EP4526746A1 - Detektion von anomalien in einem technischen system durch überwachung mit mehreren sensoren - Google Patents

Detektion von anomalien in einem technischen system durch überwachung mit mehreren sensoren

Info

Publication number
EP4526746A1
EP4526746A1 EP23723927.2A EP23723927A EP4526746A1 EP 4526746 A1 EP4526746 A1 EP 4526746A1 EP 23723927 A EP23723927 A EP 23723927A EP 4526746 A1 EP4526746 A1 EP 4526746A1
Authority
EP
European Patent Office
Prior art keywords
technical system
sensors
machine learning
learning model
behavior
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.)
Withdrawn
Application number
EP23723927.2A
Other languages
English (en)
French (fr)
Inventor
Andres Mauricio Munoz Delgado
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of EP4526746A1 publication Critical patent/EP4526746A1/de
Withdrawn legal-status Critical Current

Links

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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods

Definitions

  • the present invention relates to the sensory monitoring of technical systems for detecting known and unknown anomalies.
  • the invention provides a method for detecting anomalies in a technical system whose behavior is monitored by an arrangement of n sensors.
  • a parameter KP is determined, which represents a pairwise conditional probability distribution P D (i
  • j) describes probabilities that sensor i delivers certain concrete observations.
  • KP can be determined as the mean of a distribution of observations from sensor i for all time steps at which the observation from sensor j has the same value as in journal t.
  • the parameter can alternatively or in combination also be: any other properties of the pairwise conditional probability distribution P D (i
  • j) can also be determined or approximated in any other way, and the parameter KP can then be determined from this.
  • a tensor K* of all parameters KP is therefore a “fingerprint” of the behavior of the technical system, which records the inherent correlations between the individual sensor modalities.
  • This “fingerprint” K* that is mapped by a trained machine learning model to a classification as to whether the behavior of the technical system is normal or abnormal.
  • This classification can take any form. For example, it can be binary or contain one or more real-valued scores related to certain aspects of the business.
  • At least two sensors are advantageously selected for measured variables between which the physical configuration of the technical system in the nominal state of this system mediates a physical interaction.
  • the one measurement variable can in particular be, for example, a measure of an amount of energy supplied to the technical system or present in it, and the other measurement variable can then be a measure of the existing amount of energy or an energy output by the technical system.
  • a warm fluid supplied at one end of the pipeline introduces energy into the pipeline, and when the pipeline is heated by this, it in turn radiates energy.
  • an increased motor current of an electrical machine will also manifest itself in an increased amplitude of vibrations of this machine. Since energy is a physical conserved quantity, in many technical systems there are temporal correlations between measured values provided by different sensors. These correlations do not have to be explicitly analyzed and formulated in order to use them to monitor the technical system for normal function. It is sufficient that the correlations simply exist physically during normal operation so that they can be learned by the machine learning model.
  • At least two further sensors are selected for further measured variables, between which the physical configuration of the technical system in the nominal state of this system is one excludes physical interaction. For example, pressures in areas or containers that are not connected to one another should not be correlated with one another. However, if such a correlation does exist, it may indicate that there is an undesirable leak between the areas or containers.
  • the further sensors can be arranged on different sides of a barrier which prevents the physical interaction between the further measured variables in the nominal state of the technical system.
  • the machine learning module can, for example, learn the normal behavior of the technical system and then classify everything that is “different in some way” as an anomaly, even if the anomaly is only in a small portion of the signal from one or more sensors recorded measurement signals.
  • This is somewhat analogous to the fact that a burglar alarm system does not trigger an alarm if the legitimate occupant of the house drives a nail into the wall with a hammer, while at the same time it recognizes the working noises caused by manual manipulation of the door lock with unlocking tools as an attempted break-in and triggers an alarm.
  • the technical system can in particular be, for example, a vehicle or an industrial plant that processes one or more educts into one or more products through one or more processing steps.
  • a vehicle in particular conveys a multitude of correlations through its body, in and on which the sensors are distributed in a comparatively small space, which can be used to detect anomalies.
  • correlations are mediated, for example, by material flows of reactants and/or products through the plant.
  • Control devices in vehicles, as well as “plant historians” in industrial plants also automatically log a large number of measured values.
  • These protocols can be used, for example, to obtain labeled training data for both the normal state and the abnormal state in conjunction with the knowledge that there were or were not anomalies at certain times.
  • the machine learning model can be trained in a monitored manner using this labeled training data.
  • j) can be determined and/or approximated with the help of training data. How far into the past a machine learning model can look is determined by the architectural parameters chosen, such as the widths of filter kernels in convolution layers.
  • a control signal is formed from the classification provided by the machine learning model.
  • the technical system is controlled with this control signal.
  • the maximum speed can be reduced, the execution of certain risky driving maneuvers (such as overtaking maneuvers) can be prevented, or the vehicle can be brought to a stop on a pre-planned emergency stop trajectory.
  • an industrial plant can be switched to a safe mode in which the throughput of the plant is reduced to a minimum. In this safe mode, the system can then also be operated manually, for example if the automatic control fails.
  • the machine learning model can be trained with labeled training examples of tensors K*.
  • specially labeled training examples for anomalies are often scarce because the technical systems usually work so well that anomalies are rare.
  • the invention therefore provides a method for training a machine learning model for use in the method described above, which requires only a few labeled training examples.
  • training examples for tensors K* of parameters KP which characterize pairwise conditional probability distributions P D (i
  • a distribution of disturbances p is provided which is known to only change a tensor K* in a way that can also happen during normal operation of the technical system.
  • An example of such disturbances p is additive, normally distributed noise, which can also be contained in the observations provided by the sensors.
  • Further examples include a stochastic zeroing of off-diagonal elements of the tensor K*, a replacement of elements on the level t by elements on the levels t + 1 or t - 1, and/or an interchange of levels t, t' of the tensor K*.
  • These disturbances simulate errors that can occur during sensory acquisition and the transmission of measurement data over a network. This allows a mixing of elements on level t with elements at levels t + 1 or t - 1, for example, can be caused by inaccurate time synchronization between sensors. Poor time synchronization or problems in transmitting the measurement data over a network can, for example, lead to levels t, t' being swapped. Sporadic sensor errors can manifest themselves, for example, in missing off-diagonal elements in the tensor K*.
  • Contrastive learning is self-supervised learning using positive and negative examples that are known to be similar or dissimilar to each other.
  • the modifications and these pairs differ not only in the usual disorders mentioned, but are also variations of two completely different examples. Therefore, the machine learning model should recognize these variations and as dissimilar to each other.
  • the machine learning model to be trained is made from the modifications and K*" each processing products and generated. This does not have to be the final output of the machine learning model that shows the classification regarding the normal or abnormal state.
  • the machine learning model can include, for example, a feature extractor that extracts features from the tensor K*, and a classification head that maps these features to the desired classification of the behavior of the technical system.
  • the feature extractor can in particular, for example, comprise a sequence of several convolution layers that convert their respective input into a dimensionally reduced feature map by applying one or more filter kernels. The processing products and can then be formed by the feature extractor.
  • the feature extractor of the machine learning model is trained to process products in the latent space of its output and that go back to positive couples, close to each other place. It is simultaneously trained to process products in this latent space and to negative pairs go back, place far away from each other.
  • the processing product can therefore correspond to a point z i in latent space, and that Processing product to the same positive pair can become one Correspond to point Zj in latent space.
  • An example cost function that measures whether the points z ; and z, are close to each other, is the NT-Xent-Loss C, normalized temperature-scaled cross entropy): where the function ⁇ measures similarity and ⁇ is a temperature parameter.
  • the temperature parameter ⁇ can in particular be varied, for example, according to an “annealing plan” as a function of the number of epochs.
  • the machine learning model can therefore complete a large part of its training in a self-monitored manner without having to use labeled training examples.
  • the classification head can then be trained in a monitored manner with training examples K* that are labeled with target classifications. Since the classification head only makes up a small portion of the machine learning model, especially in terms of the number of parameters to be optimized, a comparatively small number of labeled training examples is sufficient for this training. In this context, it is also particularly advantageous that the classification head receives as input a processing product that has already been well pre-sorted as a result of the self-monitored training. The classification head does not have to do something that was previously neglected through increased training effort.
  • the invention provides yet another method for training a machine learning method for use in the method described above.
  • this method uses normal supervised training.
  • training examples are provided for tensors K* of parameters that provide pairwise conditional probability characterize distributions P D (i
  • These training examples K* refer to normal behavior of the technical system.
  • a distribution of disturbances p* is now provided which is known to change a tensor K* in a way that is not to be expected in the normal operation of the technical system.
  • An example of such interference is uniformly distributed noise.
  • modifications K* are generated.
  • the machine learning model is trained in a monitored manner with the training examples K* for normal behavior of the technical system on the one hand and with the modifications K* as training examples for abnormal behavior of the technical system on the other hand.
  • the machine learning model can be trained directly on the desired classification task in one step, provided that a suitable distribution of disturbances p* is available for the respective application.
  • a suitable distribution of disturbances p* is available for the respective application.
  • the contrastive learning approach described above can be used.
  • An important advantage of contrastive learning is that it does not rely on modeling the perturbations p*.
  • the training examples K* can be augmented into further modifications by applying the disturbances p discussed in connection with contrastive learning, which can then be used as further training examples for normal behavior within the framework of supervised learning. Further measures improving the invention are shown in more detail below together with the description of the preferred exemplary embodiments of the invention using figures
  • Figure 1 exemplary embodiment of the method 100 for detecting anomalies in a technical system 1;
  • Figure 3 exemplary embodiment of the method 200 for training a machine learning model 2
  • Figure 4 exemplary embodiment of the method 300 for training a machine learning model 2.
  • Figure 1 is a schematic flow diagram of an exemplary embodiment of the method 100 for detecting anomalies in a technical system 1.
  • the behavior of this system 1 is monitored by an arrangement of n sensors.
  • At least two sensors can be selected for measured variables between which the physical configuration of the technical system 1 in the nominal state of this system 1 mediates a physical interaction.
  • at least two further sensors can then optionally be selected for further measured variables, between which the physical configuration of the technical system 1 can be selected Nominal state of this system 1 excludes a physical interaction.
  • step 130 a tensor K* of all parameters is trained by one Machine learning model 2 is mapped to the desired classification 3 as to whether the behavior of the technical system 1 is normal or abnormal.
  • a control signal 4 is formed from the classification 3 provided by the machine learning model 2.
  • step 150 the technical system 1 is controlled with the control signal 4.
  • Figure 2 illustrates the formation of the tensor K* using a simple example with three time-dependent observations x(t), y(t) and z(t). For each point in time t, conditional probabilities can be given, assuming that one of the three values x(t), y(t) and z(t) is given Specify the values of all variables (t), y(t) and z(t). Parameters the distributions of these in pairs conditional probabilities are compiled in a two-dimensional matrix. All such matrices for all times t together form the tensor K*.
  • step 210 training examples for tensors K* of parameters which characterize pairwise conditional probability distributions P D (i
  • step 220 a distribution of disturbances p is provided which is known to only change a tensor K* in a way that can also happen in normal operation of the technical system.
  • step 230 positive pairs of variations and generated by applying two perturbations p 1 and p 2 sampled from the distribution to one and the same training example K*. These modifications therefore only differ in terms of disturbances p, which also occur with normal behavior of the technical system 1 and the sensory data acquisition.
  • step 240 negative pairs of variations generated by applying two perturbations p 1 and p 2 sampled from the distribution to two different training examples K*' and K*". These modifications therefore differ in more ways than just "normal" perturbations p.
  • step 250 the machine learning model (2) to be trained is selected from the modifications each processing products and generated.
  • the machine learning model 2 may include a feature extractor
  • step 260 parameters 2a, which characterize the behavior of the machine learning model 2, are optimized with the aim of maximum similarity between and at the same time minimal similarity between and These parameters can in particular be the parameters 21 a of the feature extractor 21.
  • the fully optimized state of the parameters 2a, 21a is designated by the reference number 2a*, 21a*.
  • step 270 the classification head 22 is trained in a monitored manner with training examples K* that are labeled with target classifications. This means that the parameters 22a, which characterize the behavior of the classification head 22, are optimized with the aim of mapping the training examples K* from the machine learning model 2 to the respective target classifications.
  • the fully optimized state of these parameters is designated by reference number 22a*.
  • FIG. 4 is a schematic flow diagram of an exemplary embodiment of the method 300 for training a machine learning model 2 for use in the method 100 described in connection with FIG. 1. In contrast to the method 200, this method is based on supervised training.
  • step 310 training examples for tensors K* of parameters which characterize pairwise conditional probability distributions P D (i
  • step 320 a distribution of perturbations p* is provided that are known to modify a tensor K* in a way that is not expected in normal operation of the technical system.
  • step 330 modifications K* are generated by applying perturbations p* sampled from the distribution to training examples K*.
  • the machine learning model 2 is created with the training examples K* for normal behavior of the technical system 1 on the one hand and with the modifications * As training examples for an abnormal behavior of the technical system 1, on the other hand, trained in a monitored manner.
  • the parameters 2a which characterize the behavior of the machine learning model 2, are optimized directly with the aim of ensuring that the training examples K* are classified as normal and the modifications are classified as normal classification as abnormal.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

Verfahren (100) zur Erkennung von Anomalien in einem technischen System (1), dessen Verhalten durch eine Anordnung aus n Sensoren überwacht wird, mit den Schritten: • für jeden Sensor k = 1,...,n wird eine Zeitreihe von N Beobachtungen dieses Sensors für Zeitpunkte t = 1,...,N erfasst (110); • für jeden Zeitpunkt t = 1,.... N sowie für die Indizes i = 1,...,n und j = 1,.... n werden Kenngrößen Kj*, die paarweise bedingte Wahrscheinlichkeitsverteilungen PD(i \ j) von Beobachtungen der Sensoren i und j charakterisieren, ermittelt (120); • ein Tensor K* aller Kenngrößen K^j wird von einem trainierten Machine Learning-Modell (2) auf eine Klassifikation (3) dahingehend abgebildet (130), ob das Verhalten des technischen Systems (1) normal oder anormal ist.

Description

Beschreibung
Titel:
Detektion von Anomalien in einem technischen System durch Überwachung mit mehreren Sensoren
Die vorliegende Erfindung betrifft die sensorische Überwachung technischer Systeme zur Erkennung von bekannten und auch unbekannten Anomalien.
Stand der Technik
Komplexe technische Systeme, wie beispielsweise Fahrzeuge oder Industrieanlagen, werden durch eine Vielzahl von Sensoren überwacht, um Anomalien des Betriebs zu erkennen. Hierbei ist es tendenziell schwierig, Anomalien des überwachten technischen Systems von den unvermeidlichen Störungen der sensorischen Überwachung zu unterscheiden. So sind die von den Sensoren erfassten Messsignale häufig mit Rauschen behaftet, und ihre Übertragung über ein Netzwerk kann zeitverzögert sein. Auch wird es mit zunehmender Anzahl der Sensoren immer wahrscheinlicher, dass die Funktion einzelner Sensoren gestört ist. Um basierend auf konkreten Regeln Anomalien zu erkennen und hierbei die genannten Einflüsse auszublenden, müssten die Messdaten sehr stark geglättet werden, wobei sehr viel Information verloren ginge.
Offenbarung der Erfindung
Die Erfindung stellt ein Verfahren zur Erkennung von Anomalien in einem technischen System, dessen Verhalten durch eine Anordnung aus n Sensoren überwacht wird, bereit. Im Rahmen des Verfahrens wird für jeden Sensor k = 1, ...,n eine Zeitreihe von N Beobachtungen dieses Sensors für Zeitpunkte t = 1, ...,N erfasst. Für jeden Zeitpunkt t = 1, ... , N sowie für die Indizes i = 1, ... , n und j = 1, ... , n wird eine Kenngröße KP ermittelt, die eine paarweise bedingte Wahrscheinlichkeits- verteilung PD(i | j) von Beobachtungen der Sensoren i und j charakterisiert PD(i | j) beschreibt also ausgehend von einer gegebenen Situation, in der der Sensor j eine konkrete Beobachtung liefert, Wahrscheinlichkeiten dafür, dass der Sensor i bestimmte konkrete Beobachtungen liefert. Beispielsweise kann KP als der Mittelwert einer Verteilung von Beobachtungen des Sensors i für alle Zeitschritte ermittelt werden, an denen die Beobachtung des Sensors j den gleichen Wert hat wie im Zeitschrift t. Da die Beobachtungen reellwertig sind, sind möglicherweise keine zwei Beobachtungen exakt gleich, so dass das Erfordernis des „gleichen Werts“ insbesondere beispielsweise zu „in einem Intervall von ± ε um den Wert im Zeitschrift t“ aufgeweicht werden kann. Die Kenngröße kann sich alternativ oder in Kombination hierzu auch auf beliebige andere Eigenschaften der paarweise bedingte Wahrscheinlichkeits- verteilung PD(i | j) beziehen und beispielsweise eine Kenngröße der deskriptiven Statistik von PD(i | j) umfassen, wie etwa eine Standardabweichung, wenn PD(i | j) eine Gauß-Verteilung ist. Die Verteilung PD(i | j) kann auch in beliebiger anderer Weise ermittelt oder angenähert werden, und hieraus kann dann die Kenngröße KP ermittelt werden.
Ein Tensor K* aller Kenngrößen KP ist somit ein „Fingerabdruck“ des Verhaltens des technischen Systems, der die inhärenten Korrelationen zwischen den einzelnen Sensormodalitäten erfasst.
Genau dieser „Fingerabdruck“ K* wird von einem trainierten Machine Learning- Modell auf eine Klassifikation dahingehend abgebildet, ob das Verhalten des technischen Systems normal oder anormal ist. Diese Klassifikation kann eine beliebige Form haben. Sie kann beispielsweise binär sein oder aber einen oder mehrere reellwertige Scores in Bezug auf bestimmte Aspekte des Betriebes enthalten.
Es wurde erkannt, dass die physikalische Konfiguration vieler technischer Systeme physikalische Wechselwirkungen zwischen den von verschiedenen Sensoren erfassten Messgrößen definiert und somit zeitliche Korrelationen zwischen diesen Messgrößen hervorruft. Wenn beispielsweise an einem Ende einer Rohrleitung ein Durchfluss eines fluiden Mediums registriert wird, ist dies damit korreliert, dass wenig später am anderen Ende der Rohrleitung eine veränderte Temperatur registriert wird. Das Vorhandensein einer derartigen Korrelation kann dann als Signal dafür gewertet werden, ob das technische System normal funktioniert. Wenn die Rohrleitung beispielsweise leckgeschlagen oder abgerissen ist und das am einen Ende durchfließende Medium nicht am anderen Ende ankommt, sondern sich stattdessen in die Fabrikhalle ergießt, fehlt plötzlich die Korrelation der veränderten Temperatur mit dem Durchfluss.
Daher werden vorteilhaft mindestens zwei Sensoren für Messgrößen gewählt, zwischen denen die physikalische Konfiguration des technischen Systems im Nominalzustand dieses Systems eine physikalische Wechselwirkung vermittelt.
Die eine Messgröße kann insbesondere beispielsweise ein Maß für eine dem technischen System zugeführte oder in ihm vorhandene Energiemenge sein, und die andere Messgröße kann dann ein Maß für die vorhandene Energiemenge oder eine Energieabgabe durch das technische System sein. Im genannten Beispiel mit der Rohrleitung bringt ein am einen Ende der Rohrleitung zugeführtes warmes Fluid Energie in die Rohrleitung ein, und wenn die Rohrleitung hierdurch erwärmt wird, strahlt sie wiederum Energie ab. Auch wird sich beispielsweise ein erhöhter Motorstrom einer elektrischen Maschine in einer erhöhten Amplitude von Vibrationen dieser Maschine manifestieren. Da die Energie eine physikalische Erhaltungsgröße ist, gibt es in vielen technischen Systemen zeitliche Korrelationen zwischen Messwerten, die verschiedene Sensoren liefern. Diese Korrelationen müssen nicht explizit analysiert und formuliert werden, um mit ihnen das technische System auf normale Funktion zu überwachen. Es genügt, dass die Korrelationen im normalen Betrieb einfach physikalisch vorhanden sind, so dass sie vom Machine Learning-Modell gelernt werden können.
In einer weiteren vorteilhaften Ausgestaltung werden mindestens zwei weitere Sensoren für weitere Messgrößen gewählt, zwischen denen die physikalische Konfiguration des technischen Systems im Nominalzustand dieses Systems eine physikalische Wechselwirkung ausschließt. So sollten beispielsweise Drücke in nicht miteinander verbundenen Bereichen oder Behältnissen nicht miteinander korreliert sein. Existiert eine derartige Korrelation aber doch, kann dies darauf hindeuten, dass es ein unerwünschtes Leck zwischen den Bereichen bzw. Behältnissen gibt.
Daher können insbesondere beispielsweise die weiteren Sensoren auf unterschiedlichen Seiten einer Barriere angeordnet sein, die die physikalische Wechselwirkung zwischen den weiteren Messgrößen im Nominalzustand des technischen Systems unterbindet.
Das Machine Learning-Modul kann insbesondere beispielsweise das normale Verhalten des technischen Systems lernen und dann alles, was „irgendwie anders“ ist, als Anomalie klassifizieren, und zwar auch dann, wenn sich die Anomalie nur in einem kleinen Signalanteil eines oder mehrerer mit den Sensoren erfasster Messsignale bezieht. Dies ist ein Stück weit analog dazu, dass eine Einbruchmeldeanlage keinen Alarm auslöst, wenn der rechtmäßige Hausbewohner mit einem Hammer einen Nagel in die Wand schlägt, während sie zugleich die durch manuelle Bearbeitung des Türschlosses mit Aufsperrwerkzeugen hervorgerufenen Arbeitsgeräusche als Einbruchsversuch erkennt und Alarm auslöst.
Das technische System kann insbesondere beispielsweise ein Fahrzeug oder eine Industrieanlage, die ein oder mehrere Edukte durch einen oder mehrere Verarbeitungsschritte zu einem oder mehreren Produkten verarbeitet, sein. Sowohl in Fahrzeugen als auch in Industrieanlagen wird derzeit schon eine Vielzahl von Messwerten sensorisch erfasst und kann mit dem hier vorgeschlagenen Verfahren besser im Hinblick auf mögliche Anomalien ausgewertet werden. Speziell ein Fahrzeug vermittelt über seine Karosserie, in und an der die Sensoren auf vergleichsweise engem Raum verteilt sind, eine Vielzahl von Korrelationen, die sich zur Erkennung von Anomalien nutzen lassen. In einer Industrieanlage werden derartige Korrelationen beispielsweise durch Materialflüsse von Edukten und/oder Produkten durch die Anlage vermittelt. Steuergeräte in Fahrzeugen, sowie „Plant Historians“ in Industrieanlagen, protokollieren darüber hinaus automatisch eine Vielzahl von Messwerten mit. Diese Protokolle lassen sich beispielsweise nutzen, um in Verbindung mit dem Wissen, dass es zu bestimmten Zeiten Anomalien gegeben hat oder eben nicht, gelabelte Trainingsdaten sowohl für den normalen Zustand als auch für den anormalen Zustand zu gewinnen. Mit diesen gelabelten Trainingsdaten kann das Machine Learning-Modell überwacht trainiert werden. Es können insbesondere beispielsweise paarweise bedingte Wahrscheinlichkeitsverteilungen PD(i | j) mit Hilfe von Trainingsdaten ermittelt und/oder angenähert werden. Wie weit ein Machine Learning-Modell in die Vergangenheit blicken kann, wird durch die gewählten Architekturparameter festgelegt, wie beispielsweise den Breiten von Filterkernen in Faltungsschichten.
In einer weiteren vorteilhaften Ausgestaltung wird aus der vom Machine Learning-Modell gelieferten Klassifikation ein Ansteuersignal gebildet. Das technische System wird mit diesem Ansteuersignal angesteuert. Beispielsweise kann in Antwort darauf, dass in einem Fahrzeug eine Anomalie festgestellt wurde, die Höchstgeschwindigkeit reduziert, das Ausführen bestimmter riskanter Fahrmanöver (etwa Überholmanöver) unterbunden oder das Fahrzeug auf einer vorausgeplanten Notstopptrajektorie zum Halten gebracht werden. Eine Industrieanlage kann beispielsweise in einen abgesicherten Modus geschaltet werden, in dem der Durchsatz der Anlage auf ein Mindestmaß reduziert wird. In diesem abgesicherten Modus kann die Anlage dann beispielsweise bei einem Ausfall der automatischen Steuerung auch manuell gefahren werden.
Wie zuvor erwähnt, kann das Machine Learning-Modell mit gelabelten Trainings- Beispielen von Tensoren K* trainiert werden. Jedoch sind speziell gelabelte Trainings-Beispiele für Anomalien häufig knapp, da die technischen Systeme doch meistens so gut arbeiten, dass Anomalien selten sind.
Daher stellt die Erfindung ein Verfahren zum Trainieren eines Machine Learning- Modells für den Einsatz in dem zuvor beschriebenen Verfahren bereit, das mit nur wenigen gelabelten Trainings-Beispielen auskommt.
Im Rahmen dieses Verfahrens werden Trainings-Beispiele für Tensoren K* von Kenngrößen KP , die paarweise bedingte Wahrscheinlichkeitsverteilungen PD(i | j) von Beobachtungen der Sensoren i und j charakterisieren, bereitgestellt. Für diese Trainings-Beispiele muss noch nicht bekannt sein, ob sie sich auf normales oder anormales Verhalten des technischen Systems beziehen.
Es wird eine Verteilung von Störungen p bereitgestellt, für die bekannt ist, dass sie einen Tensor K* nur in einer Weise abändern, wie dies auch im normalen Betrieb des technischen Systems geschehen kann.
Ein Beispiel für solche Störungen p ist additives normalverteiltes Rauschen, wie es ja auch in den von den Sensoren gelieferten Beobachtungen jeweils enthalten sein kann.
Weitere Beispiele sind ein stochastisches Nullsetzen von Nichtdiagonalelementen des Tensors K*, eine Ersetzung von Elementen auf der Ebene t durch Elemente auf den Ebenen t + 1 bzw. t - 1, und/oder eine Vertauschung von Ebenen t, t' des Tensors K*. Diese Störungen simulieren Fehler, die bei der sensorischen Erfassung und der Übertragung der Messdaten über ein Netzwerk auftreten können. So kann eine Durchmischung von Elementen auf der Ebene t mit Elemente auf den Ebenen t + 1 bzw. t - 1 beispielsweise durch eine ungenaue Zeitsynchronisation zwischen Sensoren verursacht werden. Eine schlechte Zeitsynchronisation oder auch Probleme bei der Übertragung der Messdaten über ein Netzwerk können beispielsweise zum Vertauschen von Ebenen t, t' führen. Sporadische Sensorfehler können sich beispielsweise in fehlenden Nichtdiagonalelementen im Tensor K* manifestieren.
Mit den Störungen p können sogenannte positive und negative Paare für den Prozess des kontrastiven Lernens erstellt werden. Kontrastives Lernen ist selbstüberwachtes Lernen anhand von positiven und negativen Beispielen, von denen bekannt ist, dass sie ähnlich bzw. unähnlich zueinander sein sollten.
Positive Paare von Abwandlungen und werden durch Anwenden zweier aus der Verteilung gesampelter Störungen p1 und p2 auf ein und dasselbe Trainings-Beispiel K* erzeugt. Die Abwandlungen und in diesen Paaren unterscheiden sich also lediglich hinsichtlich Störungen, wie sie im normalen Betrieb des technischen Systems und der sensorischen Überwachung auch vorkommen. Daher sollte das Machine Learning-Modell diese Abwandlungen und als zueinander ähnlich erkennen.
Negative Paare von Abwandlungen und durch Anwenden zweier aus der Verteilung gesampelter Störungen p1 und p2 auf zwei verschiedene Trainings-Beispiele K*' und K*" erzeugt. Die Abwandlungen und in diesen Paaren unterscheiden sich also nicht nur um besagte übliche Störungen, sondern es handelt sich um Abwandlungen zweier völlig verschiedener Beispiele. Daher sollte das Machine Learning-Modell diese Abwandlungen und als zueinander unähnlich erkennen.
Um das Machine Learning-Modell genau hierauf zu trainieren, werden mit dem zu trainierenden Machine Learning-Modell aus den Abwandlungen und K*" jeweils Verarbeitungsprodukte und erzeugt. Dies muss noch nicht die jeweilige finale Ausgabe des Machine Learning-Modells sein, die die Klassifikation hinsichtlich des normalen oder anormalen Zustandes erkennen lässt. Vielmehr kann das Machine Learning- Modell beispielsweise einen Merkmalsextraktor, der Merkmale aus dem Tensor K* extrahiert, und einen Klassifikations-Kopf, der diese Merkmale auf die gesuchte Klassifikation des Verhaltens des technischen Systems abbildet, umfassen. Der Merkmalsextraktor kann insbesondere beispielsweise eine Abfolge aus mehreren Faltungsschichten umfassen, die ihre jeweilige Eingabe durch Anwenden eines oder mehrerer Filterkerne in eine dimensionsreduzierte Merkmalskarte umwandeln. Die Verarbeitungsprodukte und können dann von dem Merkmalsextraktor gebildet werden.
Im Rahmen des kontrastiven Lernens werden nun Parameter, die das Verhalten des Machine Learning-Modells charakterisieren, optimiert mit dem Ziel, dass
• eine Ähnlichkeit von Verarbeitungsprodukten und die sich auf positive Paare bezieht, maximiert wird und
• eine Ähnlichkeit von Verarbeitungsprodukten und die sich auf negative Paare bezieht, minimiert wird.
Das heißt, der Merkmalsextraktor des Machine Learning-Modells wird darauf trainiert, in dem latenten Raum seiner Ausgabe Verarbeitungsprodukte und die auf positive Paare zurückgehen, nahe beieinander zu platzieren. Er wird gleichzeitig darauf trainiert, in diesem latenten Raum Verarbeitungsprodukte und die auf negative Paare zurückgehen, weit entfernt voneinander zu platzieren. Das Verarbeitungsprodukt kann also zu einem Punkt zi im latenten Raum korrespondieren, und das Verarbeitungsprodukt zu dem gleichen positiven Paar kann zu einem Punkt Zj im latenten Raum korrespondieren. Eine beispielhafte Kostenfunktion, die misst, ob die Punkte z; und z, nahe beieinander liegen, ist der NT-Xent-Loss C, normalized temperature-scaled cross entropy): worin die Funktion ψ die Ähnlichkeit misst und τ ein Temperaturparameter ist. Der Temperaturparameter τ kann insbesondere beispielsweise nach einem „Annealing-Plan“ als Funktion der Epochenzahl variiert werden.
Das Machine Learning-Modell kann also einen Großteil seines Trainings in dieser Weise selbstüberwacht absolvieren, ohne dass hierfür gelabelte Trainings- Beispiele genutzt werden müssen.
Es kann dann beispielsweise der Klassifikations-Kopf mit Trainings-Beispielen K*, die mit Soll- Klassifikationen gelabelt sind, überwacht trainiert werden. Da der Klassifikations-Kopf nur einen kleinen Anteil des Machine Learning-Modells ausmacht, insbesondere in Bezug auf die Anzahl der zu optimierenden Parameter, genügt für dieses Training eine vergleichsweise geringe Anzahl gelabelter Trainings-Beispiele. In diesem Zusammenhang ist es auch besonders vorteilhaft, dass der Klassifikations-Kopf ein bereits als Ergebnis des selbstüberwachten Trainings gut vorsortiertes Verarbeitungsprodukt als Eingabe erhält. Der Klassifikations-Kopf muss also nicht durch erhöhten Trainingsaufwand etwas richten, was zuvor versäumt worden ist.
Die Erfindung stellt noch ein weiteres Verfahren zum Trainieren eines Machine Learning-Verfahrens für den Einsatz in dem eingangs beschriebenen Verfahren bereit. Im Unterschied zu dem zuvor beschriebenen kontrastiven Lernen verwendet dieses Verfahren ein normales überwachtes Training. Im Rahmen dieses Verfahrens werden Trainings-Beispiele für Tensoren K* von Kenngrößen bereitgestellt, die paarweise bedingte Wahrscheinlichkeits- verteilungen PD(i | j) von Beobachtungen der Sensoren i und j charakterisieren. Diese Trainings-Beispiele K* beziehen sich auf ein normales Verhalten des technischen Systems.
Es wird nun eine Verteilung von Störungen p* bereitgestellt, für die bekannt ist, dass sie einen Tensor K* in einer Weise abändern, wie dies im normalen Betrieb des technischen Systems nicht zu erwarten ist. Ein Beispiel für derartige Störungen ist uniform verteiltes Rauschen.
Durch Anwenden von aus der Verteilung gesampelten Störungen p* auf Trainings-Beispiele K* werden Abwandlungen K* erzeugt. Das Machine Learning-Modell wird mit den Trainings-Beispielen K* für ein normales Verhalten des technischen Systems einerseits und mit den Abwandlungen K* als Trainings- Beispiele für ein anormales Verhalten des technischen Systems andererseits überwacht trainiert.
Mit diesem Verfahren kann das Machine Learning-Modell einstufig direkt auf die gewünschte Klassifikationsaufgabe trainiert werden, sofern für die jeweilige Anwendung eine passende Verteilung von Störungen p* verfügbar ist. Sofern eine solche Verteilung von Störungen p* hingegen nicht verfügbar oder schwierig zu modellieren ist, kann auf den zuvor beschriebenen Ansatz über kontrastives Lernen zurückgegriffen werden. Ein wichtiger Vorteil des kontrastiven Lernens ist, dass es nicht auf eine Modellierung der Störungen p* angewiesen ist.
Optional können im Rahmen dieses Verfahrens die Trainings-Beispiele K* durch Anwenden der im Zusammenhang mit dem kontrastiven Lernen diskutierten Störungen p zu weiteren Abwandlungen augmentiert werden, die dann im Rahmen des überwachten Lernens als weitere Trainings-Beispiele für normales Verhalten verwendet werden können. Weitere, die Erfindung verbessernde Maßnahmen werden nachstehend gemeinsam mit der Beschreibung der bevorzugten Ausführungsbeispiele der Erfindung anhand von Figuren näher dargestellt
Ausführungsbeispiele
Es zeigt:
Figur 1 Ausführungsbeispiel des Verfahrens 100 zur Erkennung von Anomalien in einem technischen System 1 ;
Figur 2 Veranschaulichung eines Tensors K* von Kenngrößen
Figur 3 Ausführungsbeispiel des Verfahrens 200 zum Trainieren eines Machine Learning-Modells 2;
Figur 4 Ausführungsbeispiel des Verfahrens 300 zum Trainieren eines Machine Learning-Modells 2.
Figur 1 ist ein schematisches Ablaufdiagramm eines Ausführungsbeispiels des Verfahrens 100 zur Erkennung von Anomalien in einem technischen System 1. Das Verhalten dieses Systems 1 wird durch eine Anordnung aus n Sensoren überwacht.
In Schritt 110 wird für jeden Sensor k = 1, ... , n eine Zeitreihe von N Beobachtungen dieses Sensors für Zeitpunkte t = 1, ..., N erfasst.
Hierbei können gemäß Block 111 mindestens zwei Sensoren für Messgrößen gewählt werden, zwischen denen die physikalische Konfiguration des technischen Systems 1 im Nominalzustand dieses Systems 1 eine physikalische Wechselwirkung vermittelt. Gemäß Block 111a können dann auch optional mindestens zwei weitere Sensoren für weitere Messgrößen gewählt werden, zwischen denen die physikalische Konfiguration des technischen Systems 1 im Nominalzustand dieses Systems 1 eine physikalische Wechselwirkung ausschließt.
In Schritt 120 werden für jeden Zeitpunkt t = 1, ... , N sowie für die Indizes i =
1, ...,n und j = 1, ...,n Kenngrößen die paarweise bedingte Wahrscheinlich- keitsverteilungen von Beobachtungen der Sensoren i und j charakterisieren, ermittelt (120).
In Schritt 130 wird ein Tensor K* aller Kenngrößen von einem trainierten Machine Learning-Modell 2 auf die gesuchte Klassifikation 3 dahingehend abgebildet, ob das Verhalten des technischen Systems 1 normal oder anormal ist.
In Schritt 140 wird aus der vom Machine Learning-Modell 2 gelieferten Klassifikation 3 ein Ansteuersignal 4 gebildet.
In Schritt 150 wird das technische System 1 mit dem Ansteuersignal 4 angesteuert.
Figur 2 veranschaulicht die Bildung des Tensors K* anhand eines einfachen Beispiels mit drei zeitabhängigen Beobachtungen x(t), y(t) und z(t). Für jeden Zeitpunkt t lassen sich ausgehend davon, dass einer der drei Werte x(t), y(t) und z(t) gegeben ist, bedingte Wahrsche inlichkeiten für die Werte aller Variablen (t), y(t) und z(t) angeben. Kenngrößen die Verteilungen dieser paarweise bedingten Wahrscheinlichkeiten charakterisieren, werden in einer zweidimensionalen Matrix zusammengetragen. Alle derartigen Matrizen für alle Zeitpunkte t bilden zusammen den Tensor K*.
Figur 3 ist ein schematisches Ablaufdiagramm eines Ausführungsbeispiels des Verfahrens 200 zum Trainieren eines Machine Learning-Modells 2 für den Einsatz in dem im Zusammenhang mit Figur 1 beschriebenen Verfahren 100. Das Verfahren 200 basiert auf kontrastivem Lernen. In Schritt 210 werden Trainings-Beispiele für Tensoren K* von Kenngrößen die paarweise bedingte Wahrscheinlichkeitsverteilungen PD(i | j) von Beobachtungen der Sensoren i und j charakterisieren, bereitgestellt.
In Schritt 220 wird eine Verteilung von Störungen p bereitgestellt, für die bekannt ist, dass sie einen Tensor K* nur in einer Weise abändern, wie dies auch im normalen Betrieb des technischen Systems geschehen kann.
In Schritt 230 werden positive Paare von Abwandlungen und durch Anwenden zweier aus der Verteilung gesampelter Störungen p1 und p2 auf ein und dasselbe Trainings-Beispiel K* erzeugt. Diese Abwandlungen unterscheiden sich somit nur um Störungen p, die auch bei normalen Verhalten des technischen Systems 1 und der sensorischen Datenerfassung auftreten.
In Schritt 240 werden negative Paare von Abwandlungen durch Anwenden zweier aus der Verteilung gesampelter Störungen p1 und p2 auf zwei verschiedene Trainings-Beispiele K*' und K*" erzeugt. Diese Abwandlungen unterscheiden sich somit um mehr als nur „normale“ Störungen p.
In Schritt 250 werden mit dem zu trainierenden Machine Learning-Modell (2) aus den Abwandlungen jeweils Verarbeitungsprodukte und erzeugt.
Gemäß Block 251 kann das Machine Learning-Modell 2 einen Merkmalsextraktor
21 , der Merkmale aus dem Tensor K* extrahiert, und einen Klassifikations-Kopf
22, der diese Merkmale auf die gesuchte Klassifikation des Verhaltens des technischen Systems abbildet, umfasst.
In Schritt 260 werden Parameter 2a, die das Verhalten des Machine Learning- Modells 2 charakterisieren, optimiert mit dem Ziel einer maximalen Ähnlichkeit zwischen und bei gleichzeitig minimaler Ähnlichkeit zwischen und Diese Parameter können insbesondere die Parameter 21 a des Merkmalsextraktors 21 sein. Der fertig optimierte Zustand der Parameter 2a, 21 a ist mit dem Bezugszeichen 2a*, 21a* bezeichnet. In Schritt 270 wird der Klassifikations-Kopf 22 mit Trainings-Beispielen K*, die mit Soll- Klassifikationen gelabelt sind, überwacht trainiert. Das heißt, die Parameter 22a, die das Verhalten des Klassifikations- Kopfes 22 charakterisieren, werden optimiert mit dem Ziel, dass die Trainings-Beispiele K* vom Machine Learning- Modell 2 auf die jeweiligen Soll- Klassifikationen abgebildet werden. Der fertig optimierte Zustand dieser Parameter ist mit dem Bezugszeichen 22a* bezeichnet.
Figur 4 ist ein schematisches Ablaufdiagramm eines Ausführungsbeispiels des Verfahrens 300 zum Trainieren eines Machine Learning-Modells 2 für den Einsatz in dem im Zusammenhang mit Figur 1 beschriebenen Verfahren 100. Im Unterschied zum Verfahren 200 basiert dieses Verfahren auf überwachtem Training.
In Schritt 310 werden Trainings-Beispiele für Tensoren K* von Kenngrößen die paarweise bedingte Wahrscheinlichkeitsverteilungen PD(i | j) von Beobachtungen der Sensoren i und j charakterisieren, bereitgestellt. Diese Trainings-Beispiele K* beziehen sich auf ein normales Verhalten des technischen Systems 1 .
In Schritt 320 wird eine Verteilung von Störungen p* bereitgestellt, für die bekannt ist, dass sie einen Tensor K* in einer Weise abändern, wie dies im normalen Betrieb des technischen Systems nicht zu erwarten ist.
In Schritt 330 werden durch Anwenden von aus der Verteilung gesampelten Störungen p* auf Trainings-Beispiele K* Abwandlungen K* erzeugt.
In Schritt 340 wird das Machine Learning-Modell 2 wird mit den Trainings- Beispielen K* für ein normales Verhalten des technischen Systems 1 einerseits und mit den Abwandlungen * als Trainings-Beispiele für ein anormales Verhalten des technischen Systems 1 andererseits überwacht trainiert. Das heißt, die Parameter 2a, die das Verhalten des Machine Learning-Modells 2 charakterisieren, werden direkt optimiert mit dem Ziel, dass die Trainings- Beispiele K* auf eine Klassifikation als normal und die Abwandlungen auf eine Klassifikation als anormal abgebildet werden.

Claims

Ansprüche
1 . Verfahren (100) zur Erkennung von Anomalien in einem technischen System (1), dessen Verhalten durch eine Anordnung aus n Sensoren überwacht wird, mit den Schritten:
• für jeden Sensor k = 1, ..., n wird eine Zeitreihe von N Beobachtungen dieses Sensors für Zeitpunkte t = 1, ..., N erfasst (110);
• für jeden Zeitpunkt t = 1, ..., N sowie für die Indizes i = 1, ... , n und j =
1, ..., n wird eine Kenngröße die eine paarweise bedingte Wahrscheinlichkeitsverteilung PD(i | j) von Beobachtungen der Sensoren i und j charakterisiert, ermittelt (120);
• ein Tensor K* aller Kenngrößen wird von einem trainierten Machine Learning-Modell (2) auf eine Klassifikation (3) dahingehend abgebildet (130), ob das Verhalten des technischen Systems (1) normal oder anormal ist.
2. Verfahren (100) nach Anspruch 1 , wobei mindestens zwei Sensoren für Messgrößen gewählt werden (111), zwischen denen die physikalische Konfiguration des technischen Systems (1) im Nominalzustand dieses Systems (1) eine physikalische Wechselwirkung vermittelt.
3. Verfahren (100) nach Anspruch 2, wobei die eine Messgröße ein Maß für eine dem technischen System zugeführte oder in ihm vorhandene Energiemenge ist und wobei die andere Messgröße ein Maß für die vorhandene Energiemenge oder eine Energieabgabe durch das technische System ist.
4. Verfahren (100) nach einem der Ansprüche 2 bis 3, wobei mindestens zwei weitere Sensoren für weitere Messgrößen gewählt werden (111 a), zwischen denen die physikalische Konfiguration des technischen Systems (1) im Nominalzustand dieses Systems (1) eine physikalische Wechselwirkung ausschließt.
5. Verfahren (100) nach Anspruch 4, wobei die weiteren Sensoren auf unterschiedlichen Seiten einer Barriere angeordnet sind, die die physikalische Wechselwirkung zwischen den weiteren Messgrößen im Nominalzustand des technischen Systems (1) unterbindet.
6. Verfahren (100) nach einem der Ansprüche 1 bis 5, wobei ein Fahrzeug oder eine Industrieanlage, die ein oder mehrere Edukte durch einen oder mehrere Verarbeitungsschritte zu einem oder mehreren Produkten verarbeitet, als technisches System (1) gewählt wird.
7. Verfahren (100) nach einem der Ansprüche 1 bis 6, wobei
• aus der vom Machine Learning-Modell (2) gelieferten Klassifikation (3) ein Ansteuersignal (4) gebildet wird (140) und
• das technische System (1) mit dem Ansteuersignal (4) angesteuert wird (150).
8. Verfahren (200) zum Trainieren eines Machine Learning-Modells (2) für den Einsatz in dem Verfahren (100) nach einem der Ansprüche 1 bis 7 mit den Schritten:
• es werden Trainings-Beispiele für Tensoren K* von Kenngrößen , die paarweise bedingte Wahrscheinlichkeitsverteilungen PD(i | j) von Beobachtungen der Sensoren i und j charakterisieren, bereitgestellt (210);
• es wird eine Verteilung von Störungen p bereitgestellt (220), für die bekannt ist, dass sie einen Tensor K* nur in einer Weise abändern, wie dies auch im normalen Betrieb des technischen Systems geschehen kann;
• es werden positive Paare von Abwandlungen durch Anwenden zweier aus der Verteilung gesampelter Störungen p1 und p2 auf ein und dasselbe Trainings-Beispiel K* erzeugt (230);
• es werden negative Paare von Abwandlungen durch Anwenden zweier aus der Verteilung gesampelter Störungen p1 und p2 auf zwei verschiedene Trainings-Beispiele K*' und K*" erzeugt (240); · mit dem zu trainierenden Machine Learning-Modell (2) werden aus den Abwandlungen jeweils Verarbeitungsprodukte erzeugt (250); · Parameter (2a), die das Verhalten des Machine Learning-Modells (2) charakterisieren, werden optimiert (260) mit dem Ziel, dass o eine Ähnlichkeit von Verarbeitungsprodukten · und die sich auf positive Paare bezieht, maximiert wird und o eine Ähnlichkeit von Verarbeitungsprodukten die sich auf negative Paare bezieht, minimiert wird.
9. Verfahren (200) nach Anspruch 8, wobei · das Machine Learning-Modell (2) einen Merkmalsextraktor (21), der Merkmale aus dem Tensor ^∗ extrahiert, und einen Klassifikations-Kopf (22), der diese Merkmale auf die gesuchte Klassifikation des Verhaltens des technischen Systems abbildet, umfasst (251), und · die Verarbeitungsprodukte von dem Merkmalsextraktor (21) gebildet werden (252).
10. Verfahren (200) nach Anspruch 9, wobei der Klassifikations-Kopf (22) mit Trainings-Beispielen K∗, die mit Soll-Klassifikationen gelabelt sind, überwacht trainiert wird (270).
11. Verfahren (200) nach einem der Ansprüche 8 bis 10, wobei die Störungen p · additives normalverteiltes Rauschen, und/oder · ein stochastisches Nullsetzen von Nichtdiagonalelementen des Tensors K∗, und/oder · eine Ersetzung von Elementen auf der Ebene t durch Elemente auf den Ebenen t + 1 bzw. t − 1, und/oder · eine Vertauschung von Ebenen t, t′ des Tensors K∗ umfassen.
12. Verfahren (300) zum Trainieren eines Machine Learning-Modells (2) für den Einsatz in dem Verfahren (100) nach einem der Ansprüche 1 bis 7 mit den Schritten: • es werden Trainings-Beispiele für Tensoren K* von Kenngrößen die paarweise bedingte Wahrscheinlichkeitsverteilungen PD(i | j) von Beobachtungen der Sensoren i und j charakterisieren, bereitgestellt (310), wobei diese Trainings-Beispiele K* sich auf ein normales Verhalten des technischen Systems (1) beziehen;
• es wird eine Verteilung von Störungen p* bereitgestellt (320), für die bekannt ist, dass sie einen Tensor K* in einer Weise abändern, wie dies im normalen Betrieb des technischen Systems nicht zu erwarten ist;
• durch Anwenden von aus der Verteilung gesampelten Störungen p* auf Trainings-Beispiele K* werden Abwandlungen erzeugt (330);
• das Machine Learning-Modell (2) wird mit den Trainings-Beispielen K* für ein normales Verhalten des technischen Systems (1) einerseits und mit den Abwandlungen als Trainings-Beispiele für ein anormales Verhalten des technischen Systems (1) andererseits überwacht trainiert (340).
13. Computerprogramm, enthaltend maschinenlesbare Anweisungen, die, wenn sie auf einem oder mehreren Computern und/oder Compute-Instanzen ausgeführt werden, den oder die Computer bzw. Compute-Instanzen dazu veranlassen, ein Verfahren (100) nach einem der Ansprüche 1 bis 12 auszuführen.
14. Maschinenlesbarer Datenträger und/oder Downloadprodukt mit dem Computerprogramm nach Anspruch 13.
15. Ein oder mehrere Computer und/oder Compute-Instanzen mit dem Computerprogramm nach Anspruch 13, und/oder mit dem maschinenlesbaren Datenträger und/oder Downloadprodukt nach Anspruch 14.
EP23723927.2A 2022-05-17 2023-05-03 Detektion von anomalien in einem technischen system durch überwachung mit mehreren sensoren Withdrawn EP4526746A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022204863.6A DE102022204863B4 (de) 2022-05-17 2022-05-17 Detektion von Anomalien in einem technischen System durch Überwachung mit mehreren Sensoren
PCT/EP2023/061648 WO2023222381A1 (de) 2022-05-17 2023-05-03 Detektion von anomalien in einem technischen system durch überwachung mit mehreren sensoren

Publications (1)

Publication Number Publication Date
EP4526746A1 true EP4526746A1 (de) 2025-03-26

Family

ID=86382810

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23723927.2A Withdrawn EP4526746A1 (de) 2022-05-17 2023-05-03 Detektion von anomalien in einem technischen system durch überwachung mit mehreren sensoren

Country Status (5)

Country Link
EP (1) EP4526746A1 (de)
JP (1) JP2025516803A (de)
CN (1) CN119213380A (de)
DE (1) DE102022204863B4 (de)
WO (1) WO2023222381A1 (de)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010092203A (ja) * 2008-10-07 2010-04-22 Nec Corp 異常検出装置および異常検出方法
JP6404889B2 (ja) * 2015-11-13 2018-10-17 タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ マルチセンサビジュアルアナリティクスのためのプロセッサ実装方法、マルチセンサデータを要約するシステム、及びマルチセンサビジュアルアナリティクスのための方法を実行するためのコンピュータプログラムを具現化した非一時的なコンピュータ可読媒体
JP7040851B2 (ja) * 2018-03-09 2022-03-23 株式会社インテック 異常検知装置、異常検知方法及び異常検知プログラム
US10754310B2 (en) * 2018-10-18 2020-08-25 International Business Machines Corporation Incorporating change diagnosis using probabilistic tensor regression model for improving processing of materials
US12031733B2 (en) 2019-12-17 2024-07-09 Tignis, Inc. Method for physical system anomaly detection
JP7222939B2 (ja) * 2020-02-03 2023-02-15 株式会社日立製作所 時系列パターンの説明情報生成装置
US11175973B1 (en) 2020-05-11 2021-11-16 International Business Machines Corporation Prediction of performance degradation with non-linear characteristics
JP2021192155A (ja) * 2020-06-05 2021-12-16 富士通株式会社 異常検知支援プログラム、異常検知支援方法および異常検知支援システム
US12025528B2 (en) 2020-07-16 2024-07-02 INDIAN INSTITUTE OF TECHNOLOGY MADRAS (IIT Madras) Device and method to predict the onset of oscillatory instabilities in systems with turbulent flow

Also Published As

Publication number Publication date
CN119213380A (zh) 2024-12-27
DE102022204863A1 (de) 2023-11-23
WO2023222381A1 (de) 2023-11-23
DE102022204863B4 (de) 2025-02-06
JP2025516803A (ja) 2025-05-30

Similar Documents

Publication Publication Date Title
DE19743600B4 (de) Verfahren zur Überwachung eines zyklischen Produktionsprozesses
DE102017000287B4 (de) Zellensteuerung und produktionssystem zum verwalten der arbeitssituation einer vielzahl von fertigungsmaschinen in einer fertigungszelle
EP3077878B1 (de) Computer-implementiertes verfahren und system zur automatischen überwachung und statusermittlung ganzer prozessabschnitte in einer process unit
EP3282399B1 (de) Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem
EP3853778B1 (de) Verfahren und vorrichtung zum betreiben eines steuerungssystems
DE102018221002A1 (de) Steuereinrichtung zur Steuerung einer Fertigungsanlage sowie Fertigungsanlage und Verfahren
EP3825796A1 (de) Verfahren und vorrichtung zum ki-basierten betreiben eines automatisierungssystems
DE102021204040A1 (de) Verfahren, Vorrichtung und Computerprogramm zur Erstellung von Trainingsdaten im Fahrzeug
DE102018129563A1 (de) Verfahren zum Bestimmen des Steuermodus eines Lenkrads
EP3625629B1 (de) Vorrichtung und verfahren zur bestimmung des zustands einer spindel einer werkzeugmaschine
WO2021089591A1 (de) Verfahren zum trainieren eines künstlichen neuronalen netzes, computerprogramm, speichermedium, vorrichtung, künstliches neuronales netz und anwendung des künstlichen neuronalen netzes
DE102019208922A1 (de) Verfahren und Vorrichtung zum Kontrollieren eines Produktionsprozesses
DE69811088T2 (de) Klassifizieranlage und klassifizierverfahren unter verwendung einer kombination von warscheinlichkeitsverfahren und neuronalen netzwerken
EP4673875A1 (de) Verfahren und vorrichtung zur erkennung einer anomalie im verhalten eines dynamischen systems
DE102008032885A1 (de) Verfahren und Vorrichtung zur Überprüfung und Feststellung von Zuständen eines Sensors
DE102022204863B4 (de) Detektion von Anomalien in einem technischen System durch Überwachung mit mehreren Sensoren
DE102022110130A1 (de) Verfahren zum Überwachen eines Betriebs einer autonomen landwirtschaftlichen Arbeitsmaschine
DE19612465C2 (de) Automatisches Optimieren von Objekt-Erkennungssystemen
EP3629252A1 (de) Verfahren und vorrichtung zum betreiben eines steuerungssystems
EP3816673A1 (de) Verfahren zum betreiben eines metalldetektors
DE112023005124T5 (de) Verfahren und system zur anomalie-erfassung in einem betrieblichen asset und verfahren zum reparieren eines betrieblichen assets
DE102018216079A1 (de) Verfahren und Vorrichtung zum Betreiben eines Steuerungssystems
EP3701428B1 (de) Verfahren und vorrichtung zum verbessern der robustheit eines maschinellen lernsystems
EP3483513B1 (de) Verfahren zum betreiben einer heizungsanlage und heizungsanlage
DE102021207493A1 (de) Verfahren zur Unterstützung eines Betriebs eines Fahrzeuges mit einer Sensoreinheit, Computerprogrammprodukt sowie System

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20241217

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20251014