DE10332202A1

DE10332202A1 - Bayesian network based expert system e.g. for diagnosis, risk analysis and functional restoring for vehicles, has each functional component having behavior variable, and control variables from variable mode

Info

Publication number: DE10332202A1
Application number: DE10332202A
Authority: DE
Inventors: Bernard Dr.-Ing. Bäker; Bernd Dipl.-Ing. Rehfus; Harald Dipl.-Math. Renninger
Original assignee: DaimlerChrysler AG
Current assignee: Mercedes Benz Group AG
Priority date: 2003-07-16
Filing date: 2003-07-16
Publication date: 2005-02-03

Abstract

The system has for each functional component a behavior variable, and control variables. In a first propagation mode, a change in status is shown for a variable of a junction tree on all variables. A diagnostic algorithm is specified for a condition allocation of the mode variables. In a following propagation the effect is fixed based on the conditions of the mode variables of the behavior variables computed and an evaluation algorithm. The possible conditions of the behavior variable have a function calculated as a re- establishment as defectively diagnosed functional component.

Description

Die Erfindung betrifft ein modellbasiertes Diagnosesystem, bei dem das zu diagnostizierende technische System in ein Wahrscheinlichkeitsnetz abgebildet wird. Das Wahrscheinlichkeitsnetz ist hierbei als Bayesnetz ausgebildet. In einer zugehörigen Wissensbasis ist entscheidungsrelevantes Wissen abgespeichert und kann von dem Expertensystem zur Entscheidungsfindung herangezogen werden. Der Einsatz von Bayesnetzbasierten Expertensystemen zum Zwecke der Diagnose ist derzeit Gegenstand intensiver Forschung und technischer Entwicklung. Die hier behandelte Erfindung erweitert die Bayesnetzbasierten Diagnosesysteme um eine Risikoanalyse und um die Möglichkeit der Funktionswiederherstellung von defekten Komponenten des technischen Gesamtsystems.The The invention relates to a model-based diagnostic system in which the to be diagnosed technical system mapped into a probability network becomes. The probability network is designed here as a Bayes network. In an associated knowledge base is knowledge relevant to the decision stored and can of the Expert system are used for decision-making. Of the Use of Bayesian-based expert systems for the purpose of diagnosis is currently the subject of intensive research and technical development. The invention discussed here extends the Bayesian network-based diagnostic systems a risk analysis and the possibility of functional recovery of defective components of the overall technical system.

Die Erfindung geht aus von einem Diagnosesystem, wie es beispielweise in der amerikanischen Patentanmeldung US 2003/ 0018600 A1 beschrieben ist. Bei diesem Diagnosesystem wird das zu diagnostizierende technische System, z. B. eine elektrische Lokomotive, modellbasiert in ein Bayesnetz abgebildet. Zur automatisierten Berechnung eines Diagnoseergebnisses wird das modellbasierte Bayesnetz in einen sogenannten Junction Tree, auch als Clique Tree bezeichnet, transformiert. Zur Er mittlung der Apriori-Wahrscheinlichkeiten und der konditionierten Wahrscheinlichkeiten wird das Bayesnetz in einem von einem Experten überwachten Lernprozess an das technische System, das es zu diagnostizieren gilt, angepasst. Hierzu werden die von dem Diagnosesystem berechneten Diagnoseergebnisse mit den tatsächlich auftretenden Fehlersymptomen verglichen und durch Adaption der Apriori-Wahrscheinlichkeiten sowie der konditionierten Wahrscheinlichkeiten möglichst in Übereinstimmung gebracht. Die Adaption der Apriori-Wahrscheinlichkeiten kann hierbei automatisiert durch Vergleich mit statistischen Fehlerhäufigkeiten erfolgen. Für die korrekte Adaption der konditionierten Wahrscheinlichkeiten überprüft ein Experte inwieweit die berechneten Diagnoseergebnisse mit den tatsächlich beobachteten Diagnoseergebnissen übereinstimmen und macht sich im Falle einer gravierenden Fehldiagnose an eine Fehleranalyse des Diagnosesystems, mit dem Ziel, die konditionierten Wahrscheinlichkeiten derart anzupassen, dass möglichst keine Fehldiagnosen mehr auftreten.The invention is based on a diagnostic system, as for example in the American patent application US 2003/0018600 A1 is described. In this diagnostic system, the technical system to be diagnosed, for. As an electric locomotive, modeled mapped into a Bayes network. For the automated calculation of a diagnostic result, the model-based Bayes network is transformed into a so-called junction tree, also referred to as a clique tree. To determine the apriori probabilities and the conditioned probabilities, the Bayesian network is adapted to the technical system to be diagnosed in a learning process supervised by an expert. For this purpose, the diagnostic results calculated by the diagnostic system are compared with the actually occurring error symptoms and brought into conformity as far as possible by adapting the apriori probabilities and the conditioned probabilities. The adaptation of the apriori probabilities can be done automatically by comparison with statistical error frequencies. For the correct adaptation of the conditioned probabilities, an expert checks to what extent the calculated diagnostic results agree with the actually observed diagnostic results and, in the case of a serious misdiagnosis, makes an error analysis of the diagnostic system, with the aim of adapting the conditioned probabilities in such a way that as far as possible no more misdiagnoses occur ,

Die Erfindung macht weiterhin Gebrauch von etablierten Junction Tree-Algorithmen und etablierten Propagationsalgorithmen für Bayesnetze. Der Propagationsalgorithmus wird auch oft im Zusammenhang mit Bayesnetzen mit Inference-Algorithmus oder mit Inference-Maschine bezeichnet. Zum Beleg und zur Klärung der Begriffe sei auf den Aufsatz von Anbross L. Matsen und Finn V. Jensen: Laizy Propagation: A junction tree inference algorithmen based on laizy propagation" in Elsivier Artificial Intelligence 113 (1999), Seiten 203–245 sowie auf einem im Internet veröffentlichten Folienvortrag von Threta Mahadewan: „The junction tree algorithm" an der University of Massechussetts, erhältlich im Internet unter http:\\www.ai.mit.edu/∼murphyk/bayes/jtree.html, in dem insbesondere die Begriffe „Propagation, Marginalisierung, Junction Tree sowie Clique Tree" belegt sind. Die zuvor einge führten Algorithmen sind heutzutage als Software-Produkte auf dem Markt erhältlich. Ein für die Erfindung geeignetes Entwicklungstool wird von der Firma Hugin Expert A/S, 9220 Alborg, Dänemark, angeboten und vertrieben. Die mit Hugin Decision Engine bezeichnete Software ermöglicht mit einem graphischen User-Interface die Konstruktion hierarchischer Bayesnetzwerke auf der Basis der Graphentheorie und die automatisierte Compilation der modellbasierten Graphen in einen Junction Tree. Weiterhin unterstützt die Hugin Decision Engine mit einem Table-Generator die Erstellung von sogenannten Look-up-Tables, mit deren Hilfe entscheidungsrelevantes Wissen aufgebaut und abgespeichert werden kann. Die Hugin Decision Engine unterstützt ebenfalls die Propagation von evidentem Wissen indem kompilierten Junction Tree. Einen Überblick über die Leistungsfähigkeit der Hugin Decision Engine findet man im Internet unter http://www.hugin.com.The Invention continues to use established junction tree algorithms and established propagation algorithms for Bayesian networks. The propagation algorithm is also often associated with Bayesian networks with inference algorithm or designated with inference machine. To document and to clarify the Terms to the essay by Anbross L. Matsen and Finn V. Jensen: Laizy Propagation: A junction tree inference algorithms based on laizy propagation "in Elsivier Artificial Intelligence 113 (1999), pages 203-245 as well on a published on the Internet Slide lecture by Threta Mahadewan: "The junction tree algorithm" at the University of Massechussetts, available on the Internet at http: \\ www.ai.mit.edu/~murphyk/bayes/jtree.html, where in particular the terms "propagation, Marginalization, Junction Tree and Clique Tree previously introduced Algorithms are on the market today as software products available. One for The invention suitable development tool is the company Hugin Expert A / S, 9220 Alborg, Denmark, offered and distributed. The one called Hugin Decision Engine Software allows with a graphical user interface, the construction of hierarchical Bayes networks based on graph theory and automated Compilation of the model-based graphs into a junction tree. Still supported the Hugin Decision Engine with a table generator creation of so-called look-up tables, with the help of which decision-relevant Knowledge can be built up and stored. The Hugin Decision Engine supported also the propagation of evident knowledge in compiled Junction Tree. An overview of the capacity The Hugin Decision Engine can be found on the Internet at http://www.hugin.com.

Der Gedanke, modellbasierte Diagnosesysteme um den Schritt einer Funktionswiederherstellung zu erweitern, wurde z. B. Gregory Provan vom Rockwell Science Center in seinem Aufsatz „Model-based diagnostics and recovery: An integrated approach" auf dem 13^th International Workshop on Qualitative Reasoning in Loch Or, Schottland vom 06. bis 09. Juni 1999 vorgestellt. In diesem Aufsatz wird die Idee verfolgt, durch Verdoppelung der technischen Teilsysteme ein technisches Gesamtsystem redundant auszulegen. Ein erstes Teilsystem ist hierbei einem zweiten Teilsystem identisch, wobei jeweils das eine Teilsystem das andere Teilsystem vollständig in seinen Funktionen ersetzen kann. Zu jedem Teilsystem gibt es ein auf Graphentheorie basiertes Diagnosesystem, das es erlaubt, fehlerhafte Zustände in den Teilsystemen zu erkennen. Wird in einem Teilsystem ein Fehler detektiert, so besteht die Funktionswiederherstellung des technischen Gesamtsystems darin, dass das zweite parallele Teilsystem die Funktion des ausge fallenen Teilsystems übernehmen muss. Die verwendeten Diagnosesysteme sind hierbei modellbasierte Kausalnetzwerke. Diese Kausalnetzwerke arbeiten mit Steuerungsvariablen und Sensorsignalen. Die Sensorsignale sind hierbei beobachtbare Größen und werden als sogenannte Observablen behandelt. Zur Funktionswiederherstellung bei Ausfall des ersten Teilsystems werden hierbei die Observablen des zweiten Teilsystems als Zielgrößen festgelegt und dazu die erforderlichen Steuerungsvariablen berechnet. Das vorbeschriebene Diagnosesystem zur Funktionswiederherstellung ausgefallener Teilsysteme hat hierbei den großen Nachteil, dass das interessierende technische Gesamtsystem komplett redundant ausgelegt sein muss. Damit die Funktionswiederherstellung reifen kann, müssen alle Teilkomponenten des technischen Gesamtsystems doppelt vorhanden sein.The idea of extending model-based diagnostic systems by the step of functional recovery has been B. Gregory Provan from the Rockwell Science Center in his article "Model-based diagnostics and recovery: An integrated approach" on the 13 ^th International Workshop on Qualitative Reasoning in Hole Or, Scotland from 06 to 09 June 1999 presented in this paper. The first subsystem is identical to a second subsystem, whereby in each case one subsystem can completely replace the other subsystem in its functions If a fault is detected in a subsystem, the functional recovery of the overall technical system consists in that the second parallel subsystem must take over the function of the failed subsystem model-based e causal networks. These causal networks work with control variables and sensor signals. The sensor signals are observable quantities and are treated as so-called observables. For functional recovery in case of failure of the first subsystem will be here determined at the observables of the second subsystem as target variables and calculated the necessary control variables. The above-described diagnostic system for functional recovery of failed subsystems here has the great disadvantage that the entire technical system of interest must be designed completely redundant. For functional recovery to mature, all subcomponents of the overall technical system must be duplicated.

Ausgehend von dem vorbeschriebenen Stand der Technik ist es deshalb erfindungsgemäße Aufgabe, ein Expertensystem zur Diagnose und Funktionswiederherstellung anzugeben, dass auch für technische Systeme einsetzbar ist, die über keine vollständige duale Redundanz verfügen.outgoing It is therefore the object of the above-described prior art to specify an expert system for diagnosis and functional recovery, that too for technical systems can be used that do not have a complete dual Have redundancy.

Die Lösung gelingt mit einem Expertensystem mit den Merkmalen nach Anspruch 1. Vorteilhafte Weiterbildungen des erfindungsgemäßen Expertensystems sind in den Unteransprüchen und in der Beschreibung der Ausführungsbeispiele enthalten.The solution succeeds with an expert system with the features of claim 1. Advantageous developments of the expert system according to the invention are in the subclaims and in the description of the embodiments contain.

Die Lösung gelingt hauptsächlich durch den Einsatz eines Bayesnetz-basierten Expertensystems, bei dem jede technische Komponente eines technischen Gesamtsystems durch mindestens drei Variablen, nämlich einer Verhaltensvariablen, einer Mode-Variablen und einer Steuerungsvariablen, abgebildet wird. Durch mehrfaches Propagieren der jeweils als evident festgestellten Zustandsvariablen können hierbei mit dem Ex pertensystem verschiedene Funktionen wahrgenommen werden. Durch Betrachten und Berechnen unterschiedlicher Zustandsvariablen ist die Realisierung und Wahrnehmung der unterschiedlichen Funktionen des Expertensystems möglich. Hierzu wird in einem ersten Schritt durch Berechnen und Betrachten der Mode-Variablen ein Diagnoseergebnis errechnet und bei Bestätigung die dem Diagnoseergebnis zugehörigen Mode-Variablen als evident festgesetzt. Dann wird die Information über die evident festgesetzten Mode-Variablen in dem Junction Tree des Bayesnetzwerkes propagiert. Im nächsten Schritt werden die Verhaltensvariablen der im System befindlichen Funktionskomponenten betrachtet und berechnet. Man erhält dadurch für jede Funktionskomponente eine Wahrscheinlichkeitsaussage, inwiefern die einzelnen Funktionskomponenten trotz des durch die Diagnose festgestellten Fehlers noch funktionstüchtig sind. Dies ermöglicht eine Bewertung inwieweit das technische Gesamtsystem noch einsatzfähig ist bzw. welche Notlauffunktionen oder eingeschränkte Funktionen nach dem Diagnoseergebnis noch möglich sind. Mit anderen Worten ergibt die Berechnung der Verhaltensvariablen eine Aussage darüber, inwiefern als Defekt erkannte Funktionen durch Umsteuern von Nachbarkomponenten aufgefangen werden können oder wieder in Gang gesetzt werden können.The solution succeeds mainly through the use of a Bayes network-based expert system every technical component of an overall technical system at least three variables, viz a behavioral variable, a mode variable and a control variable, is shown. By repeatedly propagating each as evident Determined state variables can be used with the expert system different functions are perceived. By viewing and Computing different state variables is the realization and perception of the different functions of the expert system possible. For this is calculated in a first step by calculating and viewing the Mode variables a diagnostic result calculated and confirmed those associated with the diagnostic result Mode variables are set as evident. Then the information about the evidently set mode variables in the junction tree of the Bayes network propagated. In the next Step will be the behavioral variables of the system Function components considered and calculated. You get it for every Function component a probability statement, how the individual functional components despite the error detected by the diagnosis still functional are. This allows a Assessment of the extent to which the overall technical system is still operational or which emergency functions or limited functions after the diagnosis result still possible are. In other words, the calculation of the behavioral variable yields a statement about to what extent functions recognized as defects by reversing neighboring components can be caught or can be started again.

Besonders geeignet ist das erfindungsgemäße Expertensystem für den Einsatz in Kraftfahrzeugen. Hier ist es mit dem erfindungsgemäßen Expertensystem z. B. möglich, bei dem Ausfall des Betätigungselementes eines Fensterhebermotors diesen Funktionsausfall insoweit zu beheben, als dass das Schließen des betreffenden Fensters durch die Betätigung eines Betätigungselementes für die Zentralverriegelung bewirkt werden kann.Especially the expert system according to the invention is suitable for the Use in motor vehicles. This is the expert system according to the invention z. Possible, in case of failure of the actuator a window lift motor to correct this function failure so far, as that closing the relevant window by the operation of an actuating element for the Central locking can be effected.

In einer vorteilhaften Ausführungsform des erfindungsgemäßen Expertensystems wird aus den möglichen Zuständen der Verhaltensvariablen nach erfolgter und evident festgelegter Diagnose mit einem Zielfindungssalgorithmus eine Zustandsbelegung als zu verfolgendes Ziel für die Funktionswiederherstellung ausgewählt und durch Setzen von Goal-Variablen als evident festgelegt. Durch Propagieren der evident festgelegten Goal-Variablen können die Wahrscheinlichkeitsverteilungen der Steuerungsvariablen berechnet werden. Die Wahrscheinlichkeitsverteilung der Steuervariablen ermöglicht somit eine Aussage darüber, mit welchen Steuerungsalternativen eine Funktionswiederherstellung möglich ist.In an advantageous embodiment of the expert system according to the invention will be out of the possible states of the behavioral variable after having been established and evidently defined Diagnosis with a goal finding algorithm a state assignment as a goal to be followed for the function recovery is selected and by setting Goal variables set as evident. By propagating the evident set Goal variables can be the Probability distributions of the control variables calculated become. The probability distribution of the control variables thus allows a statement about with which control alternatives a functional recovery possible is.

In einer weiteren vorteilhaften Ausbildung des erfindungsgemäßen Expertensystems ist das für die Zielfindung notwendige Entscheidungswissen in Look-up-Tabellen für die Mode-Variablen, für die Steuerungsvariablen sowie für die Verhaltensvariablen hinterlegt. Das Entscheidungswissen kann hierbei mit einem Auswertealgorithmus in Form einer Kostenfunktion realisiert sein. Hierdurch ist es möglich, den verschiedenen Alternativen zur Funktionswiederherstellung Kosten zuzuordnen und damit die verschiedenen Alternativen zu bewerten.In a further advantageous embodiment of the expert system according to the invention is that for the Target determination Necessary decision-making knowledge in look-up tables for the mode variables, for the control variables also for the behavior variables are stored. The decision-making knowledge can in this case with an evaluation algorithm in the form of a cost function be realized. This makes it possible for the different alternatives to allocate costs for functional recovery and hence the different ones To evaluate alternatives.

In einer weiteren vorteilhaften Ausführung der Erfindung werden die verschiedenen Alternativen zur Funktionswiederherstellung als Kundeninformation angezeigt. Der Kunde kann dann z. B. anhand der zugeordneten Kosten eine ihm genehme Alternative zur Funktionswiederherstellung auswählen. Alternativ zur Auswahl durch den Kunden ermöglicht die Zuordnung von Kosten im Zusammenhang mit einem Auswertealgorithmus auch die automatisierte Auswahl einer Alternative zur Funktionswiederherstellung. Dies kann z. B. erfolgen, indem der Auswertealgorithmus diejenige Alternative zur Funktionswiederherstellung auswählt, der die geringsten Kosten zugeordnet wurden.In a further advantageous embodiment of the invention the various alternatives to functional recovery as Customer information displayed. The customer can then z. B. based on the assigned Cost an acceptable alternative to functional recovery choose. Alternatively to the selection by the customer allows the allocation of costs in connection with an evaluation algorithm also the automated Selection of an alternative to functional recovery. This can z. B. done by the evaluation algorithm that alternative to the function recovery selects the lowest cost have been assigned.

In einer weiteren vorteilhaften Ausführungsform des erfindungsgemäßen Expertensystems können zu einer ausgewählten Alternative zur Funktionswiederherstellung verschiedene mögliche Belegungen der Steuerungsvariablen berechnet werden und die verschiedenen alternativen Belegungen der Steuerungsvariablen wiederum mittels einer Kostenzuordnung gewertet werden. Hiermit ist es möglich, für eine ausgewählte Alternative zur Funktionswiederherstellung unter verschiedenen Steuerungsmaßnahmen, mit denen die Funktionswiederherstellung bewirkt werden kann, diejenige Steuerungsmaßnahme auszuwählen, die am günstigsten erscheint.In a further advantageous embodiment of the expert system according to the invention, various possible documents can be provided for a selected alternative to functional recovery can be calculated and the various alternative assignments of the control variables are again evaluated by means of a cost allocation. This makes it possible to select the most favorable control measure for a selected alternative to the function recovery under various control measures with which the function recovery can be effected.

In einer weiteren vorteilhaften Ausführungsform des erfindungsgemäßen Expertensystems können die zur Funktionswiederherstellung möglichen Steuerungsalternativen von dem Expertensystem selbsttätig ausgewählt werden. Die Auswahl kann hierbei über die zugeordneten Kosten erfolgen. Die selbsttätige Auswahl von möglichen Steuerungsalternativen zur Funktionswiederherstellung ermöglicht mit Vorteil das automatisierte Einrichten einer Rückfallebene für das technische Gesamtsystem.In a further advantageous embodiment of the expert system according to the invention can the control alternatives that are available for functional recovery from the expert system automatically selected become. The selection can be made here via the assigned costs respectively. The automatic Selection of possible Control alternatives to feature recovery enabled with Advantage of the automated setting up of a fallback level for the technical Overall system.

Die mit der Erfindung hauptsächlich zu erzielenden Vorteile liegen darin, dass Maßnahmen zur Funktionswiederherstellung von technischen Systemen ermittelt werden können, ohne dass in diesen technischen Systemen Redundanz durch Mehrfachauslegung von Teilkomponenten vorhanden sein muss. Durch Aufzeigen verschiedener Alternativen zur Funktionswiederherstellung, kann auch dann eine Funktionswiederherstellung ermittelt werden, wenn ein 100 %iger Ersatz einer ausgefallenen Funktion nicht mehr möglich ist. Für eine ausgefallene Drosselklappe bei einem Verbrennungsmotor in einem Kraftfahrzeug kann dies z. B. bedeuten, dass die Funktionswiederherstellung darin besteht, den Kraftfahrzeugmotor noch mit einer maximalen Leis tung von 25 % der Nennleistung zu betreiben. Sind verschiedene Alternativen zur Funktionswiederherstellung möglich, so ermöglicht die Erfindung eine graduelle, abgestufte Funktionswiederherstellung, mit der auf verschiedene Umgebungsbedingungen gezielt reagiert werden kann. So kann es z. B. bei dem vorherigen Beispiel möglich sein, dass bei ausgefallener Drosselklappe der Motor entweder bei herkömmlichen Spritverbrauch noch bei 25 % seiner Leistung zu betreiben ist, jedoch auch eine Funktionswiederherstellung möglich ist, bei der der Motor bei vierfachem Spritverbrauch noch 50 % seiner Leistung abgibt.The with the invention mainly The benefits to be achieved are that measures for functional recovery of technical systems can be determined without being in these technical Systems redundancy through multiple design of subcomponents present have to be. By demonstrating various alternatives to functional recovery, a function recovery can be determined even if A 100% replacement of a failed function is no longer possible. For one failed throttle in an internal combustion engine in one Motor vehicle can do this z. B. mean that feature recovery This is the motor vehicle engine still with a maximum Leis tion of 25% of the rated power to operate. Are different alternatives for functional recovery possible, so allows the invention provides a gradual, graded functional recovery, which reacts specifically to different environmental conditions can. So it may be z. B. be possible in the previous example, that at failed throttle the engine either conventional Fuel consumption is still operating at 25% of its power, however Also, a functional recovery is possible in which the engine with four times more fuel consumption 50% of its output.

Ein ganz großer Vorteil des erfindungsgemäßen Expertensystems besteht darin, dass es prinzipiell für jedes technische System möglich ist, eine Funktionswiederherstellung einzurichten. Bei keinem der technischen Systeme bedarf es hierzu einer Neukonstruktion oder gar des Hinzufügens von redundanten Teilsystemen.One very big Advantage of the expert system according to the invention is that in principle it is possible for every technical system to set up a feature recovery. None of the technical Systems require a redesign or even the addition of redundant subsystems.

Anhand der folgenden Figuren wird die Erfindung nun näher erläutert. Es zeigen:Based the following figures, the invention will now be explained in more detail. Show it:

1 den Graphen eines technischen System, bestehend aus drei Funktionskomponenten, 1 the graph of a technical system consisting of three functional components,

2 den Junction Tree zu dem Graphen aus 1, 2 the junction tree to the graph 1 .

3 die Funktionsarchitektur des erfindungsgemäßen Expertensystems, 3 the functional architecture of the expert system according to the invention,

4 eine Aufteilung eines Junction Tree auf mehrere Recheneinheiten. 4 a division of a junction tree into several arithmetic units.

Die Abbildung technischer Systeme mittels der Graphentheorie ist bekannt. Jeder Prozessgröße und jeder Variablen des Systems wird hierbei ein Knoten zugewiesen und die Abhängigkeit der Systemvariablen und der Prozessgrößen untereinander wird mit gerichteten Pfeilen, auch Kanten genannt, abgebildet. Es entsteht ein Graph aus Knoten und gerichteten Kanten. In dem Ausführungsbeispiel der 1 ist ein technisches System abgebildet, bei dem mit drei Funktionskomponenten 1, 2, 3 ein Motor 4 angesteuert wird. Jede der Funktionskomponenten 1, 2, 3 ist in dem Graphen mit einem Mode-Knoten 5, mit einem Behaviour-Knoten 6 und einem Steuerungsknoten 7 abgebildet. Den Steuerungsknoten 7 können mit Gebern Input1 und Input2 Steuerbefehle übermittelt werden. Die Funktionskomponente 1 kann z. B. das Türsteuergerät zur Betätigung eines elektrischen Fensterhebermotors in einem Kraftfahrzeug sein. Der Geber Input1 wäre in diesem Fall das Betätigungselement für den elektrischen Fensterhebermotor in der linken Fahrertür. Die Funktionskomponente 2 könnte das Steuergerät für die Zentralverriegelung in einem Kraftfahrzeug sein, während Funktionskomponente 3 das Steuergerät einer Diebstahlsicherung oder eines Regensensors ist. Der Geber Input2 wäre dann der entsprechende Sensor, entweder für die Diebstahlsicherung oder für den Regensensor. Die Mode-Knoten 5 der Funktionskomponenten repräsentieren hierbei jeweils die Zustandsvariable jedes Steuergerätes. Mode-Knoten 5 enthält also die Information, ob die zugehörige Funktionskomponente, repräsentative das Steuergerät, ordnungsgemäß arbeitet oder nicht. Im einfachsten Fall enthält Mode-Knoten 5 die Funktion Ein/Aus der zugehörigen Funktionskomponenten. Mit den Steuerungsknoten 7 wird das Verhalten bzw. die Funktion der Funktionskomponenten gesteuert. Die Steuerungsknoten 7 enthalten daher die Information darüber, wie die Funktionskomponente anzusteuern ist. Die durch die Funktionskomponente auszuführenden Funktionen sind mit dem Behaviour-Knoten 6 abgebildet. Die Behaviour-Knoten 6 enthalten daher die Information, in welcher Art und Weise die Steuerungsbefehle aus den Steuerungsknoten 7 auszuführen sind. Den verschiedenen Funktionen eines jeden Steuergerätes bzw. einer jeden Funktionskomponente 1, 2, 3 können noch Risiken und Ziele zugeordnet sein. In dem Graphen der 1 sind deshalb zu jedem Behaviour-Knoten 6 noch jeweils ein Risikoknoten 8 und ein Zielknoten 9 zugeordnet. Auch dem Motor 4 ist ein Zielknoten 9 zugeordnet, mit dem dem Motor ein zu verfolgendes Ziel zugeordnet werden kann.The mapping of technical systems by means of graph theory is known. Each process variable and each variable of the system is assigned a node and the dependency of the system variables and the process variables among each other is represented by directed arrows, also called edges. The result is a graph of nodes and directed edges. In the embodiment of 1 is a technical system shown in which with three functional components 1 . 2 . 3 an engine 4 is controlled. Each of the functional components 1 . 2 . 3 is in the graph with a mode node 5 , with a behavioral node 6 and a control node 7 displayed. The control node 7 can be transmitted with encoders Input1 and Input2 control commands. The functional component 1 can z. B. be the door control unit for operating an electric window motor in a motor vehicle. The encoder Input1 in this case would be the actuator for the power window motor in the left driver's door. The functional component 2 could be the central locking control unit in a motor vehicle while functional component 3 is the controller of an anti-theft device or a rain sensor. The encoder input2 would then be the corresponding sensor, either for the theft protection or for the rain sensor. The fashion knot 5 The functional components in each case represent the state variables of each control device. Fashion nodes 5 So contains the information as to whether the associated functional component, representative of the control unit, is working properly or not. In the simplest case contains mode node 5 the function On / Off of the associated function components. With the control nodes 7 the behavior or function of the function components is controlled. The control nodes 7 therefore contain the information about how to control the functional component. The functions to be performed by the function component are with the Behavior node 6 displayed. The behavioral nodes 6 therefore contain the information in which way the Steue tion commands from the control nodes 7 are to be executed. The different functions of each control unit or each functional component 1 . 2 . 3 can still be assigned risks and goals. In the graph of 1 are therefore at every behavioral node 6 one more risk node each 8th and a destination node 9 assigned. Also the engine 4 is a destination node 9 assigned, with which the engine can be assigned to a target to be tracked.

Schon jetzt erkennt man, ohne bereits näher auf die Erfindung eingegangen zu sein, dass es von dem Geber Input 1 mindestens zwei Pfade bis zu dem Motor 4 gibt. Der eine Pfad läuft über die Funktionskomponente 1, der zweite Pfad läuft über die Funktionskomponente 2. Für das bereits eingeführte Ausführungsbeispiel eines elektrischen Fensterhebermotors mit einem Türsteuergerät und einem Steuergerät für eine Zentralverriegelung bedeutet dies, dass der Fensterhebermotor sowohl über das Türsteuergerät als auch über das Steuergerät für die Zentralverriegelung in Gang gesetzt werden kann. Normalerweise würde bei Betätigung des Gebers für den Fensterhebermotor in der linken Fahrertür dieser Fensterhebermotor über das entsprechende Türsteuergerät angesteuert werden. Fällt dieses Türsteuergerät jedoch aus, so gibt es als Rückfallebene für das ausgefallene Türsteuergerät noch die Möglichkeit, den Fensterhebermotor über das Steuergerät für die Zentralverriegelung anzusteuern. In heutigen Fahrzeugen sind die Steuergeräte üblicherweise über ein Bussystem untereinander vernetzt. Steuerbefehle, die an ein Steuergerät über dieses Bussystem übermittelt werden, können daher prinzipiell auch von den anderen Steuergeräten mitgelesen werden. Wenn daher z. B. von dem Geber Input1 ein Steuerbefehl an die Funktionskomponente 1 in das Bussystem eingespeist wird, so gibt es je nach Abhängigkeit der Steuergeräte untereinander eine gewisse Wahrscheinlichkeit dafür, dass der gewünschte Steuerbefehl auch von einer anderen Funktionskomponente innerhalb des Netzwerks umgesetzt werden kann. Diesen Sachverhalt macht sich die Er findung zu Nutze, indem die funktionalen Abhängigkeiten der einzelnen Komponenten eines technischen Systems mit einem. Wahrscheinlichkeitsnetz, nämlich einem Bayesnetz, abgebildet und erfasst werden.Already one recognizes, without being already closer to the invention, that it is input from the encoder 1 at least two paths up to the engine 4 gives. The one path runs through the functional component 1 , the second path is via the functional component 2 , For the already introduced embodiment of an electric window motor with a door control unit and a central locking control unit, this means that the window regulator motor can be set in motion both via the door control unit and via the central locking control unit. Normally, when operating the window motor sender in the left driver's door, this window motor would be controlled via the corresponding door control unit. If this door control unit fails, however, there is still the option of controlling the window regulator motor via the control unit for the central locking as a fallback level for the failed door control unit. In today's vehicles, the control units are usually networked with each other via a bus system. Control commands which are transmitted to a control unit via this bus system can therefore also be read in principle by the other control units. Therefore, if z. B. from the encoder Input1 a control command to the function component 1 is fed into the bus system, so there is depending on the dependence of the control devices with each other a certain probability that the desired control command can also be implemented by another functional component within the network. This fact is exploited by the invention, by the functional dependencies of the individual components of a technical system with a. Probability network, namely a Bayes network, be mapped and recorded.

Die Erfindung besteht nun darin, ein Expertensystem anzugeben, mit dem in einem vernetzten technischen System bei Ausfall einer technischen Komponente Ersatzmaßnahmen aufgefunden und umgesetzt werden können, mit denen die Funktion des technischen Systems aufrechterhalten werden kann, obgleich eine Komponente des Systems ausgefallen ist. Dieses Expertensystem muss dabei computerimplementiert selbsttätig ablaufbar sein und die Ersatzmaßnahmen selbsttätig auffinden können.The The invention now consists in specifying an expert system with which in a networked technical system in case of failure of a technical component Alternative measures be found and implemented with which the function of the technical system, although one Component of the system has failed. This expert system must thereby computer-implemented to be automatically executable and the Alternative measures automatic can find.

Zur computerimplementierten Berechnung eignen sich die Graphen von Bayesnetzen, wie z. B. in 1 gezeigt, nicht. Man hat deshalb in der Vergangenheit Transformationsalgorithmen entwickelt, mit denen der Graph eines Bayesnetzes in einen sogenannten Junction Tree, transformiert werden kann. Diese Transformationsalgorithmen hat man zu integrierten Werkzeugen weiterentwickelt, die aus einem vorgegebenen Graphen selbsttätig den zugehörigen Junction Tree berechnen und aufstellen. Ein derartiges Werkzeug wird von der Firma Hugin Expert aus Dänemark, unter dem Namen Hugin Decision Machine, als kommerzielles Softwareprogramm angeboten. Dieses Programm verfügt über eine graphische Benutzeroberfläche, mit deren Hilfe die Graphen von Bayesnetzen auf graphische Weise eingegeben werden können, so dass mit den implementierten Algorithmen die Graphen von Bayesnetzen in die zugehörigen Junction Trees transformiert werden können. Die zur Transformation notwendigen Algorithmen sind in den in der Beschreibungseinleitung genannten Dokumenten näher erläutert und beschrieben. Durch den Transformationsalgorithmus werden jedem Knoten in dem Bayesnetzwerk eine Wahrscheinlichkeitsvariable zugeordnet. Der Transformationsalgorithmus beinhaltet hierbei eine Triangulation des ursprünglichen gerichteten Graphen in einen ungerichteten Graphen sowie in einem weiteren Schritt, einen Optimierungsalgorithmus, der die ganzen Systemvariablen bzw. Wahrscheinlichkeitsvariablen des Systems in sogenannte Cliquen 10 und sogenannte Separatoren 11 zusammenfasst. In 2 sind die Separatoren schraffiert dargestellt. Die Zusammenfassung von Wahrscheinlichkeitsvariablen zu Cliquen sowie die Trennung von je zwei Cliquen durch einen Separator hängt hierbei von den Abhängigkeiten der Wahrscheinlichkeitsvariablen untereinander ab. Separatoreneigenschaft ist es hierbei, dass die Variablen, die zu einem Separator zusammengefasst wurden, die Abhängigkeit zwischen den beiden Cliquen, die der Separator trennt, vollständig beschreibt. Nach dem optimierten Transformationsprozess des ursprünglichen Graphen aus dem Bayesnetz in einen Junction Tree erhält man einen ungerichteten Graphen aus Cliquen und Separatoren, bei dem die Systemgrößen des ursprünglichen technischen System als Wahrscheinlichkeitsvariable vorliegen, wobei die Änderung einer x-beliebigen Wahrscheinlichkeitsvariablen in einer x-beliebigen Clique oder in einem x-beliebigen Separator auf alle anderen Wahrscheinlichkeitsvariablen des Junction Tree propagiert werden kann. Damit kann die Auswirkung einer Zustandsänderung einer Wahrscheinlichkeitsvariablen auf alle übrigen Wahrscheinlichkeitsvariablen des Junction Trees berechnet und bewertet werden. Die hierfür notwendigen Propagationsalgorithmen sind ebenfalls Stand der Technik und bereits in der Hugin Decision Machine implementiert.For computer-implemented calculation, the graphs of Bayesnetzen, such. In 1 not shown. For this reason, transformation algorithms have been developed in the past with which the graph of a Bayesian network can be transformed into a so-called junction tree. These transformation algorithms have evolved into integrated tools that automatically calculate and set up the associated junction tree from a given graph. Such a tool is offered by Hugin Expert of Denmark, under the name Hugin Decision Machine, as a commercial software program. This program has a graphical user interface, with the help of which the graphs of Bayesian networks can be entered graphically, so that with the implemented algorithms the graphs of Bayesian nets can be transformed into the corresponding junction trees. The algorithms necessary for the transformation are explained and described in detail in the documents mentioned in the introduction to the description. The transformation algorithm assigns a probability variable to each node in the Bayes network. The transformation algorithm involves a triangulation of the original directed graph into an undirected graph and, in a further step, an optimization algorithm that includes the system variables or probability variables of the system in so-called cliques 10 and so-called separators 11 summarizes. In 2 the separators are hatched. The combination of probability variables into cliques as well as the separation of two cliques by a separator depends on the dependencies of the probability variables among each other. In this case, the separator property is that the variables that have been combined to form a separator completely describe the dependency between the two cliques that separates the separator. After the optimized transformation process of the original graph from the Bayes network into a junction tree, one obtains an undirected graph of cliques and separators, in which the system sizes of the original technical system exist as probability variables, whereby the change of an x-arbitrary probability variable in an x-arbitrary clique or can be propagated in any x separator to all other probability variables of the junction tree. Thus, the effect of a state change of a probability variable on all other probability variables of the junction tree can be calculated and evaluated. The necessary propagation algorithms are also state of the art and already implemented in the Hugin Decision Machine.

2 zeigt den Junction Tree, wie er durch Triangulation und Optimierung aus dem Bayesnetz der 1 gewonnen wurde. Der Vorteil des Junction Tree ist es nun, dass er berechenbare Variablen enthält, die das Systemverhalten des zugrunde liegenden technischen Systems beschreiben. Damit wird die automatisierte, computerimplementierte Berechnung von Systemzuständen sowie die Berechnung der Auswirkung von lokalen Zustandsänderungen auf das Gesamtsystem möglich. Die Berechenbarkeit jeder Systemvariablen bzw. jeder Wahrscheinlichkeitsvariablen des Junction Trees und die Eigenschaft der ungehinderten Informationsausbreitung in dem Junction Tree ist eine wichtige Grundlage für die hier beschriebene Erfindung. Betreffend der Funktionskomponenten 1, 2, 3 wurden die ursprünglichen Mode-Knoten, Steuerungsknoten 7 und Behaviour-Knoten 6 durch den Transformationsprozess für jede Funktionskomponente jeweils in eine Mode-Variable Mode1, Mode2, Mode3, eine Steuerungsvariable Set1, Set2, Set3 und eine Verhaltensvariable Behaviour1, Behaviour2, Behaviour3 umgewandelt. Auch alle übrigen Knoten des Graphen aus 1 wurden in Wahrscheinlichkeitsvariablen umgewandelt. 2 shows the junction tree as it passes through Triangulation and optimization from the Bayesian network of 1 was won. The advantage of the junction tree is that it contains computable variables that describe the system behavior of the underlying technical system. This enables the automated, computer-implemented calculation of system states as well as the calculation of the impact of local state changes on the overall system. The predictability of each system variable or probability variable of the junction tree and the property of unrestricted information propagation in the junction tree is an important basis for the invention described herein. Regarding the functional components 1 . 2 . 3 were the original fashion nodes, control nodes 7 and behavioral nodes 6 converted by the transformation process for each functional component in each case into a mode variable Mode1, Mode2, Mode3, a control variable Set1, Set2, Set3 and a behavior variable Behavior1, Behavior2, Behavior3. Also all other nodes of the graph 1 were converted into probability variables.

Nach einer derartigen Vorarbeit sind nun die Grundlagen für das erfindungsgemäße Expertensystem geschaffen. Ein Junction Tree erlaubt nämlich die gezielte Berechnung und Auswertung einzelner Wahrscheinlichkeitsvariablen, die jeweils von Interesse sind. Hat man dafür Sorge getragen, dass jede Funktionskomponente 1, 2, 3 eines technischen Systems durch jeweils drei verschiedene Knoten und damit drei verschiedene Wahrscheinlichkeitsvariablen abgebildet wurde, und beschreibt jede Wahrscheinlichkeitsvariable eine andere Eigenschaft der Funktionskomponente, so können auf der Basis des Junction Tree mit gezielten Berechnungsalgorithmen jeweils drei verschiedene Eigenschaften einer jeden Funktionskomponente berechnet werden. Im Zusammenhang mit der Erfindung interessieren hierbei besonders die Eigenschaften Fehlerzustand der Funktionskomponente, an der Funktionskomponente anliegende Steuerungsmaßnahmen sowie mit der Funktionskomponente mögliche ausführbare Funktionen. Der Fehlerzustand der Funktions komponente sei hierbei mit der Mode-Variablen abgebildet, die anliegenden Steuerungsmaßnahmen sollen mit der Steuerungsvariablen Set1, Set2, Set3 abgebildet werden und die möglichen ausführbaren Funktionen werden mit der Verhaltensvariablen Behaviour1, Behaviour2, Behaviour3 abgebildet. Dies ermöglicht drei verschiedene, berechenbare Sichten auf jede Funktionskomponente eines größeren Gesamtsystems.After such preliminary work, the foundations for the expert system according to the invention are now created. Namely, a junction tree allows the targeted calculation and evaluation of individual probability variables, which are of interest in each case. Has one ensured that every functional component 1 . 2 . 3 of a technical system by three different nodes and thus three different probability variables was mapped, and each probability variable describes another property of the function component, so can be calculated on the basis of the junction tree with specific calculation algorithms each three different properties of each functional component. In the context of the invention, the characteristics of the fault state of the functional component, control measures applied to the functional component, and possible executable functions with the functional component are of particular interest. The error state of the functional component is represented here with the mode variables, the applied control measures are to be mapped with the control variables Set1, Set2, Set3 and the possible executable functions are mapped with the behavior variables Behavior1, Behavior2, Behavior3. This allows for three different, predictable views of each functional component of a larger overall system.

Für die Berechnung eines Diagnoseergebnisses interessiert hierbei die Sicht auf die Mode-Variablen Mode1, Mode2, Mode3, deren Werte eine Aussage über den Fehlerzustand der zugehörigen Funktionskomponente geben. Ändert sich der Zustand einer Wahrscheinlichkeitsvariablen im Junction Tree, so wird die Information über diese Zustandsänderung im Junction Tree propagiert und die Auswirkung dieser Zustandsänderung auf alle übrigen Wahrscheinlichkeitsvariablen berechnet. Nach erfolgter Propagation können die Werte der Mode-Variablen Mode1, Mode2, Mode3 durch Marginalisierung berechnet werden. Bei diesem mit Marginalisierung bezeichneten Berechnungsverfahren werden alle die jeweilige Mode-Variable beeinflussenden Wahrscheinlichkeiten aufsummiert, so dass sich für die jeweilige Mode-Variable ein dem jeweiligen Gesamtzustand des technischen Systems entsprechender Wert ergibt. Die Mode-Variable enthält also ein Wahrscheinlichkeitswert über den Fehlerzustand der betreffenden Funktionskomponente. Durch Berechnung der Mode-Variablen erhält man also eine Aussage darüber, welche Funktionskomponenten mit welcher Wahrscheinlichkeit defekt, ausgefallen oder intakt sind. Man erhält mit anderen Worten ein Diagnoseergebnis.For the calculation of a diagnosis result interested in the view of the Mode variables Mode1, Mode2, Mode3, whose values provide information about the Error state of the associated function component give. change the state of a probability variable in the junction tree, so will the information about this change of state propagated in the junction tree and the effect of this state change to all other probability variables calculated. After propagation, the values of the mode variables Mode1, Mode2, Mode3 can be calculated by marginalization. at this marginalization calculation method all probabilities influencing the respective mode variable added up, so that for the respective mode variable a the overall state of the corresponding technical value. The mode variable contains So a probability over the error state of the relevant Functional component. By calculating the mode variables you get so a statement about which functional components are defective, with what probability are out of order or intact. In other words, a diagnosis result is obtained.

Setzt man den Wert einer Mode-Variablen oder den Wert mehrerer Mode-Variablen als evident fest, so kann diese Evidenz wiederum im Junction Tree auf alle übrigen Wahrscheinlichkeitsvariablen propagiert werden. Mit der evidenten Festle gung der Mode-Variablen wird eine Aussage über den Fehlerzustand der im technischen Gesamtsystem vorhandenen Funktionskomponenten getroffen. Die Propagation der evident festgesetzten Mode-Variablen im Junction Tree enthält also die Auswirkung eines festgestellten Fehlers auf das technische Gesamtsystem. Die Information darüber, welche Funktionen der einzelnen Funktionskomponenten noch in welchem Maße möglich sind, ist hierbei in den Verhaltensvariablen enthalten. Die Berechnung der Verhaltensvariablen Behaviour1, Behaviour2, Behaviour3 erfolgt wiederum mittels Marginalisierung. Auch hierbei werden die die jeweilige Verhaltsvariable beeinflussenden Wahrscheinlichkeiten aufaddiert. Man erhält also eine Wahrscheinlichkeitsverteilung für die Verhaltensvariablen der einzelnen Teilkomponenten, mit anderen Worten, welches Verhalten, welche Funktionen mit den Funktionskomponenten noch in welchem Maße und mit welcher Wahrscheinlichkeit möglich sind.Puts the value of a mode variable or the value of several mode variables as evident, this evidence can turn in the junction tree on all the rest Probability variables are propagated. With the obvious Determining the mode variables is a statement about the error state of the overall technical system met existing functional components. Propagation of evidently fixed mode variables in the junction Tree contains So the impact of a detected error on the technical Overall system. The information about what functions each one Function components are still possible to what extent is here in contain the behavioral variables. The calculation of behavioral variables Behavior1, Behavior2, Behavior3 takes place again by means of marginalization. Here, too, the ones influencing the respective behavioral variable become Probabilities added up. So you get a probability distribution for the Behavioral variables of the individual subcomponents, in other words, which behavior, which functions with the functional components still to what extent and with what probability are possible.

Wurde z. B. die Funktionskomponente 1 als Defekt diagnostiziert und wurde die Mode-Variable Mode1 auf den Wert für 100% defekt gesetzt, und ergibt sich nach Propagieren der evident festgesetzten Mode-Variablen Mode1 im Junction Tree für die Verhaltensvariable Behaviour1 der zugehörigen Funktionskomponente 1 ein von Null verschiedener Wert für das Funktionieren dieser Funktionskomponente, so existiert eine Wahrscheinlichkeit dafür, dass die Funktionen der ausgefallenen Funktionskomponente 1 durch Ersatzmaßnahmen wieder hergestellt werden kann. Beim Beispiel des bereits angesprochenen elektrischen Fensterhebermotors könnte z. B. ein ausgefallenes Türsteuergerät, das evident als fehlerhaft gesetzt wurde, eine Propagation dieses Fehlers und eine Marginalisierung der Funktion „Fenster schließen" für die Wahrscheinlichkeit, dass die Funktion „Fenster schließen" trotz ausgefallenem Türsteuergerätes noch möglich ist, einen Wert von 50 % ergeben. Die Wahrscheinlichkeit, dass ein „Fenster schließen" trotz ausgefallenem Türsteuergerät noch möglich ist, könnte z. B. durch die mögliche Ansteuerung des Fensterhebermotors über das Steuergerät für eine Zentralverriegelung herstammen. Bei einer Marginalisierung der Verhaltensvariablen „Fenster schließen" würde sich dann bei ausgefallenem Türsteuergerät für den Pfad über das Türsteuergerät der Wahrscheinlichkeitswert Null ergeben, für den Pfad über das Steuergerät für die Zentralverriegelung würde sich jedoch weiterhin ein Wert von 100 ergeben, so dass nach erfolgter Marginalisierung und Neunormierung der Verhaltensvariablen „Fenster schließen" sich ein Gesamtwert für diese Verhaltensvariable von 50 % ergäbe. Die Aufrechterhaltung der Funktion einer ausgefallenen Komponente ist also möglich und mit dem erfindungsgemäßen Expertensystem berechenbar. Bei dem vorgenannten Beispiel des elektrischen Fensterhebermotors könnte die ausgefallene Funktion des Türsteuergerätes von der Zentralverriegelung übernommen werden.Was z. B. the functional component 1 was diagnosed as a defect and the mode variable Mode1 was set to the value for 100% defective, and results after propagating the evidently established mode variables Mode1 in the junction tree for the behavioral variable Behavior1 of the associated functional component 1 a non-zero value for the functioning of this functional component, there is a probability that the functions of the failed functional component 1 can be restored by replacement measures. In the example of the already mentioned electric window motor could z. For example, a fancy door controller that was evidently set faulty, a propagation of that fault, and a marginalization of the close window function for the probability that the close window function is still possible despite the door controller malfunctioning, gives a value of 50% , The probability that a "close window" is still possible in spite of a failed door control unit could, for example, be due to the possible control of the window regulator motor via the central locking control unit. If the behavioral variable "close window" is marginalized, then the door control unit would fail however, the path through the door controller would yield zero, but the path through the central locking controller would continue to be 100, so that after marginalization and re-normalization of the close window behavior variable, a total value for this behavior variable of The maintenance of the function of a failed component is therefore possible and calculable with the expert system according to the invention rsteuergerätes be taken over by the central locking.

Mit dem erfindungsgemäßen Expertensystem ist es in einer weiteren Ausführungsform nicht nur möglich, die Möglichkeit einer Funktionswiederherstellung zu berechnen und festzustellen, sondern es kann nach einer entsprechenden Zielfindung und nach einer Auswahl aus verschiedenen Wiederherstellungsszenarien auch berechnet und ermittelt werden, mit welchen Ersatzmaßnahmen die Funktionswiederherstellung bzw. die ausgewählten Ziele zu erreichen sind. Ist in dem Ausführungsbeispiel aus 1 und 2 die Funktionskomponente 1 die Ansteuerung einer Drosselklappe eines Verbrennungsmotors, während die Funktionskomponente die Ansteuerung für die Benzinpumpe ist, so kann das bisher berechnete Ergebnis zur Funktionswiederherstellung z. B. die beiden Alternativen aufzeigen, dass der Verbrennungsmotor entweder noch mit einer Leistung von 25 bei ausgefallener Drosselklappe oder unter anderen Voraussetzungen noch mit einer Leistung von 50 % bei ausgefallener Drosselklappe betrieben werden kann. Die beiden Alternativen 25 %-Leistung bzw. 50 %-Leistung würden sich hierbei aus unterschiedlichen Ersatzmaßnahmen für die ausgefallene Drosselklappe auszeichnen. Bei einem derartigen Szenario ermöglicht das erfindungsgemäße Ausführungsbeispiel in einer Weiterbildung auch die Berechnung und die Ermittlung der für die Zielfindung notwendigen Ersatzmaßnahmen. Wurde ein gewünschtes Verhaltensziel ausgewählt und festgelegt, so liegen damit auch die Verhaltensvariablen als evident fest. Die Informationen über die evident festgelegten Verhaltensvariablen Behaviour1, Behaviour2, Behaviour3 wird im Junction Tree propagiert. Damit sind nun die Mode-Variablen und die Verhaltensvariablen evident festgelegt. Eine Propagation der zuletzt festgelegten Verhaltensvariablen wirkt sich auf die Steuerungsvariablen Set1, Set2, Set3 der einzelnen Funktionskomponenten aus. Die Berechnung dieser Steuerungsvariablen durch Marginalisierung ergibt eine Aussage, mit welchen Steuerungsmaßnahmen das ausgewählte Ziel erreicht werden kann. Für das Beispiel der ausgefallenen Drosselklappe können die Ersatzmaßnahmen z. B. lauten: die Drosselklappe durch Setzen der Steuerungsvariablen auf 100 % soweit zu öffnen, wie noch möglich ist und ausgefallene Leistung dadurch zu kompensieren, dass der Motor auf Kosten des Benzinverbrauchs nicht mehr stöchiometrisch betrieben wird, sondern dass durch erhöhte Förderleistung und erhöhte Ansteuerung der Benzinpumpe der Motor mit einem fetten Kraftstoffgemisch betrieben wird. Dies könnte durch eine überproportionale Erhöhung der Steuerungsvariablen Set2 geschehen. Durch Marginalisierung bzw. Berechnung der Steuerungsvariablen ergeben sich also mögliche Ersatzmaßnahmen, mit denen die Funktionen ausgefallener Komponenten zumindest teilweise kompensiert werden können.With the expert system according to the invention, in another embodiment, it is not only possible to calculate and determine the possibility of functional recovery, but it can also be calculated and determined after a corresponding goal determination and a selection from different recovery scenarios, with which replacement measures the function recovery or the selected goals are to be achieved. Is in the embodiment of 1 and 2 the functional component 1 the control of a throttle valve of an internal combustion engine, while the functional component is the control for the gasoline pump, the previously calculated result for functional recovery z. B. show the two alternatives that the engine can be operated either with a power of 25 at failed throttle or other conditions even with a power of 50% at failed throttle. The two alternatives 25% power and 50% power would be characterized by different replacement measures for the failed throttle. In such a scenario, the embodiment according to the invention in a further development also enables the calculation and determination of the replacement measures necessary for the target determination. If a desired behavioral goal has been selected and determined, the behavioral variables are also evident. The information about the behavior variables Behaviour1, Behavior2, Behavior3, which are obviously defined, is propagated in the junction tree. Thus, the mode variables and the behavior variables are now clearly defined. A propagation of the last defined behavioral variable affects the control variables Set1, Set2, Set3 of the individual function components. The calculation of these control variables by marginalization gives a statement with which control measures the selected target can be achieved. For the example of the failed throttle, the replacement measures z. For example, the throttle valve can be opened by setting the control variables to 100% as far as is still possible and compensate for failed performance by the fact that the engine is no longer operated stoichiometrically at the expense of gasoline consumption, but that increased output and increased control of Fuel pump, the engine is operated with a rich fuel mixture. This could be done by a disproportionate increase of the control variable Set2. Marginalization or calculation of the control variables thus results in possible replacement measures with which the functions of failed components can be at least partially compensated.

Sind bei einem komplexen System verschiedene Ersatzmaßnahmen möglich, so können die möglichen Ersatzmaßnahmen einer zu sätzlichen Bewertung, z. B. in Form einer Kostenrechnung, zugeführt werden und die letztlich zu treffenden, konkreten Ersatzmaßnahmen zur Funktionswiederherstellung von der Bewertung der verschiedenen Ersatzmaßnahmen abhängig gemacht werden. Die letztliche Entscheidung und Auswahl wird auch als Recovery-Entscheidung bezeichnet.are In a complex system different substitute measures possible, so the possible replacement measures one too additional Rating, e.g. B. in the form of a cost accounting, are supplied and the final, concrete replacement measures to be taken for functional recovery from the evaluation of the various Alternative measures dependent be made. The final decision and choice will also referred to as a recovery decision.

Im Folgenden soll anhand von 3 der zuvor beschriebene Prozess zur Funktionswiederherstellung nochmals anhand eines Flussdiagramms zusammengefasst werden. Bei einem technischen System werden mittels Aktuatoren oder Sensoren oder durch Benutzereingaben über eine Schnittstelle Input-Interface-Informationen über die Zustandsänderung eines technischen Systems in das Expertensystem eingegeben. Diese Information über eine eingetretene Zustandsänderung wird in dem Junction Tree, der das technische System abbildet, durch Propagieren auf alle Wahrscheinlichkeitsvariablen ausgedehnt. Zur Erzielung eines ersten Diagnoseergebnisses werden diejenigen Variablen, die über den Fehlerzustand einzelner Funktionskomponenten Auskunft geben können, marginalisiert. In den hier besprochenen Ausführungsbeispielen sind dies jeweils die Mode-Variablen. Das durch Marginalisierung berechnete Diagnoseergebnis wird mittels Look-up-Tabellen zu den verschiedenen Belegungen der Mode-Variablen bewertet. Entsprechend dem Ergebnis der Bewertung erfolgt eine Diagnoseentscheidung. Die Diagnoseentscheidung über den Fehlerzustand einer Funktionskomponente kann hierbei computerimplementiert und automatisiert getroffen werden, indem z. B. eine Funktionskomponente evident als Defekt gesetzt wird, wenn der berechnete Wert der Mode-Variablen für das Vorhandensein eines Fehlers bei über 80 % Wahrscheinlichkeit liegt. In diesem Fall könnte die betreffende Mode-Variable z. B. per Diagnoseentscheidung auf 100% Wahrscheinlichkeit für defekt geschätzt werden. Diese Diagnoseentscheidung beinhaltet also das Evidentfestsetzen der Mode-Variablen für die einzelnen zu betrachtenden Funkti onskomponenten. Die Information über die evident festgesetzten Mode-Variablen wird wiederum im Junction Tree propagiert. Im nächsten Schritt werden diejenigen Variablen des Junction Tree marginalisiert, die die verschiedenen Funktionszustände der einzelnen Funktionskomponenten abbilden. In den bisher ausgewählten Ausführungsbeispielen sind dies die Verhaltensvariablen. Einzelnen Funktionen des technischen Gesamtsystems können hierbei verschiedene Risiken zuwachsen oder zugeordnet sein. Zum Beispiel kann es in einem Kraftfahrzeug erforderlich sein, dass zum weiteren Betrieb des Fahrzeugs mindestens 80 % der Nennbremsleistung gewährleistet sein müssen. Die Belegung der Verhaltensknoten kann also unmittelbare Auswirkung auf die Risiken, mit denen das technische Gesamtsystem noch betrieben werden kann, haben. Deshalb wird bei risikobehafteten Gesamtsystemen das erfindungsgemäße Expertensystem um Risikoknoten (siehe 1) erweitert. Die Marginalisierung der Verhaltensknoten muss bei diesen risikobehafteten technischen Systemen für die Zielfindung noch auf die Risikoknoten bzw. die Risikovariablen Junction Tree propagiert werden. Die Zielfindung, welche Verhaltensbelegung zur Funktionswiederherstellung wieder ausgewählt werden soll, erfolgt dann bei diesen risikobehafteten Systemen durch Auswertung der Risikovariablen. Ergibt die Auswertung der Risikovariablen z. B. das Ergebnis, dass das technische System unverzüglich stillzulegen ist, so kann diese Systemstilllegung z. B. durch unmittelbares Setzen von Zielvariablen und deren sofortigen Propagieren auf die Steuerungsvariablen der einzelnen Funktionskomponenten erreicht werden. Die Risikoabschätzung kann hierbei über den Risikovariablen zugeordneten Look-up-Tabellen erfolgen. In diesen Look-up-Tabellen ist festgehalten, bei welchen Werten der Risikovariablen, welche Maßnahmen zu treffen sind. Für nicht besonders risikobehaftete technische Systeme können die Risikoknoten und die Goal-Knoten, respektive die Risikovariablen und die Zielvariablen als sepa rat ausgebildete Variablen entfallen. Risiko und Ziel wird – dann mit den Verhaltensvariablen und deren Zustandsbelegungen selbst gefunden und festgesetzt. Zur Zielfindung können deshalb auch in Verhaltensvariablen bzw. deren Belegungen Look-up-Tabellen zugeordnet sein. In diesem Fall können die Look-up-Tabellen Kostenfunktionen abbilden, die bestimmten Zustandsbelegung der Verhaltensvariablen Kosten zuordnen. Durch die Implementierung dieser Kostenfunktion können zu möglichen verschiedenen Belegungen der Verhaltensvariablen die Kosten zugeordnet und berechnet werden und für eine Zielfindung, welche Zustandsbelegung der Verhaltensvariablen auszuwählen ist, herangezogen werden. Eine Zielfindung kann sich z. B. durch Minimierung der Kosten für das Gesamtsystem ergeben. Nach der Zielfindung werden entweder bei risikobehafteten Systemen die Goal-Variablen festgelegt oder bei Systemen, bei denen die Goal-Variablen nicht separat ausgebildet sind, die Verhaltensvariablen festgelegt und anschließend die Informationen über die evident festgelegt Variablen im Junction Tree propagiert. Durch die Marginalisierung der Steuerungsvariablen ergibt sich eine Wahrscheinlichkeitsverteilung für die für die Funktionswiederherstellung zu treffenden Steuerungsmaßnahmen. Stehen für die definierte Zielerreichung mehrere Alternativen für die Belegung der Steuerungsvariablen als Ersatzmaßnahmen zur Verfügung, so kann auch den Steuerungsvariablen in Form einer Look-up-Tabelle eine Kostenrechnung hinterlegt sein. Die letztendliche Recovery-Entscheidung, d. h., welche der vielen möglichen Ersatzmaßnahmen letztlich auszuwählen ist, kann dann durch eine Kostenrechnung erfolgen, z. B. durch Auswahl derjenigen Ersatzmaßnahme, die die niedrigsten Gesamtkosten zur Folge hat. Die getroffene Recovery-Entscheidung wird dann nach Festsetzen der Steuerungsvariablen über eine Systemschnittstelle Output-Interface entweder in direkte Steuerungsbefehle für die betreffenden Funktionseinheiten umgesetzt oder die Recovery-Entscheidung wird als Kundeninformation, z. B. dem Fahrzeugnutzer zur Anzeige gebracht, wobei dann der Kunde aus den möglichen, bereits bewerteten Ersatzmaßnahmen eine ihm geeignete Ersatzmaßnahme zur Funktionswiederherstellung auswählen kann. In dem letztgenannten Fall wird erst nach Auswahl durch den Kunden die getroffene Ersatzmaßnahme durch Steuerungsbefehle an die Funktionseinheiten umgesetzt.The following is based on 3 the function recovery process described above will be summarized again with reference to a flow chart. In a technical system, input interface information about the state change of a technical system is input into the expert system via actuators or sensors or user inputs via an interface. This change of state information is propagated in the junction tree representing the technical system by propagating to all probability variables. To achieve a first diagnostic result, those variables that can provide information about the error status of individual functional components are marginalized. In the embodiments discussed here, these are each the mode variables. The diagnostic result calculated by marginalization is evaluated by means of look-up tables for the different assignments of the mode variables. According to the result of the evaluation, a diagnosis decision is made dung. The diagnosis decision about the error state of a functional component can hereby be implemented computer-aided and automated, by z. For example, a function component is evidently set as a defect if the calculated value of the mode variable for the presence of an error is greater than 80% probability. In this case, the relevant mode variable z. B. estimated by diagnostic decision to 100% probability of defect. This diagnostic decision thus includes the setting of the mode variables for the individual functional components to be considered. The information about the obviously set mode variables is in turn propagated in the junction tree. In the next step, those variables of the junction tree are marginalized, which map the different functional states of the individual function components. In the previously selected embodiments, these are the behavioral variables. Individual functions of the overall technical system may involve or be associated with various risks. For example, it may be necessary in a motor vehicle that at least 80% of the nominal braking power must be ensured for further operation of the vehicle. The occupancy of the behavior nodes can therefore have an immediate effect on the risks with which the overall technical system can still be operated. Therefore, in the case of risky overall systems, the expert system according to the invention is provided with risk nodes (see 1 ) expanded. The marginalization of the behavioral nodes must still be propagated to the risk nodes or the risk variables Junction Tree in these risky technical systems for target determination. The determination of the target, which behavior assignment should be selected for functional recovery, then takes place in these risky systems by evaluating the risk variables. If the evaluation of the risk variables z. B. the result that the technical system is shut down immediately, this system shutdown z. B. by setting target variables immediately and their immediate propagation to the control variables of the individual functional components can be achieved. The risk assessment can take place via the look-up tables assigned to the risk variables. These look-up tables specify the values of the risk variables, which measures are to be taken. For technical systems which are not particularly at risk, the risk nodes and the goal nodes, respectively the risk variables and the target variables can be omitted as separately developed variables. Risk and goal is - then found and fixed with the behavioral variables and their condition assignments. Therefore, look-up tables can also be assigned to behavioral variables or their assignments. In this case, the look-up tables can map cost functions that assign costs to specific status assignments of the behavior variables. By implementing this cost function, it is possible to allocate and calculate the costs for possible different assignments of the behavior variables and to use them for a goal determination as to which state assignment of the behavior variables is to be selected. A goal finding can be z. B. by minimizing the cost of the overall system. After the goal determination, the goal variables are defined either in risky systems or in systems where the goal variables are not separately developed, the behavior variables are defined and then the information about the evidently defined variables is propagated in the junction tree. The marginalization of the control variables results in a probability distribution for the control measures to be taken for the function recovery. If several alternatives for the assignment of the control variables are available as substitute measures for the defined target achievement, a cost accounting can also be stored for the control variables in the form of a look-up table. The final recovery decision, ie, which of the many possible replacement measures to ultimately select, can then be done by a cost accounting, for. By selecting the replacement measure that will result in the lowest overall cost. The recovery decision made is then implemented after setting the control variables via a system interface output interface either in direct control commands for the functional units concerned or the recovery decision is as customer information, for. B. brought to the vehicle user for display, in which case the customer can choose from the possible, already evaluated replacement measures a suitable replacement measure for function recovery. In the latter case, the replacement measure taken is implemented by control commands to the functional units only after selection by the customer.

4 zeigt eine weitere mögliche Ausführungsform des erfindungsgemäßen Expertensystems, die immer dann in Erwägung gezogen werden kann, wenn ein technisches Gesamtsystem aus mehreren Funktionseinheiten besteht, die jeweils über eigene Rechenkapazität verfügen und untereinander über ein Kommunikationsnetzwerk verbunden sind. Dies ist z. B. bei Steuergerätenetzwerken, wie sie auch im Kraftfahrzeug eingesetzt werden, durchgängig der Fall. In 4 sind die Steuergeräte mit ECU1, ECU2, ECU3 bezeichnet. Jedes dieser Steuergeräte verfüge über eigene Rechenkapazität und sei an ein Kommunikationsnetzwerk angeschlossen. Nach Abbildung des technischen Systems in einen Graphen eines Bayesnetzwerkes, nach Triangulation des Bayesnetzwerkes und nach Aufstellen des zugehörigen optimierten Junction Trees ist für ein derartiges technisches System mit mehreren vernetzten Steuergeräten eine Parallelisierung und eine Aufteilung der notwendigen Berechnungen auf die einzelnen Steuergeräte möglich. Hierzu wird eine Eigenschaft der Separatoren 11 eines optimierten Junction Tree ausgenutzt. Jeder Separator zweier benachbarter Cliquen enthält alle Informationen über die Abhängigkeit der Wahrscheinlichkeitsvariablen in den durch den Separator getrennten benachbarten Cliquen. Damit kann ein Junction Tree an jedem Separator ohne Informationsverlust aufgetrennt werden, sofern man dafür sorgt, dass die Information an der Trennstelle in beiden entstehenden Teil-Junction Trees zur Verfügung steht. Der Informationsaustausch zwischen zwei getrenn ten Teilnetzen, die an einem Separator aufgetrennt wurden, kann deshalb in Kommunikationsnetzwerken mit einem sogenannten Token 12 erfolgen, der jeweils den Informationsgehalt des trennenden Separators von dem ersten Teilnetz auf das sich anschließende Teilnetz überträgt. Da der Junction Tree an jedem Separator aufgeteilt werden kann, kann der Junction Tree im Prinzip in beliebig viele Teil-Junction Trees aufgespalten werden. Zur Informationsübergabe zwischen zwei Teilnetzen wird dann jeweils ein Token 12 eingeführt. Damit können die zur Propagation und zur Auswertung notwendigen Berechnungen durch Aufteilung des Junction Tree auf verschiedene Rechnersysteme, insbesondere Steuergeräte, parallelisiert werden. Vorteilhafterweise teilt man zur Parallelisierung den Junction Tree des Gesamtsystems in eine Anzahl Teilnetze auf, so dass die Anzahl der Teilnetze der Anzahl der für die Parallelisierung eingesetzten Rechnersysteme entspricht. Die Aufteilung und damit die Parallelisierung ist hierbei umso effektiver je weniger Wahrscheinlichkeitsvariablen der für die Trennung ausgewählte Separator enthält. Die Anzahl der Wahrscheinlichkeitsvariablen des trennenden Separators bestimmt wesentlich den Kommunikationsaufwand zwischen den parallelisierten Teilnetzen. Besonders günstig sind daher für eine Parallelisierung diejenigen Separatoren, die am wenigsten Variablen enthalten. 4 shows another possible embodiment of the expert system according to the invention, which can always be considered when an overall technical system consists of several functional units, each having their own computing capacity and are interconnected via a communication network. This is z. B. in ECU networks, as they are also used in motor vehicles, consistently the case. In 4 the controllers are labeled ECU1, ECU2, ECU3. Each of these control units has its own computing capacity and is connected to a communication network. After mapping the technical system into a graph of a Bayes network, after triangulation of the Bayes network and after setting up the supplied For such a technical system with several networked control units, a parallelization and a division of the necessary calculations onto the individual control units is possible for hearing-impaired Junction Trees. For this purpose, a property of the separators 11 exploited an optimized junction tree. Each separator of two adjacent cliques contains all information about the dependence of the probability variables in the adjacent cliques separated by the separator. This allows a junction tree to be separated at each separator without loss of information, provided that the information at the separation point is available in both resulting sub-junction trees. The information exchange between two separate th subnets that have been separated at a separator, therefore, in communication networks with a so-called token 12 carried out, each of the information content of the separating separator transfers from the first subnet to the subsequent subnet. Since the junction tree can be split at each separator, the junction tree can in principle be split into any number of sub-junction trees. For information transfer between two subnets then each token 12 introduced. In this way, the calculations required for propagation and evaluation can be parallelized by dividing the junction tree into different computer systems, in particular control devices. For parallelization, it is advantageous to divide the junction tree of the overall system into a number of subnetworks, so that the number of subnetworks corresponds to the number of computer systems used for the parallelization. The division and thus the parallelization is all the more effective in this case the fewer probability variables the separator selected for the separation contains. The number of probability variables of the separating separator substantially determines the communication effort between the parallelized subnetworks. Therefore, those separators which contain the least variables are particularly favorable for parallelization.

Claims

Bayes network-based expert system for diagnosis, risk analysis and functional restoration of technical systems, especially in motor vehicles, in which - in at least one electronic processing unit a knowledge base in the form of a model-based junction tree and decision knowledge and an inference algorithm are implemented, the junction tree Nodes and links are nodes that represent probability variables and the links represent the dependency of the variables, and the inference algorithm propagates the effect of a state change of a probability variable on other probability variables of the junction tree, characterized in that each functional component of the technical system in the junction Tree is formed of at least one behavioral variable, a mode variable and a control variable, wherein - in a first propagation, the state change at least one the variables of the junction tree are propagated to all variables of the junction tree and the state assignment of the mode variables is set evidently with a diagnostic algorithm; in a following propagation, the effect of the defined states of the mode variables on the states of the behavior Variables is calculated and using an evaluation algorithm, from the still possible states of the behavioral variables a possible function recovery of the function component diagnosed as defective is calculated.

Expert system according to claim 1, characterized that with a goal-finding algorithm out of the still possible states the behavioral variables an evident state assignment for function resistance is determined.

Expert system according to claim 2, characterized that the impact of the evident states of the Behavior variables and the evidently set mode variables on the control variables is propagated.

Expert system according to one of claims 1 to 3, characterized in that the decision-making knowledge in a Look-up table is deposited and to each state occupancy of the Behavior variables a cost assignment is deposited and the evaluation algorithm the possible ones Condition assignments for functional resistance on the basis of costs for the selects each state assignment and prioritized alternatives.

Expert system according to one of claims 4, characterized characterized in that the alternatives as customer information for Selection will be displayed.

Expert system according to claim 4, characterized that from the alternatives of the evaluation algorithm automatically the Alternative with the lowest allocated costs selected and is propagated in the junction tree.

Expert system according to one of claims 1 to 6, characterized in that decision knowledge in another Look-up table is deposited and to each state occupancy of the Control variables a cost assignment is stored.

Expert system according to claim 7 in its back references Claim 5 and 6, characterized in that the possible Control alternatives to a selected alternative to function recovery selected and prioritized according to the assigned costs.

Expert system according to claim 8, characterized that the possible Control alternatives displayed as customer information become.

Expert system according to claim 8, characterized that out of the possible Control alternatives from the expert system that control alternative is selected automatically with the lowest associated cost.

Expert system according to one of claims 1 to 10, characterized in that the selected state assignment of the control variables in control commands for the Function components are implemented.

Bayesian network-based expert system for diagnosis, Risk analysis and functional restoration of technical systems, in particular in motor vehicles, in which - in at least one electronic Computing unit a knowledge base, a model structure in the form of a junction Tree and a propagation algorithm are implemented, the Junction Tree consists of nodes and connections, the nodes here Represent probability variables and the connections the dependence representing the variables, and the propagation algorithm, the effect of a state change a node propagates to all nodes of the junction tree, thereby in that the propagation spread over several Arithmetic units away.