WO2023057059A1 - Computer-implementiertes verfahren und system zur anomalie-erkennung in sensordaten - Google Patents

Computer-implementiertes verfahren und system zur anomalie-erkennung in sensordaten Download PDF

Info

Publication number
WO2023057059A1
WO2023057059A1 PCT/EP2021/077543 EP2021077543W WO2023057059A1 WO 2023057059 A1 WO2023057059 A1 WO 2023057059A1 EP 2021077543 W EP2021077543 W EP 2021077543W WO 2023057059 A1 WO2023057059 A1 WO 2023057059A1
Authority
WO
WIPO (PCT)
Prior art keywords
client
model
global
local
data
Prior art date
Application number
PCT/EP2021/077543
Other languages
English (en)
French (fr)
Inventor
Thomas Hießl
Safoura REZAPOUR LAKANI
Daniel SCHALL
Original Assignee
Siemens Ag Österreich
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 Ag Österreich filed Critical Siemens Ag Österreich
Priority to PCT/EP2021/077543 priority Critical patent/WO2023057059A1/de
Priority to PCT/EP2022/077660 priority patent/WO2023057494A1/de
Publication of WO2023057059A1 publication Critical patent/WO2023057059A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/098—Distributed learning, e.g. federated learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Definitions

  • the invention relates to a computer-implemented method and a system for detecting anomalies in sensor data.
  • the invention relates to a data structure and its use, a computer program, an electronically readable data carrier and a data carrier signal.
  • a neural network in the form of a "machine learning” (ML) model can be used to detect anomalies in industrial processes, such as misplacement of transistors on a circuit board using computer-aided image processing.
  • ML machine learning
  • the object according to the invention is achieved by a method of the type mentioned at the outset, the following steps being carried out: a) generating and training a first and at least one second local model, each based on an autoencoder, each comprising local model weights and a local model output variable, and determination of a local threshold value for the respective local model output variable using statistical methods by a first or at least one second client, b) transmission of the local model weights and the local threshold values from the first and the at least one second client to a server, c ) Generating and training a global model based on an autoencoder, comprising global model weights and a local model output variable, using the local model weights of the first and at least the at least one second client, and determining a global threshold value for the global model output variable with the aid fe statistical methods
  • An autoencoder is used as the ML model, which is trained with "OK" data, which, for example, uses a recorded, correct image of the production step to be checked in image processing.
  • An autoencoder is an artificial neural network that is used to learn efficient coding.
  • the goal of an autoencoder is to learn a compressed representation (encoding) for a set of data and thus also to extract essential features. This allows it to be used for dimension reduction.
  • the aim of the autoencoder is, for example, to encode and decode the transistor images as well as possible, in other words to reconstruct them.
  • the transistor images can be considered abnormal and an anomaly is detected.
  • autoencoders will be used by multiple customers.
  • Federated learning is an ML technique that allows an ML model to be trained across multiple decentralized edge devices containing local data samples without exchanging them themselves.
  • the respective local model is trained with training data that can be assigned to an anomaly-free state in the sensor data.
  • a respective model output variable is formed by at least one parameter value, and the respective threshold value is defined by at least one corresponding assignable value or range.
  • each of the parameter values can be assigned a valid value or a valid range in which there is no anomaly and consequently an invalid parameter value is associated with an anomaly.
  • a development of the invention provides for the sensor data and training data to be in the form of image data.
  • the method according to the invention is suitable for all sensors and formats of sensor data, but in particular for video data, since a large number of individual data items in the form of image pixels is determined for such a measurement, for which a combination of autoencoders and federated learning has a particularly high recognition quality can be achieved.
  • the statistical methods for determining a respective model output variable are carried out by using the mean value and/or the standard deviation.
  • the sensor data can be anonymized in a particularly simple manner.
  • a client and a server are understood to mean interconnected computing devices with memories, with a client being located locally in an application and being formed, for example, at an edge, and a server as a central element connecting one or more clients for communication purposes.
  • the global model weights and the global threshold value are transmitted from the server to the at least one second client, which has an autoencoder with a similar local model, with the similarity having predefined ranges for the local model weights is determined between the first and at least one second client.
  • the similarity can be determined by grouping (“cluster”) the clients whose model weights and the relations between individual model weights are in similar value ranges.
  • Such value ranges can be defined in advance on the basis of the properties of the models or the connected technical devices together with their sensor means.
  • a model is intended to depict a technical device in terms of properties of interest, with the properties being able to be recorded using sensor means and described in sensor data.
  • the object according to the invention is also achieved by a computer-implemented data structure comprising a global model based on an autoencoder, comprising global model weights and a global threshold value.
  • the object according to the invention is also achieved by using the data structure according to the invention in a memory on a server or a client in the method according to the invention.
  • the object of the invention is also achieved by a system for anomaly detection in sensor data, comprising a first and at least one second client, each with a client processor and a client memory, a sensor means and a connected server with a server processor and a server -Memory, the system being set up to carry out the method according to the invention.
  • the senor means is an imaging sensor, such as an inspection camera for a production machine.
  • the object according to the invention is also achieved by a computer program comprising commands which, when they are executed by a computer, cause the computer to carry out the method according to the invention.
  • the object according to the invention is also achieved by an electronically readable data carrier with readable control information stored thereon, which comprises at least the computer program according to the invention and is designed such that they carry out the method according to the invention when using the data carrier in a computing device.
  • the object according to the invention is also achieved by a data carrier signal which transmits the computer program according to the invention.
  • Fig. 1 shows a schematic representation of the method according to the invention with an autoencoder
  • Fig. 2 shows an exemplary embodiment with a partial flow chart of the method according to the invention.
  • FIG. 3 an exemplary embodiment of a system according to the invention
  • Fig. 3 shows a flowchart with an exemplary embodiment of the method according to the invention.
  • Fig. 1 schematically shows the method according to the invention with an autoencoder.
  • An encoder ENC processes input data ID (engl. "input data”) to form encoded data ED (engl. “encoded data”), which represent a latent space LS, ie a representation of compressed data.
  • a decoder DEC processes the encoded data ED in turn to form reconstructed data RD.
  • the reconstructed data RD are compared with previously generated model data and a reconstruction error RE (engl. "Reconstruction error”) is determined.
  • the figure shows the input data ID in the form of an image captured by an inspection camera with transistors on a semiconductor carrier.
  • the reconstructed data RD shows the essential features of the transistors, but small local differences in the semiconductor structures or details have been eliminated by using the autoencoder.
  • the reconstructed data RD therefore form a generalized form of the input data ID and are used in the method according to the invention to form a corresponding model and to detect anomalies ANO if a deviation in the sensor image from the model is sufficiently large.
  • the invention also records a threshold value, for example a discrete value or also a value range, which applies to a valid output variable of the reconstructed data RD.
  • Fig. 2 shows an exemplary embodiment of a partial flow chart of the method according to the invention, in which only one client is shown for better clarity.
  • a client is, for example, an edge device that detects a connected technical device (not shown, for example an electric pump or a production machine) with the help of sensors and its operating parameters as a mathematical model of an artificial intelligence in the form of an autoencoder according to the previous figure .
  • the new client can get the global model from a server.
  • step GREG a customer or client first registers with a corresponding FL server S .
  • One or more clients C are each a device with a processor and a memory, which are connected to a central server device S, also with a processor and a memory.
  • the customer/client C trains his autoencoder himself in the TRAIN step.
  • the client C then uploads the determined weights for its autoencoder to the server S in the WEIGHTS step.
  • the global model is passed on to all clients C involved in a step UDT and the distributed global model is consequently updated (“update”).
  • An update can, for example, be initiated manually by a client or by adding another new client.
  • the server S now forms a threshold value AVG_TH, for example by calculating an average threshold, which is used to determine the reconstruction error RE in a step ANO_DET in the course of an anomaly detection .
  • An anomaly ANO is recognized if a result of the autoencoder supplies a value which is above the threshold value AVG_TH.
  • Fig. 3 shows an exemplary embodiment of a system according to the invention.
  • the system includes a first client Gl with a client processor CPU1 and a client memory MEM1, and a first sensor means SM1.
  • the first client CI creates and stores a local first model LM1 with first model weights W1 and a local first threshold value TH1 in the memory MEM1.
  • the system comprises a second client C2 with a second client processor CPU2 and a second client memory MEM2, as well as a second sensor means SM2.
  • the second client C2 creates and stores a local second model LM2 with second model weights W2 and a local second threshold TH2 in the memory MEM2.
  • the system has a server S with a server processor CPU and a server memory MEM, which is connected to the first and second clients C1, C2.
  • the system is set up to carry out the method according to the invention in order to determine global model weights W_GM and a global threshold value TH_GM from the local model weights W1, W2 and local threshold values TH1, TH2 and to the first and second clients Cl, C2 to distribute .
  • the sensor means SMI, SM2 are each imaging sensors.
  • Fig. 4 shows a flowchart with an exemplary embodiment of the method according to the invention.
  • the method has the following steps: a) Generation and training of a first and a second local model, each based on an autoencoder, each comprising local model weights W1, W2 and a local model output variable RD, and determining a local threshold value TH1, TH2 for the respective local model output variable RD with the help of an averaging by a first or a second client CI , C2 , b) transmission of the local model weights Wl, W2 and the local threshold values TH1, TH2 from the first and second client Cl, C2 to a server S, c) generation and training of a global model GM based on an autoencoder, comprising global model weights W_GM and a local model output variable RD, using the local model weights Wl, W2 and determining a global threshold value TH_GM for the global model output variable RD, W_GM by means of an averaging by the server S, d) transmitting the global model weights W_GM and the global threshold value TH_
  • Steps a) to d) implement an autoencoder with anonymous federated learning FL of models and threshold values across a number of clients C1, C2.
  • Steps e) to g) implement an anomaly detection AD using an autoencoder, equivalent to that previously shown in FIG. 2 more generally described anomaly detection ANO_DET.
  • the respective local model LM1, LM2 is trained with training data that can be assigned to an anomaly-free state in the sensor data SD1.
  • the respective model output variables RD are formed by a plurality of parameter values, and the respective threshold value TH1, TH2 is defined by correspondingly assignable values or ranges.
  • the sensor data and training data are in the form of image data.
  • the global model weights W_GM and the global threshold value TH_GM are transmitted from the server S to the second client C2, which has an autoencoder with a similar local model.
  • the similarity is determined via predefined ranges for the local model weights W1, W2 between the first and second clients C1, C2.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

Computer-implementiertes Verfahren zur Anomalie-Erkennung in Sensordaten (SD1, SD2), umfassend folgende Schritte: a) Erzeugen und Trainieren eines ersten und zumindest eines zweiten lokalen Modells jeweils auf Basis eines Autoencoders coders und Bestimmen eines lokalen Schwellwerts (TH1, TH2) für die jeweilige lokale Modell-Ausgangsgröße (RD), b) Übermitteln der lokalen Modellgewichte (Wl, W2) und der lokalen Schwellwerte (TH1, TH2) an einen Server (S), c) Erzeugen und Trainieren eines globalen Modells (GM) auf Basis eines Autoencoders und Bestimmen eines globalen Schwellwerts (TH_GM) für die globale Modell- Ausgangsgröße (RD, W_GM), d) Übermitteln der globalen Mode11gewichte (W_GM) und des globalen Schwellwerts (TH_GM) an den ersten Klienten (CI), und Übernehmen der globalen Mode11gewichte (W GM) für das erste lokale Modell (LM1), e) Erfassen von ersten Sensordaten (SD1) durch ein erstes Sensormittel (SM1), f) Anwenden der ersten Sensordaten (SD1) auf das erste lokale Modell (LM1) und Bestimmen der lokalen Modell- Ausgangsgröße (RD, LM1_0UT) des ersten Klienten (CI), g) Erkennen einer Anomalie (ANO) für die Sensordaten, falls die lokale Modell-Ausgangsgröße (RD, LM1_0UT) außerhalb eines Bereichs liegt, welcher durch den globalen Schwellwert (TH_GM) festgelegt ist.

Description

Computer- Implementiertes Verfahren und System zur Anomalie- Erkennung in Sensordaten
Die Erfindung betri f ft ein computer-implementiertes Verfahren und ein System zur Anomalie-Erkennung in Sensordaten .
Ferner betri f ft die Erfindung eine Datenstruktur und deren Verwendung, ein Computerprogramm, einen elektronisch lesbaren Datenträger und ein Datenträgersignal .
Um Anomalien in industriellen Prozessen, wie beispielsweise Fehlplatzierungen von Transistoren auf einer Platine mithil fe computergestützter Bildverarbeitung zu erkennen, kann ein neuronales Netz in Form eines „machine learning" (ML ) Modells angewandt werden .
Dabei ist es j edoch häufig aufwändig, das ML-Modell entsprechend mit Bildern zu trainieren . Wird derselbe Prozess an mehreren Produktions-Standorten angewandt , so ist es beispielsweise häufig unerwünscht , Bild-Daten aus dem lokalen Netzwerk in einem System zu teilen, auf welches auch Betriebs fremde zugrei fen könnten, da dies einen unerwünschten Einblick in die Produktion oder die Produktions-Parameter möglicherweise zulassen würde . Dementsprechend kann dies zur Folge haben, dass daher ein ML-Modell neuerlich an einem anderen Produktionsstandort trainiert werden muss , was aufwändig und teuer ist , um aus Gründen der Betriebssicherheit keine Daten zu teilen .
Demzufolge werden häufig ML-Modell nicht mit ausreichenden Daten trainiert , was zu einer geringen Genauigkeit bei der Anomalie-Erkennung führen kann .
Es ist Aufgabe der Erfindung ein Verfahren bereitzustellen, durch welches ein genaues , betriebssicheres , Datenschutzkonformes , also anonymes Teilen von ML-Daten über mehrere Produktions-Standorte ermöglicht wird . Die erfindungsgemäße Aufgabe wird durch ein Verfahren eingangs genannter Art gelöst , wobei folgende Schritte ausgeführt werden : a ) Erzeugen und Trainieren eines ersten und zumindest eines zweiten lokalen Modells j eweils auf Basis eines Autoencoders , j eweils umfassend lokale Modellgewichte und eine lokale Modell-Ausgangsgröße , und Bestimmen eines lokalen Schwellwerts für die j eweilige lokale Modell- Ausgangsgröße mithil fe statistischer Methoden durch einen ersten beziehungsweise zumindest einen zweiten Klienten, b ) Übermitteln der lokalen Modellgewichte und der lokalen Schwellwerte von dem ersten und dem zumindest einen zweiten Klienten an einen Server, c ) Erzeugen und Trainieren eines globalen Modells auf Basis eines Autoencoders , umfassend globale Modellgewichte und eine lokale Modell-Ausgangsgröße , unter Verwendung der lokalen Modellgewichte des ersten und zumindest des zumindest einen zweiten Klienten, und Bestimmen eines globalen Schwellwerts für die globale Modell-Ausgangsgröße mithil fe statistischer Methoden durch den Server, d) Übermitteln der globalen Modellgewichte und des globalen Schwellwerts an den ersten Klienten, und Übernehmen der globalen Modellgewichte für das erste lokale Modell des ersten Klienten, e ) Erfassen von ersten Sensordaten durch ein erstes Sensormittel , welches der erste Klient aufweist , f ) Anwenden der ersten Sensordaten auf das erste lokale Modell und Bestimmen der lokalen Modell-Ausgangsgröße des ersten Klienten, g) Erkennen einer Anomalie für die Sensordaten durch den ersten Klienten, falls die lokale Modell-Ausgangsgröße außerhalb eines Bereichs liegt , welcher durch den globalen Schwellwert festgelegt ist .
Als ML-Modell wird ein Autoencoder eingesetzt , der mit „OK"- Daten trainiert wird, welcher beispielsweise ein erfasstes korrektes Bild des zu prüfenden Produktionsschrittes in der Bildverarbeitung verwendet .
Ein Autoencoder ist ein künstliches neuronales Netz , welches dazu genutzt wird, ef fi ziente Codierungen zu lernen . Das Ziel eines Autoencoders ist es , eine komprimierte Repräsentation (Encoding) für einen Satz Daten zu lernen und somit auch wesentliche Merkmale zu extrahieren . Dadurch kann er zur Dimensionsreduktion genutzt werden .
Dabei zielt der Autoencoder darauf ab, beispielweise die Transistorbilder so gut wie möglich zu kodieren und zu dekodieren, mit anderen Worten zu rekonstruieren .
Wenn der trainierte Autoencoder dann auf „Nicht OK"-Daten angewendet wird, wird es daher höchstwahrscheinlich eine signifikante Fehlanpassung der decodierten Bilder geben, die als „Rekonstruktions fehler" beschrieben wird .
Wenn dieser Rekonstruktions fehler über einem bestimmten Schwellenwert liegt , können die Transistorbilder als anormal betrachtet werden und eine Anomalie wird erkannt .
Wenn ein solches Verfahren beispielsweise an mehreren Produktionsstandorten angewendet wird, bei welchen Anomalien in ihren Prozessen auftreten, werden Autoencoder von mehreren Kunden verwendet .
Allerdings wird häufig nicht j eder Autoencoder mit ausreichenden Daten trainiert , was zu einer geringen Genauigkeit bei der Anomalie-Erkennung führen kann .
Dabei werden Daten zwischen Kunden geteilt , um die Leistung von trainierten Autoencodern zu steigern . Jedoch ist dies j edoch aus Datenschutzaspekten möglicherweise nicht immer und überall möglich .
Andererseits kann „Federated Learning" ( FL ) verwendet werden, um das Wissen der Autoencoder zu synchronisieren .
Federated Learning ist eine ML-Technik, welche es erlaubt ein ML-Modell über mehrere dezentrale Edge-Geräte hinweg zu trainieren, die lokale Datensamples enthalten, ohne diese selbst aus zu tauschen .
In einer Weiterbildung der Erfindung ist es vorgesehen, dass das Trainieren des j eweiligen lokalen Modells mit Trainingsdaten erfolgt , die einem Anomalie- freien Zustand in den Sensordaten zugeordnet werden können .
Dadurch kann erreicht werden, dass eine Anomalie besonders gut erkannt wird, auch dann, wenn die Anomalie nicht vorher auf getreten ist und als solche nicht trainiert wurde .
Insgesamt kann die Erkennungsrate und deren Zuverlässigkeit dadurch verbessert werden .
In einer Weiterbildung der Erfindung ist es vorgesehen, dass eine j eweilige Modell-Ausgangsgröße durch zumindest einen Parameter-Wert gebildet ist , und der j eweilige Schwellwert durch zumindest einen entsprechenden zuordenbaren Wert oder Bereich definiert ist .
Dadurch kann erreicht werden, dass ein oder mehrere Ausgangswerte oder Parameter-Werte in der Ausgangsgröße des Modells einen Rekonstruktions fehler abbilden .
Dementsprechend kann j edem der Parameter-Werte ein gültiger Wert oder ein gültiger Bereich zugeordnet werden, in welchem keine Anomalie vorliegt und folglich ein ungültiger Parameter-Wert mit einer Anomalie in Verbindung gebracht wird . In einer Weiterbildung der Erfindung ist es vorgesehen, dass die Sensordaten und Trainingsdaten in Form von Bilddaten gebildet sind .
Das erfindungsgemäße Verfahren eignet sich für alle Sensoren und Formate von Sensordaten, j edoch insbesondere für Videodaten, da für eine solche Messung eine große Anzahl an Einzeldaten in Form von Bild-Pixeln ermittelt wird, für welche eine Kombination von Autoencoders und föderiertem Lernen eine besonders hohe Erkennungsqualität erreicht werden kann .
In einer Weiterbildung der Erfindung ist es vorgesehen, dass die statistischen Methoden zur Bestimmung einer j eweiligen Modell-Ausgangsgröße durch Anwendung des Mittelwerts und/oder der Standardabweichung erfolgt .
Dadurch kann auf besonders einfache Weise eine Anonymisierung der Sensordaten erfolgen .
Unter einem Klienten und einem Server werden miteinander verbundene Rechenvorrichtungen mit Speichern verstanden, wobei ein Klient lokal bei einer Anwendung gelegen ist und beispielsweise an einer Edge gebildet ist , und ein Server als zentrales Element einen oder mehrere Klienten zu Kommunikations zwecken verbindet .
In einer Weiterbildung der Erfindung ist es vorgesehen, dass die globalen Modellgewichte und der globale Schwellwert von dem Server an den zumindest einen zweiten Klienten übermittelt wird, welcher über einen Autoencoder mit einem ähnlichen lokalen Modell verfügt , wobei die Ähnlichkeit über vordefinierte Bereiche für die lokalen Modellgewichte zwischen dem ersten und zumindest einen zweiten Klienten ermittelt wird .
Dadurch kann erreicht werden, dass beispielsweise nur ähnliche Klienten ein globales Modell für die Datenverarbeitung anwenden . Die Ähnlichkeit kann durch eine Gruppierung ( engl . „cluster" ) der Klienten ermittelt werden, deren Modell-Gewichte sowie die Relationen zwischen einzelnen Modell-Gewichten in ähnlichen Wertebereichen liegen .
Derartige Wertebereiche können vorab aufgrund der Eigenschaften der Modelle beziehungsweise der verbundenen technischen Geräte samt deren Sensormitteln definiert werden .
Ein Modell soll ein technisches Gerät in Eigenschaften von Interesse abbilden, wobei die Eigenschaften mithil fe von Sensormitteln erfasst und in Sensordaten beschrieben werden können .
Werden Nicht-ähnliche Klienten beziehungsweise deren Modelle in einem globalen Modell aufgenommen, so kann das dazu führen, dass das globale Modell ungenau wird .
Die erfindungsgemäße Aufgabe wird auch durch eine computerimplementierte Datenstruktur gelöst , umfassend ein globales Modell auf Basis eines Autoencoders , umfassend globale Modellgewichte und einen globalen Schwellwert .
Die erfindungsgemäße Aufgabe wird auch durch eine Verwendung der erfindungsgemäßen Datenstruktur in einem Speicher auf einem Server oder einem Klienten in dem erfindungsgemäßen Verfahren gelöst .
Die erfindungsgemäße Aufgabe wird auch durch ein System zur Anomalie-Erkennung in Sensordaten gelöst , umfassend einen ersten und zumindest einen zweiten Klienten mit j eweils einem Klienten Prozessor und einem Klienten-Speicher , ein Sensormittel und einen verbundenen Server mit einem Server- Prozessor und einem Server-Speicher, wobei das System dazu eingerichtet ist , das erfindungsgemäße Verfahren aus zuführen .
In einer Weiterbildung der Erfindung ist es vorgesehen, dass das Sensormittel ein bildgebender Sensor ist , wie eine Inspektionskamera für eine Produktionsmaschine . Die erfindungsgemäße Aufgabe wird auch durch ein Computerprogramm gelöst , umfassend Befehle , welche bei deren Aus führung durch einen Computer diesen veranlassen, das erfindungsgemäße Verfahren aus zuführen .
Die erfindungsgemäße Aufgabe wird auch durch einen elektronisch lesbaren Datenträger mit darauf gespeicherten lesbaren Steuerinformationen gelöst , welche zumindest das erfindungsgemäße Computerprogramm umfassen und derart ausgestaltet sind, dass sie bei Verwendung des Datenträgers in einer Recheneinrichtung das erfindungsgemäße Verfahren durchführen .
Die erfindungsgemäße Aufgabe wird auch durch ein Datenträgersignal gelöst , welches das erfindungsgemäße Computerprogramm überträgt .
Die Erfindung wird nachfolgend anhand eines in den beigeschlossenen Zeichnungen dargestellten Aus führungsbeispiels näher erläutert . In den Zeichnungen zeigt :
Fig . 1 eine schematische Darstellung des erfindungsgemäßen Verfahrens mit einem Autoencoder,
Fig . 2 ein Aus führungsbeispiel mit einem Teil- Flussdiagramm des erfindungsgemäßen Verfahrens .
Fig . 3 ein Aus führungsbeispiel für ein erfindungsgemäßes System,
Fig . 3 ein Flussdiagramm mit einem Aus führungsbeispiel des erfindungsgemäßen Verfahrens .
Fig . 1 zeigt schematisch das erfindungsgemäße Verfahren mit einem Autoencoder .
Ein Encoder ENC verarbeitet Eingabe-Daten ID ( engl . „input data" ) zu kodierten Daten ED ( engl . „encoded data" ) , welche einen latenten Raum LS darstellen, also eine Darstellung von komprimierten Daten . Ein Decoder DEC verarbeitet die kodierten Daten ED wiederum zu rekonstruierte Daten RD ( engl . „reconstructed data" ) .
Die rekonstruierte Daten RD werden mit vorher erzeugten Modell-Daten verglichen und ein Rekonstruktions fehler RE ( engl . „reconstruction error" ) wird ermittelt .
Überschreitet der Rekonstruktions fehler RE einen vorbestimmten Schwellwert TH ( engl . „threshold" ) , so wird eine Anomalie ANO erkannt .
In der Figur sind die Eingabe-Daten ID in Form eines von einer Inspektionskamera erfassten Bildes mit Transistoren auf einem Halbleiter-Träger dargestellt .
Die rekonstruierten Daten RD zeigen die wesentlichen Merkmale der Transistoren, j edoch wurden durch Anwendung des Autoencoder geringe lokale Unterschiede in den Halbleiterstrukturen oder Details eliminiert .
Die rekonstruierten Daten RD bilden daher eine verallgemeinerte Form der Eingabe-Daten ID und werden im erfindungsgemäßen Verfahren dazu verwendet , ein entsprechendes Modell zu bilden und Anomalien ANO zu erkennen, falls eine Abweichung im Sensorbild gegenüber dem Modell hinreichend groß ist .
Die Erfindung erfasst neben dem Modell zusätzlich einen Schwellwert , beispielsweise ein diskreter Wert oder auch ein Wertebereich, welcher für eine gültige Ausgabegröße der rekonstruierte Daten RD gilt .
Sowohl das Modell , welches über seine Modell-Gewichte repräsentiert werden kann, als auch der Schwellwert werden in Form anonymisierter Datenwerte , von mehreren Klienten ausgehend, an einen Server übermittelt und ein föderiertes Modell und ein föderierter Schwellwert gebildet , welches wiederum von den Klienten angewendet werden kann . Fig . 2 zeigt ein Aus führungsbeispiel für ein Teil- Flussdiagramm des erfindungsgemäßen Verfahrens , bei welchem zur besseren Übersichtlichkeit nur ein Klient dargestellt ist .
Ein Klient ist beispielsweise ein Edge-Gerät , welches ein verbundenes technisches Gerät (nicht dargestellt , beispielsweise eine elektrische Pumpe oder eine Produktinosmaschine ) mithil fe von Sensoren dessen Betriebsparameter erfasst und als mathematisches Modell einer künstlichen Intelligenz in Form eines Autoencoders nach der vorhergehenden Figur entsprechend abbildet .
Es ist klar, dass für föderiertes Lernen mehrere Klienten erforderlich sind, mithil fe deren Daten ein genaues globales Modell erzeugt wird, was wiederum an die Klienten weitergegeben wird .
Dadurch kann beispielsweise dem System ein neuer Klient hinzugefügt werden, ohne dass dieser lokal ein Modell trainieren muss .
Der neue Klient kann das globale Modell von einem Server beziehen .
Jene Verfahrensschritte , welche in einem Klienten C durchgeführt werden, sind in der Figur strichliert dargestellt .
Jene Verfahrensschritte , welche in einem Server S durchgeführt werden, sind in der Figur durchgezogen dargestellt .
Ein Kunde beziehungsweise Klient registriert sich im Schritt GREG zunächst bei einem entsprechenden FL-Server S .
Ein oder mehrere Klienten C sind j eweils eine Vorrichtung mit einem Prozessor und einem Speicher, welche mit einer zentralen Server-Vorrichtung S , ebenfalls mit einem Prozessor und einem Speicher, verbunden sind . Der Kunde/Klient C trainiert im Schritt TRAIN selbst seinen Autoencoder .
Anschließend lädt der Klient C die ermittelten Gewichte für seinen Autoencoders im Schritt WEIGHTS zum Server S hoch .
Dann folgt ein Schritt AGGR, durch den die Gewichte von Kunden/ Klienten C für ein globales Modell aggregiert werden .
Das globale Modell wird an alle beteiligten Klienten C in einem Schritt UDT weitergegeben und das verteilt vorliegende globale Modell wird demzufolge aktualisiert ( engl . „update" ) .
Die Schritte TRAIN, WEIGHTS , AGGR und UDT können bei Bedarf wiederholt werden, um eine Aktualisierung des globalen Modells dementsprechend durchzuführen .
Eine Aktualisierung kann beispielsweise manuell durch einen Klienten oder auch durch ein Hinzufügen eines weiteren, neuen Klienten initiiert werden .
Der Server S bildet nun einen Schwellwert AVG_TH, beispielsweise durch Berechnung eines Mittelwerts ( engl . „average threshold" ) , welcher für eine Ermittlung des Rekonstruktionsfehlers RE in einem Schritt ANO_DET im Zuge einer Anomalie- Erkennung ( engl . „anomaly detection" ) herangezogen wird .
Eine Anomalie ANO wird erkannt , falls ein Ergebnis des Autoencoders einen Wert liefert , welcher über dem Schwellwert AVG_TH liegt .
Fig . 3 zeigt ein Aus führungsbeispiel für ein erfindungsgemäßes System .
Das System umfasst einen ersten Klienten Gl mit einem Klien- ten-Prozessor CPU1 und einem Klienten-Speicher MEM1 , sowie ein erstes Sensormittel SM1 . Der erste Klient CI erzeugt und speichert ein lokales erstes Modell LM1 mit ersten Modell-Gewichten W1 und einem lokalen ersten Schwellwert TH1 im Speicher MEM1 .
Ferner umfasst das System einen zweiten Klienten C2 mit einem zweiten Klienten-Prozessor CPU2 und einem zweiten Klienten- Speicher MEM2 , sowie ein zweites Sensormittel SM2 .
Der zweite Klient C2 erzeugt und speichert ein lokales zweites Modell LM2 mit zweiten Modell-Gewichten W2 und einem lokalen zweiten Schwellwert TH2 im Speicher MEM2 .
Außerdem weist das System einen Server S mit einem Server- Prozessor CPU und einem Server-Speicher MEM auf , welcher mit dem ersten und zweiten Klienten Cl , C2 verbunden ist .
Das System ist dazu eingerichtet , das erfindungsgemäße Verfahren aus zuführen, um globale Modell-Gewichte W_GM und einen globalen Schwellwert TH_GM aus den lokalen Modell-Gewichten Wl , W2 und lokalen Schwellwerten TH1 , TH2 zu ermitteln und an den ersten und zweiten Klienten Cl , C2 zu verteilen .
Die Sensormittel SMI , SM2 sind j eweils bildgebende Sensoren .
Fig . 4 zeigt ein Flussdiagramm mit einem Aus führungsbeispiel des erfindungsgemäßen Verfahrens .
Das Verfahren weist folgende Schritte auf : a) Erzeugen und Trainieren eines ersten und eines zweiten lokalen Modells j eweils auf Basis eines Autoencoders , j eweils umfassend lokale Modellgewichte Wl , W2 und eine lokale Modell-Ausgangsgröße RD, und Bestimmen eines lokalen Schwellwerts TH1 , TH2 für die j eweilige lokale Modell- Ausgangsgröße RD mithil fe einer Mittelwert-Bildung durch einen ersten beziehungsweise eines zweiten Klienten CI , C2 , b) Übermitteln der lokalen Modellgewichte Wl , W2 und der lokalen Schwellwerte TH1 , TH2 von dem ersten und zweiten Klienten Cl , C2 an einen Server S , c) Erzeugen und Trainieren eines globalen Modells GM auf Basis eines Autoencoders , umfassend globale Modellgewichte W_GM und eine lokale Modell-Ausgangsgröße RD, unter Verwendung der lokalen Modellgewichte Wl , W2 und Bestimmen eines globalen Schwellwerts TH_GM für die globale Modell-Ausgangsgröße RD, W_GM mithil fe einer Mittelwert- Bildung durch den Server S , d) Übermitteln der globalen Modellgewichte W_GM und des globalen Schwellwerts TH_GM an den ersten Klienten CI , und Übernehmen der globalen Modellgewichte W_GM für das erste lokale Modell LM1 des ersten Klienten CI , e ) Erfassen von ersten Sensordaten SD1 als Eingangsdaten ID durch ein erstes Sensormittel SM1 , welches der erste Klient CI aufweist , f ) Anwenden der ersten Sensordaten SD1 auf das erste lokale Modell LM1 und Bestimmen der lokalen Modell- Ausgangsgröße LM1_OUT in Form von rekonstruierten Daten RD des ersten Klienten CI , g) Erkennen einer Anomalie ANO für die Sensordaten durch den ersten Klienten CI , falls die lokale Modell-Ausgangsgröße RD beziehungsweise LM1_OUT außerhalb eines Bereichs liegt , welcher durch den globalen Schwellwert TH_GM festgelegt ist .
Die Schritte a ) bis d) setzen einen Autoencoder mit anonymem föderiertem Lernen FL von Modellen sowie Schwellwerten über mehrere Klienten Cl , C2 um .
Die Schritte e ) bis g) setzen eine Anomalie-Erkennung AD mithil fe eines Autoencoders um, äquivalent der zuvor in Fig . 2 allgemeiner beschriebenen Anomalie-Erkennung ANO_DET . Das Trainieren des j eweiligen lokalen Modells LM1 , LM2 erfolgt mit Trainingsdaten, die einem Anomalie- freien Zustand in den Sensordaten SD1 zugeordnet werden können .
Die j eweiligen Modell-Ausgangsgrößen RD sind durch mehrere Parameter-Wert gebildet , und der j eweilige Schwellwert TH1 , TH2 ist durch entsprechend zuordenbarer Werte oder Bereiche definiert .
Die Sensordaten und Trainingsdaten sind in Form von Bilddaten gebildet . Die globalen Modellgewichte W_GM und der globale Schwellwert TH_GM wird von dem Server S an den zweiten Klienten C2 übermittelt , welcher über einen Autoencoder mit einem ähnlichen lokalen Modell verfügt .
Die Ähnlichkeit wird über vordefinierte Bereiche für die lo- kalen Modellgewichte Wl , W2 zwischen dem ersten und zweiten Klienten Cl , C2 ermittelt .
Bezugszeichenliste :
AGGR Aggregieren der Gewichte von Kunden/ Klienten für globales Modell
ANO erkannte Anomalie
AD, ANO_DET Anomalie-Erkennung (engl. „anomaly detec- tion" )
AVG_TH Schwellwertbildung durch Mittelwertbildung
(engl. „average threshold")
C, Cl, C2 Klient bzw. Durchführung durch Kunde/ Klient
GREG Registrierung eines Kunden/ Klienten
DEC Decoder
ED kodierte Daten (engl. „encoded data")
ENG Encoder
FL Föderiertes Lernen globales Modell
LM1, LM2 lokales Modell
LS latenter Raum
RD, LM1_OUT Rekonstruierte Daten (engl. „reconstructed data") , Modell-Ausgangsgröße nach Autoencoder
RE Rekonstruktionsfehler (engl. „reconstruction error" )
S Server bzw. Durchführung durch Server
ID, SD1, SD2 Eingabe-Daten (engl. „input data") , Sensordaten
SMI, SM2 Sensor-Mittel, Kamera-Sensor mit Prozessor
TH, TH_GM, TH1, TH2 Schwellwert (engl. „threshold")
TRAIN Trainieren eines Kunden/ Klienten
UDT Aktualisieren von globalem Modell (engl. „up- date" )
W GM, Wl, W2 Gewichte eines Autoencoder-Modells
WEIGHTS Hochladen der Gewichte eines Kunden/ Klienten

Claims

Patentansprüche
1. Computer-implementiertes Verfahren zur Anomalie- Erkennung in Sensordaten (SD1, SD2) , umfassend folgende Schritte : a) Erzeugen und Trainieren (TRAIN) eines ersten und zumindest eines zweiten lokalen Modells jeweils auf Basis eines Autoencoders, jeweils umfassend lokale Modellgewichte (Wl, W2) und eine lokale Modell- Ausgangsgröße (RD) , und Bestimmen eines lokalen Schwellwerts (TH1, TH2 ) für die jeweilige lokale Modell-Ausgangsgröße (RD) mithilfe statistischer Methoden durch einen ersten beziehungsweise zumindest einen zweiten Klienten (Cl, C2) , b) Übermitteln (WEIGHTS) der lokalen Modellgewichte (Wl, W2) und der lokalen Schwellwerte (TH1, TH2 ) von dem ersten und dem zumindest einen zweiten Klienten (CI, C2) an einen Server (S) , c) Erzeugen und Trainieren (AGGR) eines globalen Modells (GM) auf Basis eines Autoencoders unter Verwendung der lokalen Modellgewichte (Wl, W2) , umfassend globale Modellgewichte (W_GM) und eine lokale Modell- Ausgangsgröße (RD) , und Bestimmen (AVG_TH) eines globalen Schwellwerts (TH_GM) für die globale Modell- Ausgangsgröße (RD, W_GM) mithilfe statistischer Methoden durch den Server (S) , d) Übermitteln der globalen Modellgewichte (W_GM) und des globalen Schwellwerts (TH_GM) an den ersten Klienten (CI) , und Übernehmen der globalen Modellgewichte (W_GM) für das erste lokale Modell (LM1) des ersten Klienten (CI ) , e) Erfassen von ersten Sensordaten (SD1) durch ein erstes Sensormittel (SM1) , welches der erste Klient (Gl) aufweist, f) Anwenden der ersten Sensordaten (SD1) auf das erste lokale Modell (LM1) und Bestimmen der lokalen Modell- Ausgangsgröße (RD, LM1_OUT) des ersten Klienten (Gl) , g) Erkennen (ANO_DET) einer Anomalie (ANO) für die Sensordaten durch den ersten Klienten (Gl) , falls die lokale Modell-Ausgangsgröße (RD, LM1_OUT) außerhalb eines Bereichs liegt, welcher durch den globalen Schwellwert (TH_GM) festgelegt ist.
2. Verfahren nach dem vorhergehenden Anspruch, wobei das Trainieren des jeweiligen lokalen Modells (LM1, LM2 ) mit Trainingsdaten erfolgt, die einem Anomalie-freien Zustand in den Sensordaten (SD1) zugeordnet werden können.
3. Verfahren nach einem der vorhergehenden Ansprüche, wobei eine jeweilige Modell-Ausgangsgröße (RD) durch zumindest einen Parameter-Wert gebildet ist, und der jeweilige Schwellwert (TH1, TH2 ) durch zumindest einen entsprechenden zuordenbaren Wert oder Bereich definiert ist.
4. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Sensordaten und Trainingsdaten in Form von Bilddaten gebildet sind.
5. Verfahren nach einem der vorhergehenden Ansprüche, wobei die statistischen Methoden zur Bestimmung einer jeweiligen Modell-Ausgangsgröße (RD) durch Anwendung des Mittelwerts und/oder der Standardabweichung erfolgt.
6. Verfahren nach dem vorhergehenden Anspruch, wobei die globalen Modellgewichte (W_GM) und der globale Schwellwert (TH_GM) von dem Server (S) an den zumindest einen zweiten Klienten (C2) übermittelt wird, welcher über einen Autoencoder mit einem ähnlichen lokalen Modell verfügt, wobei 17 die Ähnlichkeit über vordefinierte Bereiche für die lokalen Modellgewichte (Wl, W2) zwischen dem ersten und zumindest einen zweiten Klienten (Cl, C2) ermittelt wird.
7. Computerimplementierte Datenstruktur, umfassend ein globales Modell (GM) auf Basis eines Autoencoders, umfassend globale Modellgewichte (W_GM) und einen globalen Schwellwert (THJGM) .
8. Verwendung der Datenstruktur in einem Speicher (MEM, MEM1, MEM2 ) auf einem Server (S) oder einem Klienten (Cl, C2) in dem Verfahren nach einem der vorhergehenden Ansprüche 1 bis 6.
9. System zur Anomalie-Erkennung in Sensordaten (SD1, SD2) , umfassend einen ersten und zumindest einen zweiten Klienten (Cl, C2) mit jeweils einem Klienten Prozessor (CPU1, CPU2) und einem Klienten-Speicher (MEM1, MEM2 ) , ein Sensormittel (SMI, SM2 ) und einen verbundenen Server (S) mit einem Server-Prozessor (CPU) und einem Server-Speicher (MEM) , wobei das System dazu eingerichtet ist, das Verfahren nach einem der vorhergehenden Ansprüche 1 bis 6 auszuführen.
10. System nach dem vorhergehenden Anspruch, wobei das Sensormittel (SMI, SM2 ) ein bildgebender Sensor ist.
11. Computerprogramm, umfassend Befehle, welche bei deren Ausführung durch einen Computer diesen veranlassen, das Verfahren nach einem der vorhergehenden Ansprüche 1 bis 6 auszuführen .
12. Elektronisch lesbarer Datenträger mit darauf gespeicherten lesbaren Steuerinformationen, welche zumindest das Computerprogramm nach dem vorhergehenden Anspruch umfassen und derart ausgestaltet sind, dass sie bei Verwendung des Datenträgers in einer Recheneinrichtung das Verfahren nach einem der vorhergehenden Ansprüche 1 bis 6 durchführen. 18
13. Datenträgersignal, welches das Computerprogramm nach Anspruch 11 überträgt.
PCT/EP2021/077543 2021-10-06 2021-10-06 Computer-implementiertes verfahren und system zur anomalie-erkennung in sensordaten WO2023057059A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/EP2021/077543 WO2023057059A1 (de) 2021-10-06 2021-10-06 Computer-implementiertes verfahren und system zur anomalie-erkennung in sensordaten
PCT/EP2022/077660 WO2023057494A1 (de) 2021-10-06 2022-10-05 Computer-implementiertes verfahren und system zur anomalie-erkennung in sensordaten

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2021/077543 WO2023057059A1 (de) 2021-10-06 2021-10-06 Computer-implementiertes verfahren und system zur anomalie-erkennung in sensordaten

Publications (1)

Publication Number Publication Date
WO2023057059A1 true WO2023057059A1 (de) 2023-04-13

Family

ID=78302727

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/EP2021/077543 WO2023057059A1 (de) 2021-10-06 2021-10-06 Computer-implementiertes verfahren und system zur anomalie-erkennung in sensordaten
PCT/EP2022/077660 WO2023057494A1 (de) 2021-10-06 2022-10-05 Computer-implementiertes verfahren und system zur anomalie-erkennung in sensordaten

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/077660 WO2023057494A1 (de) 2021-10-06 2022-10-05 Computer-implementiertes verfahren und system zur anomalie-erkennung in sensordaten

Country Status (1)

Country Link
WO (2) WO2023057059A1 (de)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019110721A1 (de) * 2019-04-25 2020-10-29 Carl Zeiss Industrielle Messtechnik Gmbh Workflow zum trainieren eines klassifikators für die qualitätsprüfung in der messtechnik
EP3876062A1 (de) * 2020-03-06 2021-09-08 Robert Bosch GmbH Verfahren und recheneinheit zur überwachung des zustandes einer maschine

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019110721A1 (de) * 2019-04-25 2020-10-29 Carl Zeiss Industrielle Messtechnik Gmbh Workflow zum trainieren eines klassifikators für die qualitätsprüfung in der messtechnik
EP3876062A1 (de) * 2020-03-06 2021-09-08 Robert Bosch GmbH Verfahren und recheneinheit zur überwachung des zustandes einer maschine

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
QIN YANG ET AL: "MLMG: Multi-Local and Multi-Global Model Aggregation for Federated Learning", 2021 IEEE INTERNATIONAL CONFERENCE ON PERVASIVE COMPUTING AND COMMUNICATIONS WORKSHOPS AND OTHER AFFILIATED EVENTS (PERCOM WORKSHOPS), IEEE, 22 March 2021 (2021-03-22), pages 565 - 571, XP033917294, DOI: 10.1109/PERCOMWORKSHOPS51409.2021.9431011 *
SCHNEIBLE JOSEPH ET AL: "Anomaly detection on the edge", MILCOM 2017 - 2017 IEEE MILITARY COMMUNICATIONS CONFERENCE (MILCOM), IEEE, 23 October 2017 (2017-10-23), pages 678 - 682, XP033265066, DOI: 10.1109/MILCOM.2017.8170817 *

Also Published As

Publication number Publication date
WO2023057494A1 (de) 2023-04-13

Similar Documents

Publication Publication Date Title
DE112016007498B4 (de) Untersuchungseinrichtung und untersuchungsverfahren
DE112021002866T5 (de) Modelltreueüberwachung und -neuerstellung zur entscheidungsunterstützung eines fertigungsverfahrens
DE102018206108A1 (de) Generieren von Validierungsdaten mit generativen kontradiktorischen Netzwerken
DE102022201663A1 (de) Erzeugen synthetischer Prüffälle zur Fuzz-Prüfung
WO2023057059A1 (de) Computer-implementiertes verfahren und system zur anomalie-erkennung in sensordaten
DE102018200534A1 (de) Verfahren zum Betreiben eines künstlichen neuronalen Netzes
DE102020207449A1 (de) Verfahren, Computerprogramm und Vorrichtung zum Verarbeiten von Signalen
BE1026775B1 (de) Vorrichtung und Verfahren zum kalibrierten Prüfen einer Bedruckung eines Artikels
DE102018221684A1 (de) Vorrichtung und Verfahren zur Anomalieerkennung und zum Trainieren eines Modells für eine Anomalieerkennung
EP3739592A1 (de) Dezentralisiert gesteuerte bildgebungsbasierte patientendatengewinnung
DE102019217300A1 (de) Verfahren zum Trainieren eines künstlichen neuronalen Netzes, Computerprogramm, Speichermedium, Vorrichtung, künstliches neuronales Netz und Anwendung des künstlichen neuronalen Netzes
DE102017213764A1 (de) Vorrichtung zur Zuverlässigkeitsanalyse eines mechatronischen Systems
EP3716578A1 (de) Verfahren und eine vorrichtung zum ansteuern eines technischen geräts mit einem optimalen modell
WO2023202778A1 (de) Computer-implementiertes verfahren und system zur anomalie-erkennung beim betrieb eines technischen geräts
DE102018105847A1 (de) Datenwiederherstellung und Datenregeneration mittels Paritätscode
DE102018217014A1 (de) Dynamische Qualifizierung von Nutzdaten
DE102017207036A1 (de) Verfahren zur rechnergestützten Analyse des Betriebs eines Produktionssystems
DE102020132263A1 (de) Verfahren zum automatischen Bestimmen einer Fehlerursache
DE102021204020B3 (de) Verfahren zum Übertragen einer Mehrzahl von medizinischen Bildern
DE102016122193A1 (de) Funktionsüberwachung einer Sensoreinrichtung eines Kraftfahrzeugs
DE102016113310A1 (de) Verfahren zur Bewertung von Aussagen einer Mehrzahl von Quellen zu einer Mehrzahl von Fakten
DE102022201637A1 (de) Computerimplementiertes Verfahren und System zur Erzeugung eines virtuellen Klons eines Sensors
WO2023280531A1 (de) Computerimplementiertes verfahren, computerprogramm und vorrichtung zum erzeugen einer daten-basierten modellkopie in einem sensor
WO2023138756A1 (de) Computer-implementierte datenstruktur, verfahren und system zum betrieb eines technischen geräts mit einem modell auf basis föderierten lernens
WO2023237205A1 (de) Computer-implementiertes verfahren und system zur anomalie-erkennung beim betrieb eines technischen geräts

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: 21794760

Country of ref document: EP

Kind code of ref document: A1