zustand klassifiziert: o falls der erhaltene Anomaliewert (AS1, AS2, AS3) einen anormalen Zustand (Z) klassifiziert mit hoher Genauigkeit, Melden des Zustands (Z) als Anomalie (NOK) ohne weitere Überprüfung (M2);oder falls der erhaltene Anomaliewert (AS1, AS2, AS3) einen anormalen Zustand (Z) klassifiziert Bereitstellen des Anomaliewertes (AS1, AS2, AS3) an eine Überprüfungsinstanz (Expert); o Berechnung der Ähnlichkeit zwischen dem fraglichen anormalen Zustand und bereits früher als anormal klassifizierten und durch die Überprüfungsinstanz (Expert) annotierten Zuständen mittels einer gegebenen Metrik und bei hinreichender Gleichheit Übernahme der Annotation des bereits klassifizierten Zustandes ohne weitere Überprüfung; • falls der erhaltene Anomaliewert einen normalen Zustand klassifiziert: o in einem Teil der Fälle keine Meldung; o in einem anderen Teil der Fälle trotzdem Meldung an die Überprüfungsinstanz, zum Zwecke der statistischen Kontrolle der Anomalieerkennungsalgorithmen und/oder zur Gewährleistung der Aufmerksamkeit der Überprüfungsinstanz.
  16. Verfahren nach Anspruch 15, wobei das Annotieren des Zustandes (Z) in Abhängigkeit • einer Einschätzung der Genauigkeit der Annotation durch einen menschlichen Überprüfer (Expert) und/oder • von Metadaten umfassend Identität des menschlichen Überprüfers, Qualität der von diesem Überprüfer bereits getätigten Annotationen, Tageszeit, Wochentag und/oder Grad der Anomalität erfolgt.
  17. Verfahren nach Anspruch 15 oder 16, wobei Annotationsanfragen zu Zuständen (Z) an die Überprüfungsinstanz (Expert) gesendet werden und Daten von den Zuständen (Z) mit von der Überprüfungsinstanz (Expert) erhaltenen Annotationen erweitert werden.
  18. Verfahren nach einem der Ansprüche 15 oder 17, wobei ein Zustand (Z), der bereits einer Überprüfungsinstanz (Expert) bereitgestellt wurde, zu einer anderen Zeit derselben Überprüfungsinstanz (Expert) nochmals bereitgestellt wird und/oder weiteren Überprüfungsinstanzen (Expert) bereitgestellt wird und die Annotationen verglichen und/oder bewertet werden.
  19. Verfahren nach einem der Ansprüche 15 bis 18, wobei der Anomaliewert (AS1, As2, AS3) nach dem Verfahren nach einem der Ansprüche 9 bis 11 oder mittels des zweiten Moduls (IF-Anom Anomalieerkenner) nach einem der Ansprüche 12 bis 14 erhalten wird.
  20. Drittes Modul (IF-Anom Annotationsmanager) zum Bereitstellen von in einem industriellen Fertigungsprozess (IF) erkannten Anomalien an eine Überprüfungsinstanz (Expert), ausgeführt, das Verfahren nach einem der Ansprüche 15 bis 19 durchzuführen.
  21. Computerimplementiertes Verfahren zum Kontrollieren von Anomalien (NOK) in industriellen Fertigungsprozessen (IF) umfassend die Schritte • datenbasierte Definition eines Zustandes (Z) eines zu überwachenden Prozessschrittes (PS, PS1, PS2, PS3) des industriellen Fertigungsprozesses (IF) oder eines Systems (A1); • Speichern und Verarbeiten von Daten, die gemäß der datenbasierten Zustandsdefinition sensoriell gemessen und/oder aus Simulationen erhalten werden (A2); • Trainieren eines Analysemodells (Ref, Anno) zur Anomalieerkennung basierend auf zumindest historischen Daten (A3); • Integrieren einer Überprüfungsinstanz (Expert) zur Kontrolle von erkannten Anomalien und zum Generieren von Annotationen zur Erweiterung des Datenbestandes (A4); • Erkennen von Anomalien (A5); • Kontrollieren des überwachten Prozessschrittes (PS, PS1, PS2, PS3) oder Systems bei erkannter Anomalie (A6).
  22. Verfahren nach Anspruch 21, wobei das Analysemodell (Ref, Anno) nach dem Verfahren nach einem der Ansprüche 1 bis 6 trainiert wird, eine Anomalie nach dem Verfahren nach einem der Ansprüche 9 bis 11 erkannt wird und/oder die Überprüfungsinstanz (Expert) nach dem Verfahren nach einem der Ansprüche 15 bis 19 integriert wird.
  23. System (IF-Anom) zum Kontrollieren von Anomalien (NOK) in industriellen Fertigungsprozessen (IF) umfassend ein erstes Modul (IF-Anom Core) nach Anspruch 7 oder 8, ein zweites Modul (IF-Anom Anomalieerkenner) nach einem der Ansprüche 12 bis 14 und ein drittes Modul (IF-Anom Annotationsmanager) nach Anspruch 20, wobei das System ausgeführt ist, das Verfahren nach Anspruch 21 oder 22 auszuführen.
DE102021210107.0A 2021-09-14 2021-09-14 Computerimplementierte Verfahren, Module und System zur Anomalieerkennung in industriellen Fertigungsprozessen Pending DE102021210107A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE102021210107.0A DE102021210107A1 (de) 2021-09-14 2021-09-14 Computerimplementierte Verfahren, Module und System zur Anomalieerkennung in industriellen Fertigungsprozessen
PCT/EP2022/075214 WO2023041458A2 (de) 2021-09-14 2022-09-12 Computerimplementierte verfahren, module und system zur anomalieerkennung in industriellen fertigungsprozessen

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102021210107.0A DE102021210107A1 (de) 2021-09-14 2021-09-14 Computerimplementierte Verfahren, Module und System zur Anomalieerkennung in industriellen Fertigungsprozessen

Publications (1)

Publication Number Publication Date
DE102021210107A1 true DE102021210107A1 (de) 2023-03-16

Family

ID=83322495

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021210107.0A Pending DE102021210107A1 (de) 2021-09-14 2021-09-14 Computerimplementierte Verfahren, Module und System zur Anomalieerkennung in industriellen Fertigungsprozessen

Country Status (2)

Country Link
DE (1) DE102021210107A1 (de)
WO (1) WO2023041458A2 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022203475A1 (de) 2022-04-07 2023-10-12 Zf Friedrichshafen Ag System zum Erzeugen einer von einem Menschen wahrnehmbaren Erklärungsausgabe für eine von einem Anomalieerkennungsmodul vorhergesagte Anomalie auf hochfrequenten Sensordaten oder davon abgeleiteten Größen eines industriellen Fertigungsprozesses, Verfahren und Computerprogramm zur Überwachung einer auf künstlicher Intelligenz basierenden Anomalieerkennung in hochfrequenten Sensordaten oder davon abgeleiteten Größen eines industriellen Fertigungsprozesses und Verfahren und Computerprogramm zur Überwachung einer auf künstlicher Intelligenz basierenden Anomalieerkennung bei einer End-of-Line Akustikprüfung eines Getriebes

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116596336B (zh) * 2023-05-16 2023-10-31 合肥联宝信息技术有限公司 电子设备的状态评估方法、装置、电子设备及存储介质
CN117007135B (zh) * 2023-10-07 2023-12-12 东莞百舜机器人技术有限公司 一种基于物联网数据的液压风扇自动组装线监测系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10685159B2 (en) * 2018-06-27 2020-06-16 Intel Corporation Analog functional safety with anomaly detection
DE102019108268A1 (de) * 2019-03-29 2020-10-01 Festo Ag & Co. Kg Anomaliedetektion in einem pneumatischen System
DE102019110721A1 (de) * 2019-04-25 2020-10-29 Carl Zeiss Industrielle Messtechnik Gmbh Workflow zum trainieren eines klassifikators für die qualitätsprüfung in der messtechnik
US11448570B2 (en) * 2019-06-04 2022-09-20 Palo Alto Research Center Incorporated Method and system for unsupervised anomaly detection and accountability with majority voting for high-dimensional sensor data
DE112020004688T5 (de) * 2019-09-30 2022-06-15 Amazon Technologies, Inc. Debuggen und erstellen von profilen von maschinenlernmodelltraining
DE202019005395U1 (de) * 2019-12-20 2020-07-02 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Früherkennung und Reaktion auf Fehler in einer Maschine

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022203475A1 (de) 2022-04-07 2023-10-12 Zf Friedrichshafen Ag System zum Erzeugen einer von einem Menschen wahrnehmbaren Erklärungsausgabe für eine von einem Anomalieerkennungsmodul vorhergesagte Anomalie auf hochfrequenten Sensordaten oder davon abgeleiteten Größen eines industriellen Fertigungsprozesses, Verfahren und Computerprogramm zur Überwachung einer auf künstlicher Intelligenz basierenden Anomalieerkennung in hochfrequenten Sensordaten oder davon abgeleiteten Größen eines industriellen Fertigungsprozesses und Verfahren und Computerprogramm zur Überwachung einer auf künstlicher Intelligenz basierenden Anomalieerkennung bei einer End-of-Line Akustikprüfung eines Getriebes

Also Published As

Publication number Publication date
WO2023041458A3 (de) 2023-05-11
WO2023041458A2 (de) 2023-03-23

Similar Documents

Publication Publication Date Title
DE102021210107A1 (de) Computerimplementierte Verfahren, Module und System zur Anomalieerkennung in industriellen Fertigungsprozessen
DE102018128158A1 (de) Vorrichtung zur inspektion des erscheinungsbilds
DE102016011520B4 (de) Produktionsausrüstung mit Maschinenlernsystem und Montage-und Prüfeinheit
DE102010052998A1 (de) Software-zentrierte Methodik für die Überprüfung und Bestätigung von Fehlermodellen
DE102019217613A1 (de) Verfahren zur diagnose eines motorzustands und diagnostisches modellierungsverfahren dafür
EP3767403B1 (de) Machine-learning gestützte form- und oberflächenmessung zur produktionsüberwachung
EP3077878A1 (de) Computer-implementiertes verfahren und system zur automatischen überwachung und statusermittlung ganzer prozessabschnitte in einer process unit
DE102019001760A1 (de) Informationsverarbeitungsgerät, maschinelle lernvorrichtungund system
DE102011086352A1 (de) Verfahren und Diagnosesystem zur Unterstützung der geführten Fehlersuche in technischen Systemen
EP4258179A1 (de) System zum erzeugen einer von einem menschen wahrnehmbaren erklärungsausgabe für eine von einem anomalieerkennungsmodul vorhergesagte anomalie auf hochfrequenten sensordaten oder davon abgeleiteten grössen eines industriellen fertigungsprozesses, verfahren und computerprogramm zur überwachung einer auf künstlicher intelligenz basierenden anomalieerkennung in hochfrequenten sensordaten oder davon abgeleiteten grössen eines industriellen fertigungsprozesses und verfahren und computerprogramm zur überwachung einer auf künstlicher intelligenz basierenden anomalieerkennung bei einer end-of-line akustikprüfung eines getriebes
DE102008032885A1 (de) Verfahren und Vorrichtung zur Überprüfung und Feststellung von Zuständen eines Sensors
EP3014372B1 (de) Werkstatt-diagnosesystem
WO2023041459A1 (de) Computerimplementierte verfahren und system zur anomalieerkennung und verfahren zur anomalieerkennung in einer akustischen endprüfung eines getriebes
EP3340250B1 (de) Bauteilidentifikation bei der fehlerbehandlung von medizinischen geräten
WO2022195050A1 (de) Verfahren und system zur prädiktion des betriebs einer technischen anlage
WO2018177526A1 (de) Robustheitsanalyse bei fahrzeugen
EP3056994B1 (de) Vorrichtung und verfahren zur erfassung, überprüfung und speicherung von prozessdaten aus mindestens zwei prozessschritten
DE102020206327A1 (de) Verfahren und Vorrichtung zum Prüfen eines technischen Systems
DE102021109129A1 (de) Verfahren zum Testen eines Produkts
EP3686697A1 (de) Regleroptimierung für ein leitsystem einer technischen anlage
EP3553679A1 (de) Verfahren zur computergestützten fehlerdiagnose für ein technisches system
DE102018128640A1 (de) Vorrichtung zur Einschätzung einer Rauscherzeugungsursache
DE102020203045A1 (de) Verfahren und Vorrichtung zum Prüfen eines Klassifikators
DE102021109131A1 (de) Verfahren zum Testen eines Produkts
DE102021109128A1 (de) Verfahren zum Testen eines Produkts

Legal Events

Date Code Title Description
R163 Identified publications notified