Die Erfindung betrifft ein Verfahren und eine Vorrichtung für maschinelles Lernen in einer Recheneinheit, für eine

Regelungseinrichtung insbesondere einer Maschine, wobei Ensemblemethoden und Klassifikationsmodelle eingesetzt werden .

Eine Implementierung von Datenanalyseverfahren und Verfahren maschinellen Lernens in Recheneinheiten von industriellen Überwachungs- und Regelungseinrichtungen (z.B. Systeme wie das bekannte Siemens SCADA) ermöglicht einen Einsatz

statistischer Modelle zur Klassifikation von Fehler- oder Wartungsszenarien. Entsprechende, aus dem Stand der Technik bekannte Klassifikationsmodelle auf Grundlage von Verfahren maschinellen Lernens wie beispielsweise Random Forest,

Support Vector Machine oder künstliche neuronale Netze werden häufig offline, d.h. bei inaktiver Datenübermittlung über eine Kommunikationsschnittstelle, trainiert und anschließend für Prognoserechnungen online, d.h. bei aktiver

Datenübermittlung über die Kommunikationsschnittstelle beispielsweise in ein oder von einem Netzwerk, instanziiert . Eine online-Aktualisierung von Klassifikationsmodellen ist üblicherweise nicht möglich, weshalb eine Aktualisierung der Klassifikationsmodelle häufig mit einem vollständigen

Trainingsdurchlauf einhergeht. Dies weist den Nachteil eines großen Bedarfs an Rechnerleistung, Speicherkapazität und Netzbandbreite auf, wodurch hohe Kosten verursacht werden können .

Aus dem Stand der Technik ist beispielsweise die DE 10 2016 013 985 AI bekannt, worin eine Vorrichtung für maschinelles Lernen bei einer Maschine offenbart ist.

Es sind eine Lerneinheit und eine Zustandsbeobachtungseinheit vorgesehen, wobei die Zustandsbeobachtungseinheit

Zustandsvariablen bezüglich einer Position, einer Drehzahl und eines elektrischen Stroms m einer

Motorsteuerungseinrichtung beobachtet. Aus den

Zustandsvariablen werden Trainingsdatensätze gebildet.

Mittels der Trainingsdatensätze lernt die Vorrichtung bzw. deren Lerneinheit eine Bedingung im Zusammenhang mit einer Anzahl von Sollwert-Korrekturen bezüglich der Position, der Drehzahl und des elektrischen Stroms.

Der Erfindung liegt die Aufgabe zugrunde, ein gegenüber dem Stand der Technik weiterentwickeltes Verfahren anzugeben.

Erfindungsgemäß wird diese Aufgabe gelöst mit einem Verfahren der eingangs genannten Art, bei dem mittels eines zumindest ersten Datensatzes, der von zumindest einem Sensor erfasste Daten für einen zumindest ersten Zeitbereich umfasst, ein zumindest erstes Maschinenlernmodell trainiert wird,

bei dem mittels eines zweiten Datensatzes, der von dem zumindest einen Sensor erfasste Daten für einen zweiten Zeitbereich, der von dem zumindest ersten Zeitbereich getrennt ist, umfasst, ein zweites Maschinenlernmodell trainiert wird,

bei dem mittels des trainierten, zumindest ersten

Maschinenlernmodells Daten für einen zumindest ersten

Prognosezeitbereich prognostiziert werden und daraus ein zumindest erster Prognosedatensatz gebildet wird,

bei dem mittels des trainierten zweiten Maschinenlernmodells Daten für einen zweiten Prognosezeitbereich, welcher sich mit dem zumindest ersten Prognosezeitbereich überschneidet, prognostiziert werden und daraus ein zweiter

Prognosedatensatz gebildet wird,

bei dem zumindest mittels des ersten Prognosedatensatzes und des zweiten Prognosedatensatzes ein Verknüpfungs- Maschinenlernmodell trainiert wird,

bei dem mittels des Verknüpfungs-Maschinenlernmodells Daten für den zweiten Prognosezeitbereich prognostiziert werden und daraus ein dritter Prognosedatensatz gebildet wird, und bei dem zumindest mittels des dritten Prognosedatensatzes Regelgrößen gebildet werden und mit diesen Regelgrößen die Regelungseinrichtung gesteuert wird.

Das zweite Maschinenlernmodell wird auf Grundlage einer maschinellen Bewertung des ersten Maschinenlernmodells in Hinblick auf dessen Genauigkeit und Zuverlässigkeit gebildet. Dies ist beispielsweise dann erforderlich, wenn sich die von dem Sensor erfassten Daten, wobei es sich beispielsweise um Maschinenparameter wie Drehzahlen handeln kann, wesentlich ändern .

Durch eine inkrementelle Bildung des zweiten

Maschinenlernmodells für den zweiten Zeitbereich in Bezug auf das erste Maschinenlernmodell und dessen ersten Zeitbereich (der erste Zeitbereich und der zweite Zeitbereich überlappen einander nicht sondern es schließt sich beispielsweise der zweite Zeitbereich an den ersten Zeitbereich an) kann darauf verzichtet werden, das zweite Maschinenlernmodell auf

Grundlage von Daten aus dem ersten Zeitbereich zu trainieren. Auch wenn in das zweite Maschinenlernmodell Ergebnisse der Bewertung des ersten Maschinenlernmodells eingesetzt werden können, so wird dieses vorwiegend auf Grundlage von mittels des Sensors erfassten Daten bezüglich des zweiten

Zeitbereichs, der von dem ersten Zeitbereich getrennt ist, gebildet, wodurch sich für das zweite Maschinenlernmodell ein entsprechender Betrachtungszeitraum verkleinert.

Durch eine Verkleinerung des Betrachtungszeitraums werden Anforderungen in Bezug auf Rechnerleistung,

Speicherkapazität, Netzbandbreite und somit Kosten reduziert. Zuggleich werden aufgrund des Verknüpfungs- Maschinenlernmodells , in dem sowohl Daten des ersten

Maschinenlernmodells als auch des zweiten

Maschinenlernmodells berücksichtigt werden, Prognose- und Regelgenauigkeiten sowie Prognose- und Regelzuverlässigkeiten erhöht .

Beispielsweise können mit hoher Genauigkeit Maschinenzustände (z.B. ein unkritischer Zustand, bei dem eine Drehzahl oder eine Temperatur einen definierten Schwellwert unterschreitet oder ein kritischer Zustand, bei dem die Drehzahl oder die Temperatur den Schwellwert überschreitet) prognostiziert und daraus der erste Prognosedatensatz, der zweite

Prognosedatensatz und der dritte Prognosedatensatz gebildet werden .

Weiterhin können mit dem ersten Maschinenlernmodell und dem zweiten Maschinenlernmodells auch Prognoserechnungen auf Grundlage unstetiger Verläufe erfasster Parameter

durchgeführt werden. Beispielsweise kann eine von dem Sensor erfasste Dicke eines verschleißenden Bauteils linear abnehmen und bei Tausch des Bauteils wieder ihr ursprüngliches Ausmaß einnehmen. Ein entsprechender Dickenverlauf wäre also sägezahnförmig . Findet der Tausch außerhalb des ersten

Zeitbereichs des ersten Maschinenlernmodells und innerhalb des zweiten Zeitbereichs des zweiten Maschinenlernmodells statt, so wird er in dem zweiten Maschinenlernmodell

berücksichtigt, d.h. das zweite Maschinenlernmodell wird dahingehend trainiert. Das erste Maschinenlernmodell wird mit dem zweiten Maschinenlernmodell zu einem Verknüpfungs- Maschinenlernmodell kombiniert. Daher können mittels des Verknüpfungs-Maschinenlernmodells Prognoserechnungen für stetige und unstetige Dickenverläufe unter Berücksichtigung von Bauteil-Tauschzeitpunkten durchgeführt werden.

Eine vorteilhafte Ausgestaltung erhält man, wenn zumindest das zweite Maschinenlernmodell und das Verknüpfungs- Maschinenlernmodell während einer Programmlaufzeit gebildet werden .

Durch diese Maßnahme wird eine Verbesserung der

Rechnerleistung erzielt. Ein Programmpaket, in dem das erste Maschinenlernmodell, das zweite Maschinenlernmodell und das Verknüpfungs-Maschinenlernmodell implementiert sind, kann beispielsweise während der Programmlaufzeit, d.h. zur

Programmlaufzeit, einerseits das zweite Maschinenlernmodell sowie das Verknüpfungs-Maschinenlernmodell bilden und andererseits Prognoserechnungen durchführen, Regelgrößen bilden, die Regeleinrichtung steuern sowie Daten in ein Netzwerk übertragen und von diesem Netzwerk empfangen etc.

Eine günstige Lösung wird erzielt, wenn der zumindest erste Datensatz sowie der zweite Datensatz aus Parametern gebildet werden, die mittels des zumindest ersten

Maschinenlernmodells , des zweiten Maschinenlernmodells und des Verknüpfungs-Maschinenlernmodells in Zustandsdaten übergeführt werden .

In diesem Zusammenhang kann es weiterhin vorteilhaft sein, wenn die Zustandsdaten nach deren Bildung geändert werden. Ferner ist es günstig, wenn den Zustandsdaten änderbare Plausibilitätskennzahlen zugeordnet werden.

Bei den Zustandsdaten kann es sich beispielsweise um

Maschinenzustände handeln. Beispielsweise kann ein erster Zustand einen unkritischen Zustand der Maschine beschreiben und ein zweiter Zustand einen kritischen Zustand.

Eine Änderung dieser Zustandsdaten kann beispielsweise im Zusammenhang mit einer Bewertung von Ergebnissen der

Prognoserechnungen erfolgen, wenn sich beispielsweise herausstellt, dass Zustände falsch klassifiziert wurden.

Mittels Zuordnung von Plausibilitätskennzahlen zu den

Zustandsdaten werden Ergebnisse der Prognoserechnungen, d.h. z.B. deren Zuverlässigkeit, bewertet bzw. gewichtet.

Es ist günstig, wenn zumindest das erste Maschinenlernmodell und das zweite Maschinenlernmodells mittels unterschiedlicher Methoden maschinenellen Lernens gebildet werden.

Dadurch wird eine günstige Flexibilität erzielt. Für das erste Maschinenlernmodell kann beispielsweise eine Random Forest - Methode angewendet werden und für das zweite

Maschinenlernmodell eine Support Vector Machine - Methode. Dadurch wird eine vorteilhafte Anpassung des ersten

Maschinenlernmodells und des zweiten Maschinenlernmodells an zur jeweiligen Methode passende Einsatzbereiche bewirkt. Eine günstige Lösung wird erzielt, wenn zumindest das erste Maschinenlernmodell über zumindest ein Netzwerk übertragen wird .

Durch diese Maßnahme wird ein Zugriff auf geographisch entfernte Recheneinheiten oder Rechnerwolken, in welchen Maschinenlernmodelle implementiert sind, ermöglicht bzw. es kann das erste Maschinenlernmodell über diese entfernten Recheneinheiten oder Rechnerwolken zugänglich gemacht werden

Nachfolgend wird die Erfindung anhand

Ausführungsbeispielen näher erläutert.

Es zeigen beispielhaft:

Fig. 1: Ein erstes Flussdiagramm einer beispielhaften

Ausführungsvariante eines erfindungsgemäßen

Verfahrens zur Regelung einer Maschine mit einem ersten Maschinenlernmodell , einem zweiten Maschinenlernmodell und einem Verknüpfungs-

Maschinenlernmodell , und

Fig. 2: Eine schematische Darstellung einer beispielhaften

Ausführungsvariante einer erfindungsgemäßen

Vorrichtung, wobei eine Recheneinheit mit einem

Programmpaket gezeigt ist, die mit einer Regelungseinrichtung verbunden ist.

Fig. 1 zeigt ein erstes Flussdiagramm einer beispielhaften Ausführungsvariante eines erfindungsgemäßen Verfahrens.

Das Verfahren ist in eine Recheneinheit 1 einer

Regelungseinrichtung 2, die in Fig. 2 schematisch gezeigt werden, implementiert. Die Recheneinheit 1 ist in einer nicht gezeigten Maschine, die als Antriebseinheit eines

Elektrofahrzeugs ausgeführt ist, implementiert.

Mittels eines ersten Datensatzes 3, der von einem in Fig. 2 schematisch gezeigten Sensor 5 erfasste Daten für einen ersten Zeitbereich 6 aufweist, wird ein erstes

Maschinenlernmodell 8 trainiert.

Ein zweites Maschinenlernmodell 9 wird mittels eines zweiten Datensatzes 4, der von dem Sensor 5 erfasste Daten für einen zweiten Zeitbereich 7, der sich an den ersten Zeitbereich 6 ohne Überlappung anschließt, d.h. von diesem getrennt ist, umfasst, trainiert.

Der erste Datensatz 3 und der zweite Datensatz 4 umfassen Maschinenparameter, welche Drehzahlen der Maschine

charakterisieren .

Mittels des trainierten ersten Maschinenlernmodells 8 werden Daten für einen ersten Prognosezeitbereich 10 prognostiziert und daraus ein zumindest erster Prognosedatensatz 12

gebildet .

Mittels des trainierten zweiten Maschinenlernmodells 9 werden Daten für einen zweiten Prognosezeitbereich 11, welcher sich mit dem ersten Prognosezeitbereich 10 überschneidet,

prognostiziert und daraus ein zweiter Prognosedatensatz 13 gebildet .

Mittels des ersten Prognosedatensatzes 12 und des zweiten Prognosedatensatzes 13 wird ein Verknüpfungs- Maschinenlernmodell 15 trainiert, das als Metamodell über eine Verknüpfung des ersten Maschinenlernmodells 8 und des zweiten Maschinenlernmodells 9 gebildet wird.

Mittels des Verknüpfungs-Maschinenlernmodells 15 werden Daten für den zweiten Prognosezeitbereich 11 prognostiziert und daraus ein dritter Prognosedatensatz 14 gebildet. Der erste Prognosedatensatz 12, der zweite Prognosedatensatz 13 und der dritte Prognosedatensatz 14 umfassen

Zustandsdaten , welche einen ersten Zustand pl oder einen zweiten Zustand p2 der Maschine beschreiben.

Der erste Zustand pl charakterisiert Drehzahlen unterhalb eines definierten Schwellwerts, der zweite Zustand p2

Drehzahlen oberhalb dieses Schwellwerts.

Diese Zustandsdaten werden aus den Maschinenparametern mittels des ersten Maschinenlernmodells 8 für den ersten Prognosezeitbereich 10 sowie mittels des zweiten

Maschinenlernmodells 9 und des Verknüpfungs-

Maschinenlernmodells 15 für den zweiten Prognosezeitbereich 11 bestimmt und bewertet.

Je nach Plausibilität der Zustandsdaten, welche davon abhängt, für welchen Wertebereich bezüglich der

Maschinenparameter das erste Maschinenlernmodell 8 und das zweite Maschinenlernmodell 9 ausgelegt sind, werden den Zustandsdaten Plausibilitätskenndaten zugeordnet. Diese umfassen Plausibilitätskennzahlen . Je größer die

Plausibilität des ersten Zustands pl oder des zweiten

Zustands p2 für eine Zeit t, umso größer die

Plausibilitätskennzahl .

Mittels des dritten Prognosedatensatzes 14 werden nicht gezeigte Regelgrößen gebildet und mit diesen Regelgrößen die Regelungseinrichtung 2 dahingehend gesteuert, dass mittels eines PID-Reglers Soll-Motordrehzahlen bestimmt und deren Erreichung bzw. Einhaltung überwacht werden. In Fig. 1 sind eine Zeitskala bezüglich der Zeit t sowie drei Diagramme dargestellt, auf deren Abszissen die Zeiten t und auf deren Ordinaten Maschinenzustände p aufgetragen sind. Ein erster Zeitpunkt tl weist den mittels des ersten

Maschinenlernmodells 8 prognostizierten ersten Zustand pl auf und ein zweiter Zeitpunkt t2 ebenfalls den von dem ersten Maschinenlernmodell 8 und auch dem zweiten

Maschinenlernmodell 9 prognostizierten ersten Zustand pl . Für einen dritten Zeitpunkt t3 wird von dem ersten

Maschinenlernmodell 8 der zweite Zustand p2 prognostiziert und von dem zweiten Maschinenlernmodell 9 der erste Zustand pl.

Für den dritten Zeitpunkt t3 ist einer Prognose, die mittels des zweiten Maschinenlernmodells 9 gebildet wird, eine höhere Plausibilitätskennzahl zugeordnet, als einer von dem ersten Maschinenlernmodell 8 gebildeten Prognose.

Mittels des Verknüpfungs-Maschinenlernmodells 15 wird für den zweiten Zeitpunkt t2 der erste Zustand pl prognostiziert und für den dritten Zeitpunkt t3, aufgrund der genannten, höheren Plausibilitätskennzahl , der erste Zustand pl . In den drei Diagrammen sind weitere Zeitpunkte dargestellt, für welche ebenfalls erste Zustände pl und zweite Zustände p2 von dem ersten Maschinenlernmodell 8, dem zweiten Maschinenlernmodell 9 und dem Verknüpfungs-Maschinenlernmodell 15 prognostiziert werden .

Zur Bildung des ersten Maschinenlernmodells 8 wird ein Random Forest als aus dem Stand der Technik bekannte

Klassifikationsmethode eingesetzt. Zur Bildung des zweiten Maschinenlernmodells 9 wird eine Support Vector Machine als bekannte Methode zur Mustererkennung eingesetzt.

Dabei handelt es sich um eine günstige Lösung.

Erfindungsgemäß ist es jedoch auch vorstellbar, auch für das zweite Maschinenlernmodell 9 eine Random Forest - Methode vorzusehen .

Das Verknüpfungs-Maschinenlernmodell 15 wird als Kombination des ersten Maschinenlernmodells 8 und des zweiten

Maschinenlernmodells 9 gebildet. Das zweite

Maschinenlernmodell 9 und das Verknüpfungs- Maschinenlernmodell 15 werden zur Laufzeit eines in Fig. 2 gezeigten Programmpakets 17 gebildet.

In Drehzahlbereichen und/oder Zeiträumen, in welchen mittels des ersten Maschinenlernmodells 8 plausiblere Prognosen gebildet werden, werden Random Forest - Algorithmen des ersten Maschinenlernmodells 8 für das Verknüpfungs- Maschinenlernmodell 15 eingesetzt.

In Drehzahlbereichen und/oder Zeiträumen, in welchen mittels des zweiten Maschinenlernmodells 9 plausiblere Prognosen gebildet werden, werden Support Vector Machine - Algorithmen des zweiten Maschinenlernmodells 9 für das Verknüpfungs- Maschinenlernmodell 15 eingesetzt.

Das erfindungsgemäße Verfahren ist als Ensemblemethode ausgeführt. Es werden demnach verschiedene Lernalgorithmen zur Anwendung bereitgestellt.

Für diese Ausführungsvariante werden das erste

Maschinenlernmodell 8 und das zweite Maschinenlernmodell 9 zur Bildung des Verknüpfungs-Maschinenlernmodells 15

eingesetzt. Erfindungsgemäß ist es jedoch auch denkbar, dass ein drittes Maschinenlernmodell und noch weitere

Maschinenlernmodelle zu dem Verknüpfungs-Maschinenlernmodell 15 kombiniert werden.

Weiterhin ist es vorstellbar, dass mehr als ein Verknüpfungs- Maschinenlernmodell 15 gebildet wird, beispielsweise ein erstes Verknüpfungs-Maschinenlernmodell 15 aus dem ersten Maschinenlernmodell 8 und dem zweiten Maschinenlernmodell 9 sowie ein zweites Verknüpfungs-Maschinenlernmodell aus einem dritten Maschinenlernmodell und einem vierten

Maschinenlernmodell etc.

Fig. 2 zeigt eine beispielhafte Ausführungsvariante einer erfindungsgemäßen Vorrichtung mit einer Recheneinheit 1 einer nicht dargestellten Maschine, in welcher ein Programmpaket 17 vorgesehen ist und die über eine nicht dargestellte

Spannungsversorgungseinrichtung mit Elektrizität versorgt ist .

In dem Programmpaket 17 ist ein erstes Maschinenlernmodell 8, ein zweites Maschinenlernmodell 9 sowie ein Verknüpfungs- Maschinenlernmodell 15, die in Zusammenhang mit Fig. 1 beschrieben sind, implementiert. Weiterhin weist das Programmpaket 17 eine Datenbank 18 auf, in welcher ein erster Datensatz 3 und ein zweiter Datensatz 4, sowie ein erster Prognosedatensatz 12, ein zweiter

Prognosedatensatz 13 und ein dritter Prognosedatensatz 14, die in Zusammenhang mit Fig. 1 genannt sind, gespeichert sind .

Mit der Recheneinheit 1 ist ein Sensor 5 verbunden, welcher Drehzahlen der Maschine erfasst und entsprechende Daten über einen Leitungsweg an die Recheneinheit 1 überträgt. Aus diesen Daten werden der erste Datensatz 3 und der zweite Datensatz 4 gebildet.

Mittels des ersten Maschinenlernmodells 8, des zweiten

Maschinenlernmodells 9 und des Verknüpfungs-

Maschinenlernmodells 15 werden, wie in Zusammenhang mit Fig. 1 beschrieben, anhand der von dem Sensor 5 erfassten

Drehzahlinformationen bzw. der an die Recheneinheit 1 übertragenen Daten Zustände der Maschine prognostiziert (beispielsweise Schadenszustände aufgrund von Drehzahlen, welche einen definierten Schwellwert durch einen längeren Zeitraum hindurch überschreiten), d.h. Prognoserechnungen durchgeführt. Für eine entsprechende Auswertung werden aus diese Zustände beschreibenden Daten der erste

Prognosedatensatz 12, der zweite Prognosedatensatz 13 und der dritte Prognosedatensatz 14 gebildet.

Die Recheneinheit 1 ist weiterhin mit einer

Regelungseinrichtung 2 verbunden, an welche Daten aus dem dritten Prognosedatensatz 14 übertragen werden. Die

Regelungseinrichtung 2 weist einen nicht gezeigten PID-Regler zur Drehzahlregelung der Maschine auf, in welchem die Daten aus dem dritten Prognosedatensatz 14 in Regelgrößen

umgewandelt werden. Diese Regelgrößen sind als Soll- Drehzahlen ausgeführt, welche von der Maschine eingehalten werden müssen bzw. nicht überschritten werden dürfen, um prognostizierte Schäden an der Maschine nicht eintreten zu lassen . Erfindungsgemäß ist es denkbar, dass, z.B. zu

Kontrollzwecken, auch Daten aus dem ersten Prognosedatensatz 12 und/oder dem zweiten Prognosedatensatz 13 an die

Regelungseinrichtung 2 übertragen und dort verarbeitet werden .

Ferner ist die Recheneinheit 1 über ein Netzwerk 16 mit einer nicht gezeigten Rechnerwolke verbunden. Aus dieser

Rechnerwolke können Daten von Maschinenlernmodellen , die außerhalb der Recheneinheit 1 gebildet werden und mittels derer Prognoserechnungen durchgeführt werden, empfangen und in der Recheneinheit 1 verarbeitet werden, d.h. z.B. zur Bildung von Regelgrößen an die Regelungseinrichtung 2 übertragen werden.

Darüber hinaus werden Prognosedatensätze (z.B. der dritte

Prognosedatensatz 14) von der Datenbank 18 der Recheneinheit 1 über das Netzwerk 16 an diese Rechnerwolke übermittelt, um darin verarbeitet zu werden. Das Programmpaket 17 umfasst eine grafische

Benutzeroberfläche 19, über welche ein Benutzer Eingaben machen kann und Ausgaben empfängt. Dazu ist die Recheneinheit 1 mit Eingabegeräten (Tastatur und Maus) sowie einem

Ausgabegerät (Anzeigeeinrichtung) , die nicht dargestellt sind, verbunden.

Über die Benutzeroberfläche 19 werden für die

Prognoserechnungen vorzusehende Methoden bzw. Algorithmen ausgewählt. Beispielsweise kann, wie in Zusammenhang mit Fig. 1 beschrieben, für das erste Maschinenlernmodell 8 ein Random Forest - Algorithmus ausgewählt werden und für das zweite Maschinenlernmodell 9 ein Support Vector Machine - Algorithmus. Zu jeder wählbaren Methode werden

Qualitätsinformationen angezeigt, beispielsweise für welche Drehzahlbereiche mit dieser Methode besonders genaue

Ergebnisse zu erwarten sind. Weiterhin können über die Benutzeroberfläche 19 in

Zusammenhang mit Fig. 1 genannte Zustandsdaten und

Plausibilitätskennzahlen geändert bzw. eingestellt werden. Beispielsweise ist eine Änderung von Zustandsdaten oder Plausibilitätskennzahlen dann erforderlich, wenn sich

Ergebnisse der Prognoserechnungen als fehlerhaft

herausstellen. Beispielsweise können in einem derartigen Fall Plausibilitätskennzahlen auf einen kleinen Wert gesetzt werden oder es kann z.B. ein erster Zustand pl (in

Zusammenhang mit Fig. 1 genannt) auf einen zweiten Zustand p2 (ebenfalls in Zusammenhang mit Fig. 1 genannt) korrigiert werden .

Darüber hinaus können mittels der Benutzeroberfläche 19 Daten für Trainings- bzw. Lernvorgänge des ersten

Maschinenlernmodells 8, des zweiten Maschinenlernmodells 9 und des Verknüpfungs-Maschinenlernmodells 15 ausgewählt und aggregiert werden, die Lernvorgänge überwacht sowie

Ergebnisse dieser Lernvorgänge bewertet werden.

Das erste Maschinenlernmodell 8, das zweite

Maschinenlernmodell 9 und das Verknüpfungs- Maschinenlernmodell 15 werden in der Recheneinheit 1 (d.h. lokal) trainiert und bewertet bzw. Plausibilitätskennzahlen werden lokal zugeordnet.

Die Recheneinheit 1 ist mit dem Netzwerk 16 verbunden. Daher ist es auch vorstellbar, dass das erste Maschinenlernmodell 8, das zweite Maschinenlernmodell 9 und/oder das

Verknüpfungs-Maschinenlernmodell 15 lokal trainiert werden und anschließend in die Rechnerwolke übertragen werden.

Weiterhin ist es denkbar, dass das erste Maschinenlernmodell 8, das zweite Maschinenlernmodell 9 und/oder das

Verknüpfungs-Maschinenlernmodell 15 in der Rechnerwolke trainiert sowie bewertet werden und dass entsprechende Daten von der Rechnerwolke über das Netzwerk 16 an die

Recheneinheit 1 übertragen und in die in der Recheneinheit 1 durchzuführende Prognoserechnung eingesetzt werden. Ferner ist es möglich, dass das erste Maschinenlernmodell 8, das zweite Maschinenlernmodell 9 und/oder das Verknüpfungs- Maschinenlernmodell 15 in der Rechnerwolke trainiert und in der Recheneinheit 1 bewertet werden.

Für diese Ausführungsvariante ist die Regelungseinrichtung 2 als Drehzahlregler ausgeführt. Erfindungsgemäß ist es auch vorstellbar, dass die Regelungseinrichtung 2 beispielsweise als Diagnose- und Überwachungseinrichtung ausgebildet ist. Beispielsweise können mit der Diagnose- und

Überwachungseinrichtung Temperaturen eines Radsatzlagers überwacht und bei einem prognostizierten Überschreiten eines Schwellwerts Warnereignisse auf der grafischen

Benutzeroberfläche 19 angezeigt werden.

Weiterhin ist es möglich, dass zur Verarbeitung von

Ergebnissen der Prognoserechnungen mehr als eine

Regelungseinrichtung 2 mit der Recheneinheit 1 verbunden ist.

Liste der Bezeichnungen

1 Recheneinheit

2 Regelungseinrichtung

3 Erster Datensatz

4 Zweiter Datensatz

5 Sensor

6 Erster Zeitbereich

7 Zweiter Zeitbereich

8 Erstes Maschinenlernmodell

9 Zweites Maschinenlernmodell

10 Erster Prognosezeitbereich

11 Zweiter Prognosezeitbereich

12 Erster Prognosedatensatz

13 Zweiter Prognosedatensatz

14 Dritter Prognosedatensatz

15 Verknüpfungs-Maschinenlernmodell

16 Netzwerk

17 Programmpaket

18 Datenbank

19 Benutzeroberfläche t Zeit

p Maschinenzustand

pl Erster Zustand

p2 Zweiter Zustand

tl Erster Zeitpunkt

t2 Zweiter Zeitpunkt

t3 Dritter Zeitpunkt