WO2018197550A1 - Verfahren zur rechnergestützten analyse des betriebs eines produktionssystems - Google Patents

Verfahren zur rechnergestützten analyse des betriebs eines produktionssystems Download PDF

Info

Publication number
WO2018197550A1
WO2018197550A1 PCT/EP2018/060574 EP2018060574W WO2018197550A1 WO 2018197550 A1 WO2018197550 A1 WO 2018197550A1 EP 2018060574 W EP2018060574 W EP 2018060574W WO 2018197550 A1 WO2018197550 A1 WO 2018197550A1
Authority
WO
WIPO (PCT)
Prior art keywords
event
entities
events
production
entity
Prior art date
Application number
PCT/EP2018/060574
Other languages
English (en)
French (fr)
Inventor
Martin RINGSQUANDL
Thomas Hubauer
Raffaello Lepratti
Mikhail Roshchin
Stefan Schardt
Original Assignee
Siemens Aktiengesellschaft
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 Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Publication of WO2018197550A1 publication Critical patent/WO2018197550A1/de

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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks

Definitions

  • the invention relates to a method and apparatus for computer aided analysis of the operation of aadossys ⁇ system as well as a corresponding computer program product and computer program.
  • Methods for the computer-aided analysis of operating data of a production system are important tools to optimize production processes and the design of production systems.
  • analytical methods are known for determining the interaction between errors and their causes in production systems by means of FMEA (Failure Mode Effects Analysis) models.
  • FMEA Federal Engineering Automation
  • the result of such processes allows experts to identify and eliminate the causes of serious operational failures or downtimes in order to avoid downtime of the production system, to achieve high quality of manufactured products and to minimize the maintenance of the production system.
  • the computer-aided analysis of production processes involves the difficulty that data relevant to the production process comes from different domains, such as production planning, product engineering and production execution. As a result, joint analysis of the data from all domains is often not performed, which is, for example, can be problematic in the production of new product variants, provided that processes are used for this, which have led in the past to errors or production losses.
  • simulation-based analysis methods for production systems are known from the prior art. These procedures also require a great deal of effort and require specialist knowledge from domain experts. Since simulation models can not fully describe the inevitable variability of the actual execution of physical processes, they rely on empirical observations of the production system and thus need to be regularly updated.
  • the object of the invention is to provide a method for computer-aided analysis of the operation of a production system, with which meaningful and easily evaluable information about problem areas in the operation of the production system can be obtained.
  • the inventive method is used for computer-aided analysis of the operation of a production system.
  • Under a production system is understood to mean a system that automates one or more customized products or her ⁇ represents.
  • digital data are processed in the form of a plurality of sequences of temporally successive events.
  • each event sequence ie, all processed event sequences
  • digital context information associated with the respective operational events, thereby obtaining a plurality of digital entities for each event sequence.
  • a respective entity provides this type of an operating event, or the type of a context information is.
  • each Radio ⁇ nis is represented by an entity of the corresponding type.
  • the operation with a respective event ver ⁇ knüpften context information represented by one or more entities, depending on how many different types of context information contained in the associated context information. Since the entities specify types, a respective event sequence may optionally contain a plurality of identical En ⁇ tmaschineen.
  • Entities of all processed event sequences determined respective digital representation vectors. Same entities thus have identical representation vectors. This determination is based on unsupervised representation learning, where the entities of the event sequences represent the training data of that learning. Methods of unsupervised representation learning (English: “Unsupervised Feature Learning” or “Unsupervised Representation Learning”) are known per se and have the goal of generating low-dimensional feature vectors from high-dimensional input data. By means of representation learning, the entities are now represented as vectors in a vector space with a predetermined number of dimensions. In particular, the target number of dimensions klei ⁇ ner than the total number of entities of all event sequences, all the same, repeatedly occurring entities are counted in this total. In other words, the individual entities are represented by low-dimensional representation vectors.
  • the unsupervised representation learning is performed based on ei ⁇ ner similarity or correlation function describing the similarity of each entity to ande ren ⁇ entities in the same sequence of events.
  • the entries of the obtained representation vectors are numerical values in a certain range of values, the representation vectors usually being normalized to one unit length.
  • the inventive method is characterized that are easily over-representation learning event ⁇ sequences and associated context information analyzed to identify correlations in the event sequences.
  • vectors for entities are obtained, which can be easily evaluated by more advanced computerized methods or can be visualized appropriately.
  • the erfindungsgemä- SSE process can be done online during operation ofadossys ⁇ tems and monitor the production ⁇ system in this sense. Nevertheless, the analysis according to the invention can also be decoupled from the operation of the production system.
  • the similarity function used is based on the Sum ⁇ me the pairwise scalar products of the respective entity with all other entities in the same sequence of events in the vector space of the entities.
  • the associated context information at least partially from a production management system.
  • the term production management system is to be understood broadly. This system is preferably a production control system, in particular a MES system known per se. Alternatively or additionally, the production system may also include a merchandise management system.
  • timestamps are preferably used. In this case, both the operating events and the context information are assigned time stamps for their occurrence. As part of the link, context information will be the same
  • Timestamp of an operating event associated with this Radioer ⁇ eventis is.
  • the context information is at least partly not derived from a production management system.
  • the corresponding context information extracted for at least part of the operation ⁇ events of the event sequences at least partially from the respective operation ⁇ events themselves.
  • the digital context information may contain different data.
  • this information includes one or more of the following digital information:
  • a respective parts list indicates parts which are ver ⁇ works by the production module or the production module component in or in which the respective Be ⁇ drove event has occurred, preferably one or some of the parts lists each additional information to the respective parts, in particular batch and / or manufacturer information;
  • one or more product variants wherein a respective product variant, is produced by the production module or Pro ⁇ production module component in which or in which the respective operational event has occurred;
  • a special variant of an unsupervised representation learning is performed.
  • an optimization is performed based on an optimization ⁇ target when unsupervised representation learning, which depends on a probability function representing the probability of a combination of an entity and remaining entities in a sequence of events in the form of conditional probability.
  • This conditional probability is the true ⁇ probability of occurrence of the entity on the condition of the presence of the remaining entities in the event sequence.
  • the well-known Softmax distribution ie the normalized exponential distribution
  • the optimization goal is the largest possible sum of those probabilities. whose combinations of an entity and remaining entities actually occur in the training data.
  • a computer-aided cluster method for clustering similar entities is carried out based on the digital representation vectors.
  • known machine learning methods can be used for this clustering, such as the k-means algorithm.
  • information about correlations between occurring operational events and context information can be easily derived.
  • the computer-aided clustering method can be applied directly to the digital representation vectors. Nevertheless, there is also the possibility that the digital representation vectors are first subjected to a dimensional reduction, for example based on a PCA (Principal Component Analysis) analysis. The cluster method is then applied to the dimensi ⁇ onsredu evolveen vectors.
  • PCA Principal Component Analysis
  • a visualization is generated on a display unit, wherein the visualization shows the similarity between at least a part of the entities.
  • the similarity is reproduced by means of a color and / or Hel ⁇ ltechnikskodtechnik in the visualization.
  • the visualization can also be generated only after a dimension reduction of the digital representation vectors. For example, a dimension reduction can take place in a two-dimensional or three-dimensional space, so that the vectors can be visualized in a two-dimensional or three-dimensional coordinate system and their similarities can be recognized via the distances between the vectors.
  • inventive method is based on the digital representation vectors learned machine learning method for predicting event sequences from known event sequences.
  • a recurrent neural network can be used for this purpose.
  • the learning process can either be applied directly to the digital representation vectors. Nonetheless, it is again possible to apply the learning process to the diminished dimension vectors only after a dimensional reduction.
  • the prediction of event sequences can determine the future behavior of the production system. Similarly, past causes of a specific behavior of the production system can be determined. In other words, a prediction can be made both in the future and in the past.
  • the invention relates to a device for computer-aided analysis of the operation of a production system, wherein in the device digital data in the form of several temporally successive event sequences are processable, which in each case a plurality of temporally successive occurred operating events ⁇ summarize, each one Contain operational message that was generated in the production system.
  • the device is set up to carry out the method according to the invention or one or more preferred variants of the method according to the invention.
  • the invention further relates to a computer program product with a program code stored on a machine-readable carrier for carrying out the method according to the invention or one or more preferred variants of the method according to the invention when the program code is executed on a computer.
  • the invention comprises a computer program, with a program code for carrying out the method according to the invention or one or more preferred variants of the method according to the invention, when the program code is executed on a computer.
  • Fig. 1 is a schematic representation of an architecture for carrying out the method according to the invention
  • Figs. 2 to 6 are schematic diagrams representing different kinds of combination of operating events with Kontextinformatio ⁇ NEN according to the invention
  • FIG. 7 shows a schematic representation to clarify the representation learning carried out in the method according to the invention.
  • FIG. 8 to Fig. 10 various examples of Visualisierun ⁇ gene, which were generated based on embodiments of the invention.
  • Fig. 1 shows an architecture for carrying out a variant of the method according to the invention.
  • the starting point is a production system PS, which comprises a plurality of production modules, where 1 are exemplary three producti ⁇ onsmodule Ml, M2 and M3 shown in Fig..
  • PLC Programmab- le Logic Controller
  • sensors Sensors
  • DCS systems DCS Distributed Control System
  • the production system may be a production line.
  • In operation of the production system a plurality of Be ⁇ operating events is detected which operating messages, such as alarm messages contain, produced by the production system.
  • the operating events are stored as event sequences ES of temporally successive operating messages in a corresponding memory of the production system PS.
  • CM Context mapping
  • PMS Production Management System
  • MES Manufacturing Execution System
  • BOM BM BM bill of materials
  • BP Bill of Processes
  • PL Plant Layout
  • the context link CM is achieved by providing context information which has the same time stamp as a corresponding operating event in the event sequences. be associated with this operational event.
  • the context link CM contains for each event sequence ES a multiplicity of entities EN, which specify types of operating events and types of context information which have occurred in the event sequence.
  • a particular event sequence may contain fewer entities than operational events and context information, as long as certain types of operational events or context information occur multiple times in the corresponding event sequence.
  • context information can be obtained directly from the individual events themselves.
  • Eg can even the context Informa tion ⁇ be stored in the operation event in which the production module EVENT ⁇ nis has occurred.
  • context information can be obtained by textual analysis of the corresponding operational message of the considered operating event, for example by assigning the individual words of the operational message to a type of context information.
  • FIG. 2 to FIG. 6 represent entities EN.
  • Figures 2 to 6 each show an operational sequence after performing the contextual join, each of these sequences containing the operational events El, E2, E3, En in the form of corresponding entities that have occurred in the event sequence.
  • each operational event is a different type and thus a different entity. According ⁇ in the following description of the event-be nisse El to En also referred to directly as entities.
  • the entities El and E2 are the context information of the production module Ml and the entities E3 to En the context information of the production module M2 to ⁇ ordered.
  • entities or operational events were El and in the production module Ml he testifies ⁇ E2, whereas the entities E3 were generated in the production module M2 to En.
  • FIG. 3 shows a modification of the context link from FIG. 2.
  • the respective entities E1 to En have also been linked to production module components C11 to C04 from the respective production modules M1 and M2.
  • the associated entity of the operational event has occurred in the respective component.
  • the entity El is linked to the component CO1, the entity E2 to the component C02, the entity E3 to the component C03, and the entity En to the component C04.
  • FIG. 4 shows a further variant of a context linkage.
  • context entities in the form of production modules M1, M2 and components CO1 to C04 in addition to context entities in the form of textual ones are also used
  • the expressions TE1 to TE4 are words that have occurred in the corresponding operating messages of the respective operating events.
  • the entity El is associated with the words TE1 and TE2 and the entity E3 is associated with the words T3 and T4.
  • Fig. 5 shows a further modification of a context-Verknüp ⁇ Fung, which now takes into account context information is in the form of product variations and parts of these product variants.
  • a link of a product variant with the entity of an operating event is present if the operational event occurs in a production module, wel ⁇ ches produces the corresponding product variant.
  • the entities are linked El to E3 to the entity of theloisva ⁇ riante VA1.
  • the parts PA1 and PA2 which are components of product variant VA1.
  • the information about the components PA1 and PA2 come from a corresponding parts list.
  • the remaining entities comprising the entity En are linked to the product variant VA2, which in turn consists of the constituents PA2 and PA3.
  • Fig. 6 shows a comparison with FIG. 5 slightly modified Kon ⁇ text link.
  • the entities E1 to E3 are linked to the product variant VA1 and its components PA1 and PA2, and there is also a link to the batch information item LI relating to the component PA2.
  • the more Entitä ⁇ th are the entity comprising En ver ⁇ linked with the product variant VA2, which in turn comprises the components PA3 and PA4, wherein the part of PA3 with the corresponding batch information associated LI '.
  • the events El to E3 next to the actual operation message include the events El to E3 next to the actual operation message, the time stamp Tl, T2 and T3, which specifies the occurrence of the event, and the respective respective modules in which the events have occurred.
  • the event El at the time Tl is in Module Ml occurred
  • the event E2 at time T2 in Mo ⁇ module M2 and the event E3 at time T3 in the module Ml.
  • the product variant VA1 was produced by the module M1 at the time Tl. Further, the product variant VAl was prepared by the module M2 to the time point T2 ⁇ also. In contrast, at the time T3, the product variant VA2 was produced by the module M1.
  • each event sequence now contains the operating events El, E2 and E3 which have occurred in the form of corresponding entities.
  • the context entities of the product variants VA1 and VA2 as well as the modules M1 and M2 are part of the event sequence.
  • a digital representation of the respective event sequences is obtained, which comprises corresponding entities EN for the events and for context information associated therewith.
  • a representation learning RL known per se is then carried out based on an embedding learning algorithm ELA.
  • ELA embedding learning algorithm
  • FIG. 7 shows an event sequence ES with the operational events El, E2, En, which in turn represent different entities. Further, the event sequence contains the further entities in the form of the linked context information. These entities are not listed separately in FIG. 7, but are represented by the block CI.
  • the algorithm separately analyzes for each entity (ie, entities associated with both operational events and context information) the context surrounding that entity (ie, all other entities) within the respective event sequence ES.
  • entity ie, entities associated with both operational events and context information
  • the context to this entity includes the two previous operational events El and E2, as well as the other later events that end with the event En.
  • this probability distribution According to the denominator of this probability distribution, all entities of an event sequence are summed which does not correspond to the entity e currently being considered.
  • the above probability distribution represents the so-called Softmax distribution, which is the normalized exponential distribution.
  • the argument 5 () of this probability distribution is a similarity or correlation function between the vector v e of the considered entity and the corresponding context C.
  • this similarity function depends on the sum of the paired scalar products from the considered event vector v e with the respective vectors of the context C.
  • the similarity function may correspond to this sum or represent the mean value of the paired scalar products.
  • the embedding-learning algorithm is an optimization ⁇ approximately problem solved based on the optimization goal, which is all the probabilities for which it is the combination are in the processed event sequences, in fact, from a vector v e and a context C is maximized.
  • the optimization goal is described by a function which is the negative sum over the logarithm of the probabilities. This objective function is then to be minimized as part of the optimization.
  • the said optimization problem can be solved in a manner known per se with a stochastic gradient descent method, whereby well-known libraries of ma ⁇ shining learning in C ++ can be used for this purpose.
  • a distributed representation DR consisting of a plurality of representation vectors V, each representation vector representing an entity which has appeared in the event sequences. Same entities have this identical represent a ⁇ tion vectors.
  • the vectors in the vector space are normalized to one.
  • various further processing steps can then be carried out by means of these representation vectors.
  • FIG. 1 the processing steps of the prediction PR, the clustering CL and the visualization VI are indicated. It can only be done one of these processing steps or even a belie ⁇ bige combination of these processing steps.
  • the presentation learn about the representativeness vectors V obtained are used as training data for another machine learning method in which ⁇ used here in a preferred variant of a recurrent neural network.
  • ⁇ used here in a preferred variant of a recurrent neural network.
  • a learning process can then predicting new event sequences based on past event sequences, which can predict the behavior of the production system.
  • a temporally backward-looking prediction can also be carried out by deducing sequences that have occurred earlier from a current event sequence. In this way, causes for a specific operating behavior of the production system can be determined.
  • ⁇ PR may optionally first a dimension reduction of the corresponding vectors with suitable methods, such as a PCA analysis (PCA Principal Component Analysis) is performed. Take the appropriate machine Lernver ⁇ is then applied to the vectors with the reduced dimension.
  • PCA analysis PCA Principal Component Analysis
  • a cluster process known per se such as e.g. the k-means algorithm classifying vectors, i. grouped into corresponding clusters.
  • clustering outliers can be identified, i. Entities that are far outside of the formed clusters.
  • the clustering just described can also be carried out again in a reduced-dimensional vector space, i. prior to clustering, the vectors are subjected to diminution reduction, e.g. based on a PCA analysis.
  • FIG. 8 shows a matrix-like visualization of a part of the vectors V determined by the representation learning RL.
  • Each entry of the matrix is represented by a bar running in the horizontal direction, the brightness of each bar indicating the numerical value of the entry according to the one to the right of the matrix Scale represents.
  • the individual columns are entities or vectors v e in the form of product variants VA1, VA2, VA6. Every product variant has Entries VI, V2, V64 for each dimension of the vector space of the representation vectors, with a total of 64 dimensions.
  • the illustrated visualization of FIG. 8 is displayed on a display unit.
  • the Be ⁇ Trachter intuitively recognizes that the product variant VA2 has a German borrowed different representation vector compared to the other variants. This indicates that the Herge ⁇ featured product variant VA2 has a strong influence on the behavior of the production system so that the are EVENT ⁇ nissequenzen creates significantly different if this product variant Herge ⁇ sets by a corresponding production module.
  • FIG. 9 shows a two-dimensional visualization of entities in the form of corresponding production modules M1, M2, MIO.
  • the visualization was performed after reducing the dimension of the vector space to two dimensions.
  • a domain expert can from the visualization of FIG. 9 deduce that the modules Ml and MIO are not correlated with each other due to their large waste stands in the vector space and hence not interrelated tasks producti ⁇ onssystem perform.
  • Fig. 10 shows a visualization similar to Fig. 9, again reducing the dimension of the vector space to two dimensions.
  • corresponding events El, E2, E3, E4 and E5 and the product variant VA2 are now reproduced as entities.
  • Vi ⁇ sual Deutschen a domain expert receives the information wel ⁇ che events due to their small distance to the product duktstep VA2 are correlated with their production.
  • the embodiments of the invention described above have a number of advantages. Especially a robust computer-aided analysis of a production system is achieved ⁇ representation based on learning by the Pro ⁇ du Wegssystem occurred events. As resulting ⁇ nis obtained representation vectors that allow more far-reaching analyzes and visualizations can be performed.
  • the inventive method learns correla ⁇ tions between operating events and context information that can be used for diagnosis and optimization of the production system. In particular, insights into the interaction between events and contextual information can be derived. This can improve the quality of analytical models for describing production systems.
  • the method has a high scalability, provided that efficient learning algorithms are used.
  • the inventive method can be implemented in a product ⁇ or production engineering software, for example, to optimize the production of a product to be manufactured with the corresponding production system from which the event sequences are derived. Further, the inventive method can be implemented in a MES system to causes of erratic behavior of the production system to ermit ⁇ stuffs and thus to ensure robust operation of the production system. In addition, the inventive method can be used in software for the design of production systems.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur rechnergestützten Analyse des Betriebs eines Produktionssystems (PS), wobei digitale Daten in der Form von mehreren zeitlich aufeinander folgenden Ereignissequenzen (ES) verarbeitet werden, welche jeweils mehrere zeitlich hintereinander aufgetretene Betriebsereignisse (E1, E2,..., En) umfassen, welche jeweils eine Betriebsmeldung enthalten, die im Betrieb des Produktionssystems (PS) erzeugt wurde. Im erfindungsgemäßen Verfahren werden die Betriebsereignisse (E1, E2, En) mit digitalen Kontextinformationen (CI) verknüpft, wodurch Ereignissequenzen (ES) aus einer Vielzahl von digitalen Entitäten (EN) entstehen. Anschließend werden unter Verwendung dieser Entitäten als Trainingsdaten digitale Repräsentationsvektoren (V) mittels eines unüberwachten Repräsentationslernens (RL) ermittelt. Das Repräsentationslernen erfolgt dabei basierend auf einer Ähnlichkeitsfunktion, welche die Ähnlichkeit von einer jeweiligen Entität (EN) zu den anderen Entitäten (EN) in der gleichen Ereignissequenz (ES) beschreibt. Das erfindungsgemäße Verfahren liefert eine robuste Repräsentation von sowohl Betriebsereignissen als auch damit verknüpften Kontextinformationen. Diese Repräsentation kann anschließend in geeigneter Weise weiterverarbeitet werden, um aussagekräftige Informationen über das Produktionssystem zu erhalten.

Description

Beschreibung
Verfahren zur rechnergestützten Analyse des Betriebs eines Produktionssystems
Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur rechnergestützten Analyse des Betriebs eines Produktionssys¬ tems sowie ein entsprechendes Computerprogrammprodukt und Computerprogramm.
Methoden zur rechnergestützten Analyse von Betriebsdaten eines Produktionssystems stellen wichtige Werkzeuge dar, um Produktionsprozesse und den Entwurf von Produktionssystemen zu optimieren. Beispielsweise sind analytische Verfahren be- kannt, um mittels FMEA-Modellen (FMEA = Failure Mode Effects Analysis) die Wechselwirkung zwischen Fehlern und deren Ursachen in Produktionssystemen festzustellen. Mit dem Ergebnis solcher Verfahren können Experten die Ursachen von schweren Betriebsfehlern bzw. Betriebsausfällen ermitteln und entspre- chend beseitigen, um Standzeiten des Produktionssystems zu vermeiden, eine hohe Qualität der gefertigten Produkte zu erreichen und den Wartungsaufwand des Produktionssystems gering zu halten. Bei der rechnergestützten Analyse von Produktionsprozessen besteht die Schwierigkeit, dass für den Produktionsprozess relevante Daten aus unterschiedlichen Domänen, wie Produktionsplanung, Produkt-Engineering und Produktionsausführung, stammen. Demzufolge wird oft eine gemeinsame Analyse der Da- ten aus allen Domänen nicht durchgeführt, was z.B. bei der Produktion von neuen Produktvarianten problematisch sein kann, sofern hierfür Prozesse genutzt werden, welche in der Vergangenheit zu Fehlern bzw. Produktionsausfällen geführt haben .
Derzeit werden Betriebsdaten von Produktionssystemen, wie z.B. Sequenzen von Betriebsereignissen, basierend auf Data- Mining-Algorithmen oder graphischen Modellen, wie Bayesschen Netzen, analysiert. Zur Implementierung dieser Methoden ist ein hoher Aufwand erforderlich. Insbesondere müssen ausführliche Interviews mit Ingenieuren mit Spezialwissen über die unterschiedlichen Komponenten des Produktionssystems durchge- führt werden.
Aus dem Stand der Technik sind ferner simulations-basierte Analysemethoden für Produktionssysteme bekannt. Auch diese Verfahren erfordern einen hohen Aufwand und benötigen Spezi- alwissen von Domänenexperten. Da Simulationsmodelle die unvermeidbare Variabilität der tatsächlichen Ausführung von physikalischen Prozessen nicht vollumfänglich beschreiben können, verlassen sie sich auch auf empirische Beobachtungen des Produktionssystems und müssen somit regelmäßig aktuali- siert werden.
Aufgabe der Erfindung ist es, ein Verfahren zur rechnergestützten Analyse des Betriebs eines Produktionssystems zu schaffen, mit dem aussagekräftige und gut auswertbare Infor- mationen über Problemstellen im Betrieb des Produktionssystems gewonnen werden können.
Diese Aufgabe wird durch die unabhängigen Patentansprüche ge¬ löst. Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen definiert.
Das erfindungsgemäße Verfahren dient zur rechnergestützten Analyse des Betriebs eines Produktionssystems. Unter einem Produktionssystem ist dabei eine Anlage zu verstehen, welche automatisiert ein oder mehrere Produkte fertigt bzw. her¬ stellt .
Im Rahmen des erfindungsgemäßen Verfahrens werden digitale Daten in der Form von mehreren zeitlich aufeinander folgenden Ereignissequenzen verarbeitet. Sofern hier und im Folgenden der Begriff „digital" verwendet wird, wird hierdurch ange¬ zeigt, dass es sich um digitale Datenstrukturen handelt. Jede Ereignissequenz umfasst mehrere zeitlich hintereinander auf- getretene Betriebsereignisse, wobei jedes Betriebsereignis eine Betriebsmeldung enthält, die im Produktionssystem erzeugt wurde. Diese Meldung kann im Rahmen des Betriebs des Produktionssystems ggf. über eine Benutzerschnittstelle aus- gegeben worden sein. Auf jeden Fall wurde die Betriebsmeldung in einem entsprechenden Speicher protokolliert.
Im Rahmen des erfindungsgemäßen Verfahrens werden die Betriebsereignisse jeder Ereignissequenz (d.h. aller verarbeiteter Ereignissequenzen) mit digitalen Kontextinformationen verknüpft, welche zu den jeweiligen Betriebsereignissen gehören, wodurch für jede Ereignissequenz eine Vielzahl von digitalen Entitäten erhalten wird. Eine jeweilige Entität stellt dabei den Typ eines Betriebsereignisses bzw. den Typ einer Kontextinformation dar. Demzufolge wird jedes Betriebsereig¬ nis durch eine Entität des entsprechenden Typs repräsentiert. Analog werden die mit einem jeweiligen Betriebsereignis ver¬ knüpften Kontextinformationen durch eine oder mehrere Entitäten repräsentiert, je nachdem, wie viele verschiedene Typen von Kontextinformationen in den verknüpften Kontextinformationen enthalten sind. Da die Entitäten Typen spezifizieren, kann eine jeweilige Ereignissequenz ggf. mehrere gleiche En¬ titäten enthalten. Im erfindungsgemäßen Verfahren werden für die verschiedenen
Entitäten aller verarbeiteter Ereignissequenzen jeweilige digitale Repräsentationsvektoren ermittelt. Gleiche Entitäten haben somit identische Repräsentationsvektoren. Diese Ermittlung erfolgt basierend auf einem unüberwachten Repräsentati- onslernen, wobei die Entitäten der Ereignissequenzen die Trainingsdaten dieses Lernens darstellen. Verfahren des unüberwachten Repräsentationslernens (englisch: „Unsupervised Feature Learning" oder „Unsupervised Representation Lear- ning") sind an sich bekannt und haben das Ziel, niedrig- dimensionale Merkmalsvektoren aus hochdimensionalen Eingangsdaten zu generieren. Mittels des Repräsentationslernens wer¬ den die Entitäten nunmehr als Vektoren in einem Vektorraum mit einer vorgegebenen Anzahl an Dimensionen dargestellt. Insbesondere ist die vorgegebene Anzahl an Dimensionen klei¬ ner als die Gesamtanzahl der Entitäten aller Ereignissequenzen, wobei in dieser Gesamtanzahl auch alle gleichen, mehrmals auftretenden Entitäten mitgezählt werden. Mit anderen Worten werden die einzelnen Entitäten durch niedrig- dimensionale Repräsentationsvektoren dargestellt.
Das unüberwachte Repräsentationslernen wird basierend auf ei¬ ner Ähnlichkeits- bzw. Korrelationsfunktion durchgeführt, welche die Ähnlichkeit einer jeweiligen Entität zu den ande¬ ren Entitäten in der gleichen Ereignissequenz beschreibt. Die Einträge der erhaltenen Repräsentationsvektoren sind dabei numerische Werte in einem bestimmten Wertebereich, wobei die Repräsentationsvektoren in der Regel auf eine Einheitslänge normiert sind.
Das erfindungsgemäße Verfahren zeichnet sich dadurch aus, dass auf einfache Weise über Repräsentationslernen Ereignis¬ sequenzen und damit verknüpfte Kontextinformationen analy- siert werden, um Korrelationen in den Ereignissequenzen zu erkennen. Als Ergebnis werden Vektoren für Entitäten erhalten, welche durch weitergehende rechnergestützte Verfahren einfach ausgewertet werden können bzw. geeignet visualisiert werden können. Je nach Ausgestaltung kann das erfindungsgemä- ße Verfahren online während des Betriebs des Produktionssys¬ tems durchgeführt werden und in diesem Sinne das Produktions¬ system überwachen. Nichtsdestotrotz kann die erfindungsgemäße Analyse auch vom Betrieb des Produktionssystems entkoppelt sein .
In einer bevorzugten Variante des erfindungsgemäßen Verfahrens basiert die verwendete Ähnlichkeitsfunktion auf der Sum¬ me der paarweisen Skalarprodukte der jeweiligen Entität mit allen anderen Entitäten in der gleichen Ereignissequenz im Vektorraum der Entitäten.
In einer besonders bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens stammen für zumindest einen Teil der Betriebsereignisse der Ereignissequenzen die zugehörigen Kontextinformationen zumindest teilweise aus einem Produktions- verwaltungssystem. Der Begriff des Produktionsverwaltungssys- tems ist weit zu verstehen. Vorzugsweise handelt es sich bei diesem System um ein Produktionssteuersystem, insbesondere um ein an sich bekanntes MES-System. Alternativ oder zusätzlich kann das Produktionssystem auch ein Warenwirtschaftssystem umfassen . Zur Verknüpfung der Kontextinformationen aus dem Produktions- verwaltungssystem mit den entsprechenden Betriebsereignissen werden vorzugsweise Zeitstempel verwendet. Dabei sind sowohl den Betriebsereignissen als auch den Kontextinformationen Zeitstempel für deren Auftreten zugeordnet. Im Rahmen der Verknüpfung werden Kontextinformationen mit dem gleichen
Zeitstempel eines Betriebsereignisses mit diesem Betriebser¬ eignis verknüpft.
Gegebenenfalls stammen die Kontextinformationen zumindest zum Teil auch nicht aus einem Produktionsverwaltungssystem. In einer Variante werden für zumindest einen Teil der Betriebs¬ ereignisse der Ereignissequenzen die zugehörigen Kontextinformationen zumindest teilweise aus den jeweiligen Betriebs¬ ereignissen selbst extrahiert. Zum Beispiel können für zumin- dest einen Teil der Betriebsereignisse der Ereignissequenzen textuelle Ausdrücke (insbesondere Wörter) aus der Betriebs¬ meldung des jeweiligen Betriebsereignisses als Kontextinformationen extrahiert werden. Je nach Ausgestaltung können die digitalen Kontextinformationen verschiedene Daten enthalten. Vorzugsweise umfassen diese Informationen eine oder mehrere der folgenden digitalen Informationen :
ein oder mehrere Produktionsmodule und/oder eine oder meh- rere Produktionsmodul-Komponenten, die in dem Produktionssystem enthalten sind und in denen die jeweiligen Betriebsereignisse aufgetreten sind; Informationen aus einer oder mehreren Stücklisten, wobei eine jeweilige Stückliste Teile angibt, welche durch das Produktionsmodul oder die Produktionsmodul-Komponente ver¬ arbeitet werden, in dem oder in der das jeweilige Be¬ triebsereignis aufgetreten ist, wobei vorzugsweise eine oder manche der Stücklisten jeweils Zusatzinformationen zu den jeweiligen Teilen umfassen, insbesondere Chargen- und/oder HerstellerInformationen;
Informationen aus einer oder mehreren Prozesslisten, wobei eine jeweilige Prozessliste Prozessschritte angibt, welche durch das Produktionsmodul oder die Produktionsmodul-Komponente ausgeführt werden, in dem oder in der das jeweili¬ ge Betriebsereignis aufgetreten ist, wobei vorzugsweise eine oder manche der Prozesslisten jeweils Zusatzinforma¬ tionen zu den Prozessschritten umfassen;
eine oder mehrere Produktvarianten, wobei eine jeweilige Produktvariante durch das Produktionsmodul oder die Pro¬ duktionsmodul-Komponente gefertigt wird, in dem oder in der das jeweilige Betriebsereignis aufgetreten ist;
Informationen aus einer digitalen technischen Beschreibung des Produktionssystems.
In einer weiteren Ausgestaltung wird eine spezielle Variante eines unüberwachten Repräsentationslernens durchgeführt. Im Rahmen dieser Variante wird beim unüberwachten Repräsentationslernen eine Optimierung basierend auf einem Optimierungs¬ ziel durchgeführt, das von einer Wahrscheinlichkeitsfunktion abhängt, welche die Wahrscheinlichkeit einer Kombination aus einer Entität und restlichen Entitäten in einer Ereignissequenz in der Form einer bedingten Wahrscheinlichkeit repräsentiert. Diese bedingte Wahrscheinlichkeit ist die Wahr¬ scheinlichkeit des Auftretens der Entität unter der Bedingung des Vorhandenseins der restlichen Entitäten in der Ereignissequenz. Vorzugsweise wird als Wahrscheinlichkeitsfunktion die an sich bekannte Softmax-Verteilung (d.h. die normierte Exponentialverteilung) verwendet. Das Optimierungsziel ist dabei eine möglichst große Summe derjenigen Wahrscheinlich- keiten, deren Kombinationen aus einer Entität und restlichen Entitäten in den Trainingsdaten tatsächlich auftreten.
In einer weiteren Variante des erfindungsgemäßen Verfahrens wird basierend auf den digitalen Repräsentationsvektoren ein rechnergestütztes Cluster-Verfahren zur Clusterung von ähnlichen Entitäten durchgeführt. Dabei können an sich bekannte maschinelle Lernverfahren zu dieser Clusterung genutzt werden, wie z.B. der k-Means-Algorithmus . Mit dieser Ausfüh- rungsform können auf einfache Weise Informationen über Korrelationen zwischen aufgetretenen Betriebsereignissen und Kontextinformationen abgeleitet werden. Das rechnergestützte Cluster-Verfahren kann direkt auf die digitalen Repräsentationsvektoren angewendet werden. Nichtsdestotrotz besteht auch die Möglichkeit, dass die digitalen Repräsentationsvektoren zunächst einer Dimensionsreduktion unterzogen werden, z.B. basierend auf einer PCA-Analyse (PCA = Principal Component Analysis) . Das Cluster-Verfahren wird dann auf die dimensi¬ onsreduzierten Vektoren angewendet.
In einer weiteren Ausführungsform des erfindungsgemäßen Verfahrens wird basierend auf den digitalen Repräsentationsvektoren eine Visualisierung auf einer Anzeigeeinheit generiert, wobei aus der Visualisierung die Ähnlichkeit zwischen zumin- dest einem Teil der Entitäten ersichtlich wird. In einer Variante wird die Ähnlichkeit mittels einer Färb- und/oder Hel¬ ligkeitskodierung in der Visualisierung wiedergegeben. Gegebenenfalls kann die Visualisierung auch erst nach einer Dimensionsreduktion der digitalen Repräsentationsvektoren er- zeugt werden. Beispielsweise kann eine Dimensionsreduktion in einen zweidimensionalen oder dreidimensionalen Raum erfolgen, so dass die Vektoren in einem zweidimensionalen oder dreidimensionalen Koordinatensystem visualisiert werden können und über die Abstände zwischen den Vektoren deren Ähnlichkeiten erkannt werden können.
In einer weiteren Variante des erfindungsgemäßen Verfahrens wird basierend auf den digitalen Repräsentationsvektoren ein maschinelles Lernverfahren zur Prädiktion von Ereignissequenzen aus bekannten Ereignissequenzen gelernt. Beispielsweise kann hierzu ein rekurrentes neuronales Netz genutzt werden. Das Lernverfahren kann entweder direkt auf den digitalen Rep- räsentationsvektoren angewendet werden. Nichtsdestotrotz ist es wiederum möglich, das Lernverfahren erst nach einer Dimensionsreduktion auf die Vektoren mit verringerter Dimension anzuwenden. Über die Prädiktion von Ereignissequenzen kann das zukünftige Verhalten des Produktionssystems festgestellt werden. Ebenso können in der Vergangenheit liegende Ursachen für ein bestimmtes Verhalten des Produktionssystems ermittelt werden. Mit anderen Worten kann eine Prädiktion sowohl in die Zukunft als auch in die Vergangenheit erfolgen. Neben dem oben beschriebenen Verfahren betrifft die Erfindung eine Vorrichtung zur rechnergestützten Analyse des Betriebs eines Produktionssystems, wobei in der Vorrichtung digitale Daten in der Form von mehreren zeitlich aufeinander folgenden Ereignissequenzen verarbeitbar sind, welche jeweils mehrere zeitlich hintereinander aufgetretene Betriebsereignisse um¬ fassen, die jeweils eine Betriebsmeldung enthalten, die im Produktionssystem erzeugt wurde. Die Vorrichtung ist dabei zur Durchführung des erfindungsgemäßen Verfahrens bzw. einer oder mehrerer bevorzugter Varianten des erfindungsgemäßen Verfahrens eingerichtet.
Die Erfindung betrifft darüber hinaus ein Computerprogrammprodukt mit einem auf einem maschinenlesbaren Träger gespeicherten Programmcode zur Durchführung des erfindungsgemäßen Verfahrens bzw. einer oder mehrerer bevorzugter Varianten des erfindungsgemäßen Verfahrens, wenn der Programmcode auf einem Rechner ausgeführt wird.
Ferner umfasst die Erfindung ein Computerprogramm, mit einem Programmcode zur Durchführung des erfindungsgemäßen Verfahrens bzw. einer oder mehrerer bevorzugter Varianten des erfindungsgemäßen Verfahrens, wenn der Programmcode auf einem Rechner ausgeführt wird. Ausführungsbeispiele der Erfindung werden nachfolgend anhand der beigefügten Figuren detailliert beschrieben.
Es zeigen:
Fig. 1 eine schematische Darstellung einer Architektur zur Durchführung des erfindungsgemäßen Verfahrens;
Fig. 2 bis Fig. 6 schematische Darstellungen, welche unter- schiedliche Arten der Verknüpfung von Betriebsereignissen mit Kontextinformatio¬ nen gemäß der Erfindung wiedergeben;
Fig. 7 eine schematische Darstellung zur Verdeutlichung des im erfindungsgemäßen Verfahren durchgeführten Repräsentationslernens; und
Fig. 8 bis Fig. 10 verschiedene Beispiele von Visualisierun¬ gen, die basierend auf Ausführungsformen der Erfindung erzeugt wurden.
Fig. 1 zeigt eine Architektur zur Durchführung einer Variante des erfindungsgemäßen Verfahrens. Ausgangspunkt ist dabei ein Produktionssystem PS, welches eine Vielzahl von Produktionsmodulen umfasst, wobei in Fig. 1 beispielhaft drei Produkti¬ onsmodule Ml, M2 und M3 dargestellt sind. Die einzelnen Pro¬ duktionsmodule enthalten in der Regel PLCs (PLC = Programmab- le Logic Controller) , Sensoren, Aktuatoren, DCS-Systeme (DCS = Distributed Control System) und dergleichen. Mit dem Pro¬ duktionssystem können dabei automatisiert ein oder mehrere vorbestimmte Produkte hergestellt werden. Beispielsweise kann es sich bei dem Produktionssystem um eine Fertigungsstraße handeln . Im Betrieb des Produktionssystems wird eine Vielzahl von Be¬ triebsereignissen erfasst, welche Betriebsmeldungen, wie z.B. Störmeldungen, enthalten, die durch das Produktionssystem erzeugt wurden. Die Betriebsereignisse sind als Ereignissequen- zen ES von zeitlich aufeinander folgenden Betriebsmeldungen in einem entsprechenden Speicher des Produktionssystems PS hinterlegt .
Ziel der Erfindung ist es nunmehr, die Ereignissequenzen mit einem geeigneten rechnergestützten Verfahren zu analysieren, um hierüber weitergehende Informationen zum Betrieb des Pro¬ duktionssystems abzuleiten. Um dies zu erreichen, wird in ei¬ nem ersten Schritt eine Kontext-Verknüpfung CM (CM = Context Mapping) durchgeführt. Dabei wird auf Kontextinformationen CI aus einem Produktionsverwaltungssystem PMS (PMS = Production Management System) zugegriffen. Der Begriff des Produktions- verwaltungssystems ist weit zu verstehen und betrifft solche Systeme, welche Informationen zum Produktionssystem in geeigneter Weise vorhalten. In einer besonders bevorzugten Ausfüh- rungsform ist das Produktionsverwaltungssystem ein sog. MES- System (MES = Manufacturing Execution System) , welches häufig auch als Produktionsleitsystem bezeichnet wird und welches die Produktion des Produktionssystems überwacht. In der Ausführungsform der Fig. 1 enthält das Produktionsverwaltungssystem PMS als Kontextinformationen CI u.a. Informationen aus Stücklisten BM (BM = Bill of Material), aus Prozesslisten BP (BP = Bill of Processes) sowie aus einer digi¬ talen Beschreibung PL des Aufbaus des Produktionssystems (PL = Plant Layout) . Diese Kontextinformationen sind mit Zeit¬ stempeln versehen, welche das Auftreten des entsprechenden Kontexts im Betrieb des Produktionssystems spezifizieren. In gleicher Weise sind den Betriebsereignissen der Ereignissequenzen ES solche Zeitstempel zugeordnet.
Die Kontext-Verknüpfung CM wird dadurch erreicht, dass Kontextinformationen, welche den gleichen Zeitstempel wie ein entsprechendes Betriebsereignis in den Ereignissequenzen auf- weisen, mit diesem Betriebsereignis verknüpft werden. Auf diese Weise enthält man durch die Kontext-Verknüpfung CM für jede Ereignissequenz ES eine Vielzahl von Entitäten EN, welche Typen von in der Ereignissequenz aufgetretenen Betriebs- ereignissen und Typen von damit verknüpften Kontextinformationen spezifizieren. Eine jeweilige Ereignissequenz kann somit weniger unterschiedliche Entitäten als Betriebsereignisse und Kontextinformationen enthalten, sofern bestimmte Typen von Betriebsereignissen bzw. Kontextinformationen mehrmals in der entsprechenden Ereignissequenz auftreten.
Neben Kontextinformationen aus dem Produktionsverwaltungssys- tem PMS können noch weitere Kontextinformationen direkt aus den einzelnen Ereignissen selbst gewonnen werden. Beispiels- weise kann in dem Betriebsereignis selbst die Kontextinforma¬ tion hinterlegt sein, in welchem Produktionsmodul das Ereig¬ nis aufgetreten ist. Ebenso können Kontextinformationen durch textuelle Analyse der entsprechenden Betriebsmeldung des betrachteten Betriebsereignisses gewonnen werden, indem bei- spielsweise die einzelnen Wörter der Betriebsmeldung einem Typ einer Kontextinformation zugeordnet werden.
Zur Verdeutlichung der Kontext-Verknüpfung CM aus Fig. 1 werden im Folgenden anhand von Fig. 2 bis Fig. 6 verschiedene Varianten solcher Verknüpfungen und die daraus resultierenden Entitäten beschrieben. Die einzelnen Knoten in Fig. 2 bis Fig. 6 repräsentieren dabei Entitäten EN. Fig. 2 bis Fig. 6 zeigen jeweils eine Betriebssequenz nach Durchführung der Kontextverknüpfung, wobei jede dieser Sequenzen die Betriebs- ereignisse El, E2, E3, En in der Form entsprechender Entitäten enthält, die in der Ereignissequenz aufgetreten sind. In den Beispielen der Fig. 2 bis Fig. 6 ist jedes Betriebseiereignis ein anderer Typ und somit eine andere Entität. Dem¬ zufolge werden in der nachfolgenden Beschreibung die Ereig- nisse El bis En auch direkt als Entitäten bezeichnet.
In dem Beispiel der Fig. 2 ist den Entitäten El und E2 die Kontextinformation des Produktionsmoduls Ml und den Entitäten E3 bis En die Kontextinformation des Produktionsmoduls M2 zu¬ geordnet. Mit anderen Worten wurden die Entitäten bzw. Betriebsereignisse El und E2 in dem Produktionsmodul Ml er¬ zeugt, wohingegen die Entitäten E3 bis En in dem Produktions- modul M2 generiert wurden.
Fig. 3 zeigt eine Abwandlung der Kontext-Verknüpfung aus Fig. 2. Im Unterschied zu Fig. 2 wurden in Fig. 3 die jeweiligen Entitäten El bis En auch mit Produktionsmodul-Komponenten COl bis C04 aus den jeweiligen Produktionsmodulen Ml und M2 verknüpft. In der jeweiligen Komponente ist die damit verknüpfte Entität des Betriebsereignisses aufgetreten. Gemäß Fig. 3 ist die Entität El mit der Komponente COl, die Entität E2 mit der Komponente C02, die Entität E3 mit der Komponente C03 und die Entität En mit der Komponente C04 verknüpft.
Fig. 4 zeigt eine weitere Variante einer Kontext-Verknüpfung. In dem Beispiel der Fig. 4 werden neben Kontext-Entitäten in der Form von Produktionsmodulen Ml, M2 und Komponenten COl bis C04 auch Kontext-Entitäten in der Form von textuellen
Ausdrücken TE1 bis TE4 mit den entsprechenden Betriebsereignissen verknüpft. Bei den Ausdrücken TE1 bis TE4 handelt es sich dabei um Wörter, welche in den entsprechenden Betriebsmeldungen der jeweiligen Betriebsereignisse aufgetreten sind. Gemäß Fig. 4 ist die Entität El mit den Wörtern TE1 und TE2 und die Entität E3 ist mit den Wörtern T3 und T4 verknüpft.
Fig. 5 zeigt eine weitere Abwandlung einer Kontext-Verknüp¬ fung, wobei nunmehr Kontextinformationen in der Form von Pro- duktvarianten und Teilen aus diesen Produktvarianten berücksichtigt werden. Eine Verknüpfung einer Produktvariante mit der Entität eines Betriebsereignisses liegt dann vor, wenn das Betriebsereignis in einem Produktionsmodul auftritt, wel¬ ches die entsprechende Produktvariante produziert. Gemäß Fig. 5 sind die Entitäten El bis E3 mit der Entität der Produktva¬ riante VA1 verknüpft. Ferner liegt eine Verknüpfung mit den Teilen PA1 und PA2 vor, die Bestandteile der Produktvariante VA1 sind. Die Informationen über die Bestandteile PA1 und PA2 stammen dabei aus einer entsprechenden Stückliste. In gleicher Weise sind in Fig. 5 die restlichen Entitäten umfassend die Entität En mit der Produktvariante VA2 verknüpft, welche wiederum aus den Bestandteilen PA2 und PA3 besteht.
Fig. 6 zeigt eine gegenüber Fig. 5 leicht modifizierte Kon¬ text-Verknüpfung. Im Unterschied zu Fig. 6 enthalten die Stücklisten nunmehr zu den einzelnen Bestandteilen zum Teil auch Chargen-Informationen LI bzw. LI', welche angeben, zu welcher Charge der Bestandteil der entsprechenden Produktva¬ riante gehört (LI = Lot Information) . Gemäß Fig. 6 sind die Entitäten El bis E3 mit der Produktvariante VA1 sowie dessen Bestandteilen PA1 und PA2 verknüpft, wobei ferner eine Verknüpfung mit der Chargen-Information LI betreffend den Be- standteil PA2 vorliegt. Demgegenüber sind die weitere Entitä¬ ten umfassend die Entität En mit der Produktvariante VA2 ver¬ knüpft, welche wiederum die Bestandteile PA3 und PA4 umfasst, wobei der Bestandteil PA3 mit der entsprechenden Chargen- Information LI' verknüpft ist.
Im Folgenden wird nochmals anhand eines einfachen Beispiels erläutert, wie die Kontext-Verknüpfung der Fig. 1 über entsprechende Zeitstempel erfolgen kann. Ausgangspunkt dieses Beispiels ist eine Ereignissequenz, welche wie folgt aus- sieht:
Figure imgf000015_0001
Wie man erkennt, umfassen die Ereignisse El bis E3 neben der eigentlichen Betriebsmeldung den Zeitstempel Tl, T2 bzw. T3, der das Auftreten des Ereignisses spezifiziert, sowie die je weiligen Module, in denen die Ereignisse aufgetreten sind. Mit anderen Worten ist das Ereignis El zum Zeitpunkt Tl im Modul Ml aufgetreten, das Ereignis E2 zum Zeitpunkt T2 im Mo¬ dul M2 und das Ereignis E3 zum Zeitpunkt T3 im Modul Ml.
Für die genannten Zeitstempel Tl bis T3 können aus dem Pro¬ duktionsverwaltungssystem die folgenden Kontextinformationen extrahiert werden:
Figure imgf000016_0001
Wie man erkennt, wurde zum Zeitpunkt Tl die Produktvariante VAl durch das Modul Ml hergestellt. Ferner wurde zum Zeit¬ punkt T2 ebenfalls die Produktvariante VAl durch das Modul M2 hergestellt. Demgegenüber wurde zum Zeitpunkt T3 die Produkt- Variante VA2 durch das Modul Ml hergestellt.
Basierend auf der Kontext-Verknüpfung erhält man über die Zuordnung einander entsprechender Zeitstempel schließlich die folgenden Entitäten für die betrachtete Ereignissequenz.
Figure imgf000016_0002
Wie man erkennt, enthält jede Ereignissequenz nunmehr die da- rin aufgetretenen Betriebsereignisse El, E2 und E3 in Form entsprechender Entitäten. Ferner sind die Kontext-Entitäten der Produktvarianten VAl und VA2 sowie der Module Ml und M2 Bestandteil der Ereignissequenz. Wie dargelegt wurde, erhält man nach der Kontext-Verknüpfung CM der Fig. 1 eine digitale Darstellung der jeweiligen Ereignissequenzen, welche entsprechende Entitäten EN für die Ereignisse und für damit verknüpfte Kontextinformationen um- fasst. Für die Entitäten EN wird dann ein an sich bekanntes Repräsentationslernen RL basierend auf einem Embedding-Lear- ning-Algorithmus ELA durchgeführt. Solche Arten von Algorith¬ men sind an sich bekannt, werden jedoch erstmalig im Rahmen der Analyse von Ereignissequenzen in einem Produktionssystem genutzt.
Die Durchführung des in der hier beschriebenen Ausführungsform genutzten Embedding-Learning-Algorithmus wird nachfol¬ gend anhand von Fig. 7 beschrieben. Fig. 7 zeigt eine Ereig- nissequenz ES mit den Betriebsereignissen El, E2, En, die wiederum unterschiedliche Entitäten darstellen. Ferner enthält die Ereignissequenz die weiteren Entitäten in der Form der verknüpften Kontextinformationen. Diese Entitäten sind in Fig. 7 nicht separat aufgelistet, sondern werden durch den Block CI repräsentiert.
Im Rahmen des Embedding-Learning-Algorithmus werden viele solcher Ereignissequenzen ES verarbeitet. Der Algorithmus analysiert getrennt für jede einzelne Entität (d.h. für so- wohl Betriebsereignissen als auch Kontextinformationen zugeordnete Entitäten) den diese Entität umgebenden Kontext (d.h. alle übrigen Entitäten) innerhalb der jeweiligen Ereignissequenz ES. In dem Beispiel der Fig. 7 wird gerade das Be¬ triebsereignis bzw. die Entität E3 betrachtet. Der Kontext zu dieser Entität umfasst die beiden früheren Betriebsereignisse El und E2 sowie die weiteren späteren Ereignisse, die mit dem Ereignis En enden. Die Betriebsereignisse El und E2 stellen dabei Ursachen für das Ereignis E3 dar, wie durch die Pfeile CA (CA = Cause) dargestellt wird. Demgegenüber sind die spä- teren Ereignisse Effekte aus dem Betriebsereignis E3, wie durch den Pfeil EF (EF = Effect) dargestellt wird. Im Embedding-Learning-Algorithmus ELI wird nunmehr jede Enti¬ tät einer Ereignissequenz über eine Wahrscheinlichkeitsfunktion modelliert. Die jeweiligen Entitäten werden dabei als Vektoren in einem Vektorraum mit vorgegebener Dimension beschreiben, wobei die Dimension deutlich niedriger als die Gesamtanzahl der aufgetretenen Entitäten in den betrachteten Ereignissequenzen ist. Der Vektor einer Entität e wird im Folgenden als ve bezeichnet. Demgegenüber werden diese Vektoren in Fig. 1 und Fig. 7 allgemein durch das Bezugszeichen V repräsentiert. Die Vektoren V werden nachfolgend auch Reprä¬ sentationsvektor genannt. Für eine gerade betrachtete Entität e werden im Folgenden alle restlichen Entitäten der jeweiligen Ereignissequenz, d.h. die Ursachen CA, die Effekte EF sowie die entsprechenden Kontextinformationen CI aus Fig. 7, als Kontext C bezeichnet.
Die Wahrscheinlichkeit des Auftretens einer Entität mit dem Vektor ve unter der Bedingung des entsprechenden Kontextes C wird durch folgende Verteilung beschrieben:
Gemäß dem Nenner dieser Wahrscheinlichkeitsverteilung wird über alle Entitäten einer Ereignissequenz summiert, welche nicht der gerade betrachteten Entität e entspricht. Die obige Wahrscheinlichkeitsverteilung stellt dabei die sog. Softmax- Verteilung dar, bei der es sich um die normierte Exponential- verteilung handelt. Das Argument 5() dieser Wahrscheinlichkeitsverteilung ist eine Ähnlichkeits- bzw. Korrelationsfunk- tion zwischen dem Vektor ve der betrachteten Entität und dem entsprechenden Kontext C. In der hier beschriebenen Variante hängt diese Ähnlichkeitsfunktion von der Summe der paarweisen Skalarprodukte aus dem betrachteten Ereignisvektor ve mit den jeweiligen Vektoren des Kontextes C ab. Beispielsweise kann die Ähnlichkeitsfunktion dieser Summe entsprechen bzw. den Mittelwert der paarweisen Skalarprodukte darstellen. Mittels des Embedding-Learning-Algorithmus wird ein Optimie¬ rungsproblem basierend auf dem Optimierungsziel gelöst, das alle Wahrscheinlichkeiten, für welche es in den verarbeiteten Ereignissequenzen in der Tat die Kombination aus einem Vektor ve und einem entsprechenden Kontext C gibt, maximiert wird. Zur Beschreibung dieses Optimierungsziels wird eine sog. Ne- gative-Sampling-Technik genutzt. Mit anderen Worten wird das Optimierungsziel über eine Funktion beschrieben, welche die negative Summe über den Logarithmus der Wahrscheinlichkeiten ist. Diese Zielfunktion ist dann im Rahmen der Optimierung zu minimieren .
Das genannte Optimierungsproblem kann in an sich bekannter Weise mit einem stochastischen Gradientenabstiegs-Verfahren gelöst werden, wobei hierfür bekannte Bibliotheken des ma¬ schinellen Lernens in C++ genutzt werden können. Als Ergebnis des beschriebenen Algorithmus erhält man somit eine verteilte Repräsentation DR, welche aus einer Vielzahl von Repräsentationsvektoren V besteht, wobei jeder Repräsentationsvektor eine in den Ereignissequenzen aufgetretene Entität repräsentiert. Gleiche Entitäten haben dabei identische Repräsenta¬ tionsvektoren. Üblicherweise sind die Vektoren in dem Vektorraum auf eins normiert. Mittels dieser Repräsentationsvektoren können dann je nach Ausgestaltung des erfindungsgemäßen Verfahrens verschiedene weitere Verarbeitungsschritte durchgeführt werden. In Fig. 1 sind dabei die Verarbeitungsschritte der Prädiktion PR, der Clusterung CL sowie der Visualisierung VI angedeutet. Es kann nur einer dieser Verarbeitungsschritte oder auch eine belie¬ bige Kombination dieser Verarbeitungsschritte durchgeführt werden .
Gemäß dem Verarbeitungsschritt PR werden die über das Reprä- sentationslernen erhaltenen Vektoren V als Trainingsdaten für ein weiteres maschinelles Lernverfahren genutzt, wobei hier¬ für in einer bevorzugten Variante ein rekurrentes neuronales Netz verwendet wird. Mit einem solchen Lernverfahren können dann basierend auf früheren Ereignissequenzen neue Ereignissequenzen prädiziert werden, wodurch das Verhalten des Produktionssystems vorhergesagt werden kann. Gegebenenfalls kann auch eine zeitlich rückwärts gerichtete Prädiktion durchge- führt werden, indem aus einer aktuellen Ereignissequenz früher aufgetretene Sequenzen abgeleitet werden. Auf diese Weise können Ursachen für ein bestimmtes Betriebsverhalten des Produktionssystems ermittelt werden. Im Rahmen der Prädiktions¬ schritts PR kann ggf. zunächst eine Dimensionsreduktion der entsprechenden Vektoren mit geeigneten Verfahren, wie z.B. einer PCA-Analyse (PCA = Principal Component Analysis) , durchgeführt werden. Das entsprechende maschinelle Lernver¬ fahren wird dann auf die Vektoren mit der reduzierten Dimension angewandt.
Bei einer Nachverarbeitung basierend auf einer Clusterung CL werden mit einem an sich bekannten Cluster-Verfahren, wie z.B. dem k-Means-Algorithmus , die Vektoren klassifiziert, d.h. in entsprechende Cluster gruppiert. Mittels einer sol- chen Clusterung können Ausreißer identifiziert werden, d.h. Entitäten, die weit außerhalb der gebildeten Cluster liegen. Die soeben beschriebene Clusterung kann ggf. auch wieder in einem Vektorraum mit reduzierter Dimension durchgeführt werden, d.h. vor der Clusterung werden die Vektoren einer Dimen- sionsreduktion unterzogen, z.B. basierend auf einer PCA- Analyse .
Eine Nachverarbeitung basierend auf einer Visualisierung VI wird nachfolgend anhand der Beispiele der Fig. 8 bis Fig. 10 erläutert. Fig. 8 zeigt eine matrixförmige Visualisierung von einem Teil der über das Repräsentationslernen RL bestimmten Vektoren V. Jeder Eintrag der Matrix ist durch einen in horizontaler Richtung laufenden Balken wiedergegeben, wobei die Helligkeit jedes Balkens den numerischen Wert des Eintrags gemäß der rechts neben der Matrix angedeuteten Skala repräsentiert. In der dargestellten Matrix der Fig. 8 sind die einzelnen Spalten Entitäten bzw. Vektoren ve in der Form von Produktvarianten VA1, VA2, VA6. Jede Produktvariante hat Einträge VI, V2, V64 für jede Dimension des Vektorraums der Repräsentationsvektoren, wobei insgesamt 64 Dimensionen existieren . Die dargestellte Visualisierung der Fig. 8 wird auf einer Anzeigeeinheit wiedergegeben. Über die beschriebene Hellig¬ keitskodierung werden die Werte der Einträge der einzelnen Vektoren dem Betrachter vermittelt. Dabei erkennt der Be¬ trachter intuitiv, dass die Produktvariante VA2 einen deut- lieh unterschiedlichen Repräsentationsvektor im Vergleich zu den anderen Varianten hat. Dies zeigt an, dass die herge¬ stellte Produktvariante VA2 einen starken Einfluss auf das Verhalten des Produktionssystems derart hat, dass die Ereig¬ nissequenzen deutlich anders erzeugt werden, wenn diese Pro- duktvariante durch ein entsprechendes Produktionsmodul herge¬ stellt wird.
Fig. 9 zeigt eine zweidimensionale Visualisierung von Entitä- ten in der Form entsprechender Produktionsmodule Ml, M2, MIO. Die Visualisierung wurde nach einer Reduzierung der Dimension des Vektorraums auf zwei Dimensionen durchgeführt. Ein Domänenexperte kann aus der Visualisierung der Fig. 9 ableiten, dass die Module Ml und MIO aufgrund ihres großen Ab- stands im Vektorraum nicht miteinander korreliert sind und demzufolge nicht miteinander verknüpfte Aufgaben im Produkti¬ onssystem durchführen.
Fig. 10 zeigt eine Visualisierung ähnlich zu Fig. 9, wobei wiederum eine Reduktion der Dimension des Vektorraums auf zwei Dimensionen vorgenommen wurde. In Fig. 10 sind nunmehr als Entitäten entsprechende Ereignisse El, E2, E3, E4 und E5 sowie die Produktvariante VA2 wiedergegeben. Über diese Vi¬ sualisierung erhält ein Domänenexperte die Information, wel¬ che Ereignisse aufgrund ihres geringen Abstands zu der Pro- duktvariante VA2 mit deren Herstellung korreliert sind.
Die im Vorangegangenen beschriebenen Ausführungsformen der Erfindung weisen eine Reihe von Vorteilen auf. Insbesondere wird eine robuste rechnergestützte Analyse eines Produktions¬ systems basierend auf Repräsentationslernen mittels im Pro¬ duktionssystem aufgetretener Ereignisse erreicht. Als Ergeb¬ nis erhält man Repräsentationsvektoren, mit denen weiterge- hende Auswertungen bzw. Visualisierungen durchgeführt werden können. Das erfindungsgemäße Verfahren lernt dabei Korrela¬ tionen zwischen Betriebsereignissen und Kontextinformationen, welche zur Diagnose und Optimierung des Produktionssystems genutzt werden können. Im Besonderen können Erkenntnisse über die Interaktion zwischen Ereignissen und Kontextinformationen abgeleitet werden. Hierüber lassen sich die Qualität von analytischen Modellen zur Beschreibung von Produktionssystemen verbessern. Darüber hinaus weist das Verfahren eine hohe Skalierbarkeit auf, sofern effiziente Lernalgorithmen eingesetzt werden.
Das erfindungsgemäße Verfahren kann z.B. in einer Produkt¬ bzw. Produktions-Engineering-Software umgesetzt werden, um die Produktion eines herzustellenden Produkts mit dem ent- sprechenden Produktionssystem, aus dem die Ereignissequenzen stammen, zu optimieren. Ferner kann das erfindungsgemäße Verfahren in einem MES-System implementiert werden, um Ursachen für fehlerhaftes Verhalten des Produktionssystems zu ermit¬ teln und somit einen robusten Betrieb des Produktionssystems zu gewährleisten. Darüber hinaus kann das erfindungsgemäße Verfahren in Software zum Entwurf von Produktionssystemen eingesetzt werden.

Claims

Patentansprüche
1. Verfahren zur rechnergestützten Analyse des Betriebs eines Produktionssystems (PS) , wobei digitale Daten in der Form von mehreren zeitlich aufeinander folgenden Ereignissequenzen
(ES) verarbeitet werden, welche jeweils mehrere zeitlich hin¬ tereinander aufgetretene Betriebsereignisse (El, E2, En) umfassen, welche jeweils eine Betriebsmeldung enthalten, die im Betrieb des Produktionssystems (PS) erzeugt wurde, wobei: - die Betriebsereignisse (El, E2, En) jeder Ereignisse¬ quenz (ES) mit digitalen Kontextinformationen (CI) verknüpft werden, welche zu den jeweiligen Betriebsereignis¬ sen (El, E2, En) gehören, wodurch für jede Ereignissequenz (ES) eine Vielzahl von digitalen Entitäten (EN) er- halten wird, welche Typen von Betriebsereignissen und Kontextinformationen (CI) darstellen, wobei jedes Betriebsereignis (El, E2, En) durch eine Entität (EN) repräsentiert wird und die mit einem jeweiligen Betriebsereignis (El, E2, En) verknüpften Kontextinformationen (CI) durch eine oder mehrere Entitäten (EN) repräsentiert wer¬ den;
für die verschiedenen Entitäten (EN) der Ereignissequenzen (ES) jeweilige digitale Repräsentationsvektoren (V) ermit¬ telt werden, indem mit diesen Entitäten (EN) als Trai- ningsdaten ein unüberwachtes Repräsentationslernen durchgeführt wird, bei dem die Entitäten (EN) als Vektoren (V) in einem Vektorraum mit einer vorgegebenen Anzahl an Dimensionen modelliert werden, wobei das unüberwachte Reprä¬ sentationslernen (RL) basierend auf einer Ähnlichkeits- funktion durchgeführt wird, welche die Ähnlichkeit einer jeweiligen Entität (EN) zu den anderen Entitäten (EN) in der gleichen Ereignissequenz (ES) beschreibt.
2. Verfahren nach Anspruch 1, wobei für zumindest einen Teil der Betriebsereignisse (El, E2, En) der Ereignissequenzen (ES) die zugehörigen Kontextinformationen (CI) zumindest teilweise aus einem Produktionsverwaltungssystem (PMS) stammen .
3. Verfahren nach Anspruch 1 oder 2, wobei das Produktionsverwaltungssystem (PMS) ein Produktionssteuersystem, insbesondere ein MES-System, und/oder ein Warenwirtschaftssystem umfasst.
4. Verfahren nach Anspruch 2 oder 3, wobei sowohl den Betriebsereignissen (El, E2, En) als auch den Kontextinformationen (CI) aus dem Produktionsverwaltungssystem (PMS) Zeitstempel für deren Auftreten zugeordnet sind, wobei Kon¬ textinformationen (CI) mit dem gleichen Zeitstempel eines Betriebsereignisses (El, E2, En) mit diesem Betriebsereignis (El, E2, En) verknüpft werden.
5. Verfahren nach einem der vorhergehenden Ansprüche, wobei für zumindest einen Teil der Betriebsereignisse (El, E2, En) der Ereignissequenzen (ES) die zugehörigen Kontextinformationen (CI) zumindest teilweise aus den jeweiligen Be¬ triebsereignissen (El, E2, En) selbst extrahiert werden.
6. Verfahren nach Anspruch 5, wobei für zumindest einen Teil der Betriebsereignisse (El, E2, En) der Ereignissequenzen (ES) textuelle Ausdrücke aus der Betriebsmeldung des jeweili¬ gen Betriebsereignisses (El, E2, En) als Kontextinformati- onen (CI) extrahiert werden.
7. Verfahren nach einem der vorhergehenden Ansprüche, bei dem die Kontextinformationen (CI) folgende digitalen Informationen umfassen:
- ein oder mehrere Produktionsmodule (Ml, M2, MIO)
und/oder eine oder mehrere Produktionsmodul-Komponenten (COl, C02, C03, C04), die in dem Produktionssystem (PS) enthalten sind und in denen die jeweiligen Betriebsereignisse (El, E2, En) aufgetreten sind;
und/oder
Informationen aus einer oder mehreren Stücklisten (BM) , wobei eine jeweilige Stückliste Teile (PA1, PA2, PA3, PA4) angibt, welche durch das Produktionsmodul (Ml, M2, MIO) oder die Produktionsmodul-Komponente (COl, C02, C03, C04) verarbeitet werden, in dem oder in der das jeweilige Be¬ triebsereignis (El, E2, En) aufgetreten ist, wobei vorzugsweise eine oder manche der Stücklisten (BM) jeweils Zusatzinformationen zu den jeweiligen Teilen (PA1, PA2,
PA3, PA4) umfassen, insbesondere Chargen- und/oder Herstellerinformationen;
und/oder
Informationen aus einer oder mehreren Prozesslisten (BP) , wobei eine jeweilige Prozessliste (BP) Prozessschritte an¬ gibt, welche durch das Produktionsmodul (Ml, M2, MIO) oder die Produktionsmodul-Komponente (COl, C02, C03, C04) ausgeführt werden, in dem oder in der das jeweilige Be¬ triebsereignis (El, E2, En) aufgetreten ist, wobei vor- zugsweise eine oder manche der Prozesslisten (BP) jeweils
Zusatzinformationen zu den Prozessschritten umfassen;
und/oder
eine oder mehrere Produktvarianten (VA1, VA2, VA6) , wobei eine jeweilige Produktvariante durch das Produktions- modul (Ml, M2, MIO) oder die Produktionsmodul-Komponente (COl, C02, C03, C04) gefertigt wird, in dem oder in der das jeweilige Betriebsereignis (El, E2, En) aufgetreten ist ;
und/oder
- Informationen aus einer digitalen technischen Beschreibung (PL) des Produktionssystems (PS) .
8. Verfahren nach einem der vorhergehenden Ansprüche, wobei im Rahmen des unüberwachten Repräsentationslernens (RL) eine Optimierung basierend auf einem Optimierungsziel durchgeführt wird, das von einer Wahrscheinlichkeitsfunktion abhängt, welche die Wahrscheinlichkeit einer Kombinationen aus einer En- tität (EN) und restlichen Entitäten (EN) in einer Ereignissequenz (ES) in der Form einer bedingten Wahrscheinlichkeit re- präsentiert, welche die Wahrscheinlichkeit des Auftretens der Entität (EN) unter der Bedingung des Vorhandenseins der rest¬ lichen Entitäten (EN) in der Ereignissequenz (ES) ist, wobei das Optimierungsziel eine möglichst große Summe derjenigen Wahrscheinlichkeiten ist, deren Kombinationen aus einer Enti- tät (EN) und restlichen Entitäten (EN) in den Trainingsdaten tatsächlich auftreten.
9. Verfahren nach einem der vorhergehenden Ansprüche, wobei basierend auf den digitalen Repräsentationsvektoren (V) ein rechnergestütztes Cluster-Verfahren zur Clusterung von ähnlichen Entitäten (EN) durchgeführt wird.
10. Verfahren nach einem der vorhergehenden Ansprüche, wobei basierend auf den digitalen Repräsentationsvektoren (V) eine Visualisierung auf einer Anzeigeeinheit generiert wird, wobei aus der Visualisierung die Ähnlichkeit zwischen zumindest ei¬ nem Teil der Entitäten ersichtlich wird.
11. Verfahren nach einem der vorhergehenden Ansprüche, wobei basierend auf den digitalen Repräsentationsvektoren (V) ein maschinelles Lernverfahren zur Prädiktion von Ereignissequenzen (ES) aus bekannten Ereignissequenzen (ES) gelernt wird.
12. Vorrichtung zur rechnergestützten Analyse des Betriebs eines Produktionssystems (PS) , wobei in der Vorrichtung digi¬ tale Daten in der Form von mehreren zeitlich aufeinander folgenden Ereignissequenzen (ES) verarbeitbar sind, welche je- weils mehrere zeitlich hintereinander aufgetretene Betriebs¬ ereignisse (El, E2, En) umfassen, welche jeweils eine Be¬ triebsmeldung enthalten, die im Produktionssystem (PS) erzeugt wurden, wobei die Vorrichtung zur Durchführung eines Verfahrens eingerichtet ist, bei dem:
- die Betriebsereignisse (El, E2, En) jeder Ereignisse¬ quenz (ES) mit digitalen Kontextinformationen (CI) verknüpft werden, welche zu den jeweiligen Betriebsereignis¬ sen (El, E2, En) gehören, wodurch für jede Ereignissequenz (ES) eine Vielzahl von digitalen Entitäten (EN) er- halten wird, welche Typen von Betriebsereignissen und Kontextinformationen (CI) darstellen, wobei jedes Betriebsereignis (El, E2, En) durch eine Entität (EN) repräsentiert wird und die mit einem jeweiligen Betriebsereignis (El, E2, En) verknüpften Kontextinformationen (CI) durch eine oder mehrere Entitäten (EN) repräsentiert werden;
für die verschiedenen Entitäten (EN) der Ereignissequenzen (ES) jeweilige digitale Repräsentationsvektoren (V) ermit¬ telt werden, indem mit diesen Entitäten (EN) als Trainingsdaten ein unüberwachtes Repräsentationslernen durchgeführt wird, bei dem die Entitäten (EN) als Vektoren (V) in einem Vektorraum mit einer vorgegebenen Anzahl an Di- mensionen modelliert werden, wobei das unüberwachte Reprä¬ sentationslernen (RL) basierend auf einer Ähnlichkeits¬ funktion durchgeführt wird, welche die Ähnlichkeit einer jeweiligen Entität (EN) zu den anderen Entitäten (EN) in der gleichen Ereignissequenz (ES) beschreibt.
13. Vorrichtung nach Anspruch 12, welche derart ausgestaltet ist, dass mit der Vorrichtung ein Verfahren nach einem der Ansprüche 2 bis 11 durchführbar ist.
14. Computerprogrammprodukt mit einem auf einem maschinenles¬ baren Träger gespeicherten Programmcode zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 11, wenn der Programmcode auf einem Rechner ausgeführt wird.
15. Computerprogramm mit einem Programmcode zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 11, wenn der Programmcode auf einem Rechner ausgeführt wird.
PCT/EP2018/060574 2017-04-26 2018-04-25 Verfahren zur rechnergestützten analyse des betriebs eines produktionssystems WO2018197550A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102017207036.6A DE102017207036A1 (de) 2017-04-26 2017-04-26 Verfahren zur rechnergestützten Analyse des Betriebs eines Produktionssystems
DE102017207036.6 2017-04-26

Publications (1)

Publication Number Publication Date
WO2018197550A1 true WO2018197550A1 (de) 2018-11-01

Family

ID=62148315

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2018/060574 WO2018197550A1 (de) 2017-04-26 2018-04-25 Verfahren zur rechnergestützten analyse des betriebs eines produktionssystems

Country Status (2)

Country Link
DE (1) DE102017207036A1 (de)
WO (1) WO2018197550A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021210025A1 (de) 2021-09-10 2023-03-16 Zf Friedrichshafen Ag Planungssystem zur Erstellung eines Bestellplans für zumindest ein Bauteil und Trainingsverfahren

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016045734A1 (en) * 2014-09-25 2016-03-31 Siemens Aktiengesellschaft Control apparatus of an automation system
US20160116378A1 (en) * 2013-08-26 2016-04-28 Mtelligence Corporation Population-based learning with deep belief networks

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7606425B2 (en) * 2004-09-09 2009-10-20 Honeywell International Inc. Unsupervised learning of events in a video sequence

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160116378A1 (en) * 2013-08-26 2016-04-28 Mtelligence Corporation Population-based learning with deep belief networks
WO2016045734A1 (en) * 2014-09-25 2016-03-31 Siemens Aktiengesellschaft Control apparatus of an automation system

Also Published As

Publication number Publication date
DE102017207036A1 (de) 2018-10-31

Similar Documents

Publication Publication Date Title
DE102016008987B4 (de) Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
DE102020118259A1 (de) Echtzeitsteuerung unter verwendung der gerichteten vorhersage-simulation innerhalb eines steuerungssystems einer prozessanlage
EP3446185B1 (de) Verfahren und vorrichtung zur gestaltung eines produktionsprozesses zum produzieren eines aus mehreren teilprodukten zusammengesetzten produkts
EP3282399B1 (de) Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem
DE102021124253A1 (de) Maschinelles Lernverfahren zur Anomaliedetektion in einem elektrischen System
EP3719811A1 (de) Konsistenz von datenkennzeichnungen bei der medizinischen bildverarbeitung zur zellklassifizierung
EP3684015A1 (de) Vorrichtung und verfahren zur klassifizierung von daten insbesondere für ein controller area netzwerk oder ein automotive ethernet netzwerk
EP1055180B1 (de) Verfahren und anordnung zum entwurf eines technischen systems
WO2018197550A1 (de) Verfahren zur rechnergestützten analyse des betriebs eines produktionssystems
EP3901713B1 (de) Verfahren und system zum betrieb einer technischen anlage mit einem optimalen modell
WO2022195050A1 (de) Verfahren und system zur prädiktion des betriebs einer technischen anlage
EP2808749A1 (de) Verfahren zum Austausch von Steuerungsinformationen zwischen Bedien- und Beobachtungsgeräten eines industriellen Automatisierungssystems und industrielles Automatisierungssystem
DE102018221684A1 (de) Vorrichtung und Verfahren zur Anomalieerkennung und zum Trainieren eines Modells für eine Anomalieerkennung
EP4193227A1 (de) Vorrichtung und verfahren zur erkennung von anomalien in einer industriellen anlage zur ausführung eines produktionsprozesses
DE102020215589A1 (de) Steuern eines deep-sequence-modells mit prototypen
WO2014154281A1 (de) Objektbasierte konfiguration einer prozess- und/oder fertigungsanlage
DE102021119992B3 (de) Datengetriebenes Verfahren zum Regeln einer Fertigungsmaschine, Prozessor und zweiter Rechner, Computerprogramm
AT522639A1 (de) Vorrichtung und Verfahren zum Visualisieren oder Beurteilen eines Prozesszustandes
WO2019233735A1 (de) Verfahren zur qualitätssicherung bei der produktion eines produktes sowie recheneinrichtung und computerprogramm
EP1157317B1 (de) Verfahren und anordnung zur reduktion einer anzahl von messwerten eines technischen systems
EP3432093A1 (de) Verfahren zur modellierung eines dynamischen systems durch rechnergestütztes lernen von datengetriebenen modellen
EP2996001A1 (de) Verfahren zur rechnergestützten Analyse eines Datensatzes aus Beobachtungen
DE102019128101A1 (de) Fertigungssteuerungssystem
EP3637354A1 (de) Verfahren zur suche eines programmcodes für ein elektronisches gerät in einer datenbank
EP3770709B1 (de) Verfahren zum betrieb einer automatisierten technischen anlage

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18723736

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18723736

Country of ref document: EP

Kind code of ref document: A1