Gebiet der Technik

Die vorliegende Erfindung betrifft ein Verfahren zum Betreiben einer Sensor-Anordnung. Die vorliegende Erfindung betrifft auch eine Einrichtung zur Datenverarbeitung, die dazu angepasst ist, ein solches Verfahren auszuführen. Außerdem betrifft die Erfindung eine Sensor-Anordnung, die dazu angepasst ist, in einem solchen Verfahren eingesetzt zu werden und/oder mit einer solchen Einrichtung zusammenzuwirken sowie eine Vorrichtung aufweisend eine solche Sensor-Anordnung und/oder eine solche Einrichtung.

Stand der Technik

In zunehmendem Ausmaß sind Prozesse, auch und gerade in Industrieumgebungen, von der Verfügbarkeit von Sensor-Daten abhängig. Entsprechende Sensor-Daten können etwa mittels der Sensoren einer Sensor-Anordnung aufgenommen und zur Steuerung und/oder Regelung von beispielsweise Vorrichtungen, wie Maschinen, eingesetzt werden.

Wenn infolge eines Defekts eines oder mehrerer Sensoren einer solchen Sensor-Anordnung ungültige Sensordaten verarbeitet werden oder womöglich überhaupt keine Sensordaten mehr vorliegen, kann dies zu erheblichen Einschränkungen im Prozessablauf führen. Im schlimmsten Fall droht der Stillstand einer ganzen Fabrik oder Teilen davon, was zu weitreichenden wirtschaftlichen Folgen führen kann.

Ein zuverlässiger Betrieb von Sensor-Anordnungen ist daher von großer Bedeutung. Einen zuverlässigen Betrieb sicherzustellen ist allerdings aufgrund der großen Vielfalt von unterschiedlichen Typen von Sensor-Anordnungen und der wachsenden Anzahl von Sensoren pro Sensor-Anordnung immer aufwändiger.

Zusammenfassung der Erfindung

Es ist daher Aufgabe der vorliegenden Erfindung, die beschriebenen Nachteile des Stands der Technik zu überwinden und insbesondere Mittel anzugeben, mit denen Sensor-Anordnungen in zuverlässiger und einfacher aber dennoch kostengünstiger Weise betrieben werden können.

Die Aufgabe wird durch die Erfindung gemäß einem ersten Aspekt durch ein Verfahren zum Betreiben einer Sensor-Anordnung mit einer Vielzahl von Sensoren gelöst, wobei von jedem Sensor der Vielzahl von Sensoren Sensor-Daten als Empfangs-Sensor-Daten des jeweiligen Sensors empfangen und als Ursprungs-Sensor-Daten des jeweiligen Sensors zur weiteren Datenverarbeitung bereitgestellt werden. Wenn ein Fehlerzustand im Zusammenhang mit zumindest einem spezifischen Sensor der Vielzahl von Sensoren festgestellt wird, werden daraufhin für den spezifischen Sensor Ersatz-Sensor- Daten ermittelt und diese anstelle von Empfangs-Sensor-Daten des spezifischen Sensors als Ursprungs- Sensor-Daten des spezifischen Sensors bereitgestellt.

Die Ersatz-Sensor-Daten werden mittels zumindest eines ersten trainierten Datenmodells mit Unterstützung maschinellen Lernens ermittelt, wobei als Eingangsdaten für das erste trainierte Datenmodell des maschinellen Lernens Empfangs-Sensor-Daten und/oder Ursprungs-Sensor-Daten zumindest eines als Hilfs-Sensor aus der Vielzahl von Sensoren ausgewählten Sensors, der nicht der spezifische Sensor ist, und/oder darauf basierende Daten verwendet werden. Der Erfindung liegt damit die überraschende Erkenntnis zugrunde, dass ein Prozess, der auf die Sensor- Daten der Sensoren einer Sensor-Anordnung angewiesen ist, auch während eines Ausfalls, vorübergehenden Ausfalls oder einer temporären Störung eines Sensors der Anordnung und/oder eines zur Übertragung der Sensor-Daten eingesetzten Übertragungskanals zuverlässig fortgesetzt werden kann, wenn die eigentlichen Sensor-Daten des betroffenen Sensors zumindest zeitweise durch synthetische Sensor-Daten ersetzt werden.

Die Zeit, bis die Sensor-Daten des spezifischen Sensors wieder ordnungsgemäß zur Verfügung stehen, kann somit zuverlässig überbrückt werden. Also beispielsweise eine Zeitspanne, bis der Sensor repariert oder durch einen neuen Sensor ausgetauscht worden ist und/oder bis der Übertragungskanal für die Sensor-Daten wieder fehlerfrei funktioniert.

Auf diese Weise kann der laufende Prozess bei fehlerhaften oder sogar völlig ausbleibenden Sensor- Daten des betroffenen Sensors ohne oder mit nur einer geringen Unterbrechung fortgesetzt werden. Dadurch ist es möglich, die Sensor-Anordnung mit erhöhter Zuverlässigkeit zu betreiben und damit verbunden Stillstandzeiten des auf die Sensor-Daten angewiesenen Prozesses zuverlässig zu vermeiden oder zumindest zu verringern.

Dabei wurde überraschend festgestellt, dass die synthetischen Daten besonders zuverlässig ermittelt werden können, wenn sie zumindest auf Grundlage der Sensor-Daten zumindest eines Teils der übrigen Sensoren der Anordnung in Verbindung mit einem trainierten Datenmodell des maschinellen Lernens ermittelt werden.

Mit anderen Worten gesprochen wird also der spezifische (der defekte) Sensor vorübergehend durch einen virtuellen Sensor in Form eines trainierten Datenmodells des maschinellen Lernens ersetzt und die synthetischen Daten dieses virtuellen Sensors werden zur Verarbeitung bereitgestellt und ersatzweise für die eigentlichen Sensor-Daten des spezifischen Sensors verwendet.

Mit nochmals anderen Worten ausgedrückt wurde insoweit vor allem erkannt, dass der reale defekte Sensor (der spezifische Sensor) sozusagen durch einen virtuellen Sensor ersetzt werden kann, so dass dieser die Arbeit anstelle des realen Sensors fortsetzen kann, solange, bis der spezifische Sensor ausgetauscht oder repariert ist. Der virtuelle Ersatz-Sensor basiert dann auf einem Datenmodell des maschinellen Lernens („Machine-Learning-Model").

Als besonders vorteilhaft hat sich herausgestellt, dass sich das vorgeschlagene Verfahren vorzugsweise jedenfalls prinzipiell unabhängig von der Anzahl von Sensoren der Anordnung sowie auch unabhängig von der Art der Sensoren der Anordnung anwenden lässt. Dadurch ist das vorgeschlagene Verfahren besonders flexibel für unterschiedliche Sensor-Anordnungen einsetzbar. Zudem ist das vorgeschlagene Verfahren auch besonders leicht bei bereits bestehenden Sensor-Anordnungen einsetzbar, da die physische Sensor-Anordnung dafür nicht oder nur in überschaubaren Umfang angepasst werden muss. Dadurch kann das Verfahren auch im Zusammenhang mit bestehenden Sensor-Anordnungen wirtschaftlich vorteilhaft eingesetzt werden. Auf diese Weise können folglich die Vorteile eines verbesserten Betriebs vielfältig für sowohl bestehende als auch neu einzurichtende Sensor- Anordnungen ausgenutzt werden.

Mit dem vorgeschlagenen Verfahren können technische Sensorausfälle bei Vorrichtungen, insbesondere Maschinen, vorteilhaft begegnet werden. Denn Prozesse (oder Funktionalitäten oder auch sonstige Entitäten allgemein), die von den Sensor-Daten abhängig sind, können weiterhin in gewohnter Weise ablaufen. Dadurch kann die Gefahr einer Betriebsunterbrechung zuverlässig vermieden oder zumindest reduziert werden. Wenn beispielsweise bei einer Vorrichtung, wie einer Plattformwaage, mit einer Vielzahl von Sensoren, beispielsweise vier Wägezellen, einer der Sensoren (Wägezellen) ausfällt, kann die Vorrichtung (Plattformwaage) bei einem Betrieb gemäß dem vorgeschlagenen Verfahren weiterverwendet werden, da aufgrund des Rückgriffs auf den virtuellen Sensor weiterhin Sensor-Daten für den ausgefallenen Sensor ersatzweise zur Verfügung stehen. Im Fall der Plattformwaage weicht das Gesamtgewicht dann folglich vorteilhafterweise nicht wie in herkömmlichen Situationen beispielsweise rund 25 % vom wahren Gesamtgewicht ab.

Es sei dabei angemerkt, dass im fehlerfreien Betrieb der Sensor-Anordnung vorzugsweise die empfangenen Empfangs-Sensor-Daten eines jeden Sensors identisch zu den bereitgestellten Ursprungs-Sensor-Daten des jeweiligen Sensors. Wenn jedoch infolge eines festgestellten Fehlerzustands die Ersatz-Sensor-Daten für den spezifischen Sensor ermittelt werden, und diese als Ursprungs-Sensor-Daten des spezifischen Sensors bereitgestellt werden, können sich die empfangenen Empfangs-Sensor-Daten des spezifischen Sensors (soweit überhaupt Daten empfangen werden) und die bereitgestellten Ursprungs-Sensor-Daten des spezifischen Sensors unterscheiden und werden dies in der Regel vorteilhafterweise auch tun.

Die Ersatz-Sensor-Daten können vorteilhafterweise solange anstelle der Empfangs-Sensor-Daten des spezifischen Sensors als Ursprungs-Sensor-Daten für den spezifischen Sensor bereitgestellt werden, bis von dem spezifischen Sensor wieder ordnungsgemäße Sensor-Daten empfangen werden, etwa nach einem Austausch oder einer Reparatur des spezifischen Sensors.

Ungültige Sensor-Daten können beispielsweise von einem Sensor empfangen werden, wenn sich der Sensor von seinem Messort gelöst hat, etwa von einer Vorrichtung ganz oder teilweise abgelöst hat und/oder abgefallen ist.

Es ist dabei besonders vorteilhaft, wenn mehrere oder alle Sensoren der Vielzahl von Sensoren, die nicht der spezifische Sensor sind, als Hilfs-Sensoren ausgewählt werden. Dadurch kann die Daten-Basis zur Ermittlung der Ersatz-Sensor-Daten aussagekräftiger werden, da mehrere Sensoren dazu beitragen.

Vorteilhafterweise weisen die Ursprungs-Sensor-Daten der Hilfs-Sensoren, die vorliegend als Eingangsdaten für das erste trainierte Datenmodell des maschinellen Lernens verwendet werden, die von den Hilfs-Sensoren aktuell empfangenen Empfangs-Sensor-Daten auf oder stellen diese dar. Dadurch können die aktuellen Umstände der Sensor-Anordnung besonders zuverlässig berücksichtigt werden.

In einer Ausführungsform wird das erste trainierte Datenmodell des maschinellen Lernens nach dem Feststellen des Fehlerzustandes bereitgestellt. Anschließend kann es sehr gut zum Ermitteln der Ersatz- Sensor-Daten eingesetzt werden.

In einer Ausführungsform werden die Ersatz-Sensor-Daten, insbesondere zumindest für den spezifischen Sensor, laufend mit dem ersten trainierten Datenmodell des maschinellen Lernens ermittelt. In diesem Fall können diese dann vorteilhaft bei Feststellen des Fehlerzustands anstelle der Sensor-Daten des spezifischen Sensors als Ursprungs-Sensor-Daten bereitgestellt werden. Mit anderen Worten, wird also (erst) mit Feststellen des Fehlerzustands auf die Ersatz-Sensor-Daten umgeschaltet. Dadurch kann unterbrechungsfrei oder nahezu unterbrechungsfrei eine Folge von Ursprungs-Sensor- Daten für den spezifischen Sensor bereitgestellt werden.

Der Fehlerzustand im Zusammenhang mit dem spezifischen Sensor wird vorzugsweise zu einem ersten Zeitpunkt festgestellt. Das vorgeschlagene Verfahren ist besonders vorteilhaft zum Betreiben einer Sensor-Anordnung einer Förder-, Mess-, Wäge-, Mahl-, Misch-, Filter-, Sieb-, Trocken- und/oder Dosiervorrichtung.

Vorzugsweise ist das Verfahren computerimplementiert und/oder es wird mittels einer zur Ausführung des Verfahrens eingerichteten Einrichtung zur Datenverarbeitung ausgeführt. Auf diese Einrichtung zur Datenverarbeitung wird weiter unten näher eingegangen, wobei die dortigen Ausführungen hier entsprechend gelten, soweit sich aus dem Zusammenhang nichts anderes ergibt.

Unter einer Sensor-Anordnung wird im Sinne der vorliegenden Anmeldung vorzugsweise eine Ansammlung von wenigstens zwei Sensoren, vorteilhafterweise gleichen Typs, verstanden, wobei vorzugsweise deren Sensor-Daten im Rahmen einer gemeinsamen Datenverarbeitung ausgewertet und/oder verarbeitet werden.

Vorteilhafterweise sind alle Sensoren der Anordnung an einer einzigen Vorrichtung angebracht, etwa um Betriebsparameter und/oder physikalische Größen der Vorrichtung und/oder ihren Teilen zu erfassen.

In der vorliegenden Anmeldung werden vorzugsweise die Bezeichnungen „x-tes trainiertes Datenmodell des maschinellen Lernens", „trainiertes x-tes Datenmodell des maschinellen Lernens" und „x-tes Datenmodell des maschinellen Lernens in trainierter Form" (mit „x-tes" je nach Situation zum Beispiel „erstes", „zweites" oder „drittes") synonym verwendet, soweit sich aus dem jeweiligen Zusammenhang nichts anderes ergibt.

Alternativ oder ergänzend kann auch vorgesehen sein, dass das Trainieren des ersten Datenmodells des maschinellen Lernens nach dem Feststellen des Fehlerzustandes durchgeführt wird.

Der Einsatz eines solchen frisch trainierten Datenmodells kann zu besonders aussagekräftigen Ersatz- Sensor-Daten führen, so dass ein besonders zuverlässiger Betrieb der Sensor-Anordnung trotz eines ausgefallenen oder defekten Sensors möglich wird.

Dabei wird vorteilhafterweise das Trainieren des ersten Datenmodells des maschinellen Lernens unmittelbar oder nahezu unmittelbar (also etwa weniger als 1 Minute, weniger als 30 Sekunden, weniger als 10 Sekunden, weniger als 5 Sekunden oder weniger als 1 Sekunde) nach dem Feststellen des Fehlerzustands begonnen. Dadurch kann das Datenmodell besonders schnell in trainierter Form bereitgestellt und zur Ermittlung der Ersatz-Sensor-Daten eingesetzt werden. Gleichzeitig können hierbei noch möglichst aktuelle Sensor-Daten für das Training eingesetzt werden, was vorteilhaft zu einem zuverlässigen Datenmodell beitragen kann.

Es kann aber in Ausführungsformen auch bevorzugt sein, das Trainieren verzögert nach dem Feststellen des Fehlerzustands zu beginnen und/oder in eine Aufgabenliste mit abzuarbeitenden Aufgaben einzufügen. Dadurch kann besonders vorteilhaft auf eine momentane Auslastung des für das Trainieren zuständige Rechner-System variabel Rücksicht genommen werden. Beispielsweise kann in Abhängigkeit der Auslastung des Systems und/oder der Verfügbarkeit von Ressourcen das Training, insbesondere innerhalb eines definierten oder definierbaren Zeitfensters, begonnen werden.

In einer Ausführungsform wird das Training mittels der Einrichtung zur Datenverarbeitung vorgenommen. Dort kann auch ein Speichermittel vorgesehen sein, auf dem die trainierte Datenmodelle gespeichert werden und/oder von wo sie abgerufen werden können.

Alternativ oder ergänzend kann auch vorgesehen sein, dass das Trainieren des ersten Datenmodells des maschinellen Lernens wenigstens mittels historischer Sensor-Daten, insbesondere historischer Empfangs-Sensor-Daten, des spezifischen Sensors und/oder historischer Sensor-Daten, insbesondere historischer Empfangs-Sensor-Daten, zumindest eines Sensors, vorzugsweise aller Sensoren, des zumindest einen Hilfs-Sensors durchgeführt wird oder wurde.

Es hat sich gezeigt, dass, anhand entsprechender historischer Sensor-Daten, insbesondere zumindest zeitweise, verlässliche und in besonders vorteilhafter Weise Ersatz-Sensor-Daten ermittelt werden können. Dies funktioniert besonders gut, wenn die zum Aufnahmezeitpunkt der historischen Sensor- Daten bestehenden Umgebungsbedingungen sich zwischenzeitlich nicht oder nur in begrenztem Umfang geändert haben.

Zum Trainieren des Modells werden in vorteilhaften Ausführungen beispielsweise die empfangenen Empfangs-Sensor-Daten des spezifischen Sensors und der Hilfs-Sensoren der Anordnung vor dem Ausfall verwendet. Dadurch ist es also gewissermaßen vorteilhaft möglich, dass der virtuelle Sensor seine Rohdaten schätzt (und damit schätzt er die Rohdaten des defekten Sensors) abhängig von den Rohdaten der funktionierenden Sensoren, also insbesondere den ausgewählten Hilfs-Sensoren.

Das Trainieren des ersten Datenmodells des maschinellen Lernens kann beispielsweise aufweisen, wenigstens historische Sensor-Daten, insbesondere historische Empfangs-Sensor-Daten, des zumindest einen Hilfs-Sensors (oder der Mehrzahl von Hilfs-Sensoren) als Eingangsdaten für das Datenmodell zu verwenden und/oder historische Sensor-Daten, insbesondere historische Empfangs- Sensor-Daten, des spezifischen Sensors als Wahrheits-Daten zu verwenden. Die Eingangsdaten und die Wahrheits-Daten sind dabei vorteilhafterweise miteinander assoziiert.

Alternativ oder ergänzend kann auch vorgesehen sein, dass das Trainieren des ersten Datenmodells des maschinellen Lernens aufweist, dass ein linearer Zusammenhang zwischen den historischen Sensor-Daten des spezifischen Sensors einerseits und den historischen Sensor-Daten der Hilfs- Sensoren andererseits angenommen wird.

Ein linearer Zusammenhang ermöglicht ein besonders gut und effizient implementierbares Datenmodell einsetzen zu können.

Beispielsweise wird bei einer Sensor-Anordnung mit vier Sensoren ein linearer Zusammenhang zwischen den Sensor-Daten eines spezifischen Sensors Si und den Sensor-Daten von drei Hilfs- Sensoren S ₂ bis S ₄ zu einem bestimmten Zeitpunkt t vorteilhafterweise beschrieben durch die Beziehung

S (t) = a ■ S ₂ (t) + b ■ S ₃ (t) + c ■ S ₄ (t) + d.

Im Rahmen des Trainierens eines diese Beziehung implementierendes Datenmodells des maschinellen Lernens könnten dann im vorliegenden Beispiel etwa die Koeffizienten a, b, c und d ermittelt werden und nach Abschluss des Trainings das trainierte Datenmodell des maschinellen Lernens bereitstellen. Es könnten dann also mittels des trainierten Datenmodells die aktuellen Empfangs-Sensor-Daten (S ₂ bis S ₄ ) der drei Hilfs-Sensoren in die Gleichung mit den während des Trainings ermittelten Koeffizienten eingesetzt und als Ergebnis (Si) die aktuellen Ersatz-Sensor-Daten ermittelt werden.

In einer Ausführungsform ist das Datenmodell vom Typ lineare Regression, insbesondere vom Typ schrittweise lineare Regression. Vorteilhafterweise werden dabei oder alternativ dazu diejenigen Sensoren der Vielzahl von Sensoren (und die nicht der spezifische Sensor sind) als Hilfs-Sensoren ausgewählt, die die größte Aussagekraft haben.

Alternativ oder ergänzend kann auch vorgesehen sein, dass die historischen Sensor-Daten des spezifischen Sensors und die historischen Sensor-Daten der Hilfs-Sensoren innerhalb desselben Zeitfensters erfasst wurden. Vorzugsweise sind die einzelnen historischen Sensor-Daten des spezifischen Sensors und aller Hilfs- Sensoren zu jeweils gleichen Zeitpunkten aufgenommen worden und vorzugsweise liegen alle Zeitpunkte innerhalb des Zeitfensters. Beispielsweise nimmt also jeder Sensor pro Zeiteinheit (beispielsweise pro Sekunde) einen Messwert auf. Damit liegt pro Zeiteinheit ein Messwert von jedem Sensor vor. Wenn das Zeitfenster 100 Zeiteinheiten lang ist, umfassen die Sensor-Daten eines jeden Sensors in diesem Fall also 100 Messwerte.

Alternativ oder ergänzend kann auch vorgesehen sein, dass die historischen Sensor-Daten des spezifischen Sensors und/oder der Hilfs-Sensoren die während eines definierten oder definierbaren Zeitraums vor dem Feststellen des Fehlerzustandes empfangenen Empfangs-Sensor-Daten oder als Ursprungs-Sensor-Daten bereitgestellten Daten der jeweiligen Sensoren sind, wobei vorzugsweise (i) innerhalb des Zeitraums weder für den spezifischen Sensor noch für einen der Hilfs-Sensoren ein Fehlerzustand festgestellt wurde und/oder (ii) Sensoren der Vielzahl von Sensoren, für die innerhalb des Zeitraums ein Fehlerzustand festgestellt wurde, nicht als Hilfs-Sensoren ausgewählt werden.

Beispielsweise kann der Zeitraum unmittelbar mit dem Feststellen enden oder bereits früher, insbesondere mit einem definierten oder definierbaren Zeitversatz.

Je größer der Zeitraum gewählt wird, umso mehr Informationen zu den einzelnen Sensoren und deren Verhalten und Eigenschaften stehen als Datenbasis zur Verfügung, auf deren Basis die Ersatz-Sensor- Daten ermittelt werden und/oder auf deren Basis das Datenmodell trainiert werden kann. Mit einem kleineren Zeitraum können die Ersatz-Sensor-Daten vorteilhaft auf Basis des jüngeren Sensor- Verhaltens ermittelt werden. So können längerfristig auftretende Veränderungen in den Sensor- Eigenschaften, etwa aufgrund sich verändernder Umgebungsbedingungen oder fortschreitender Sensor-Alterung, unberücksichtigt bleiben.

Ein vorteilhafter Zeitraum ist 30 Tage oder kürzer, vorzugsweise 14 Tage oder kürzer, vorzugsweise 7 Tage oder kürzer, vorzugsweise 3 Tage oder kürzer, vorzugsweise 1 Tag oder kürzer, vorzugsweise 12 Stunden oder kürzer, vorzugsweise 6 Stunden oder kürzer, vorzugsweise 3 Stunden oder kürzer, vorzugsweise 1 Stunde oder kürzer, und/oder 1 Minute oder länger, vorzugsweise 1 Stunde oder länger, vorzugsweise 3 Stunden oder länger, vorzugsweise 6 Stunden oder länger, vorzugsweise 9 Stunden oder länger, vorzugsweise 12 Stunden oder länger, vorzugsweise 1 Tag oder länger, vorzugsweise 3 Tage oder länger, vorzugsweise 7 Tage oder länger, vorzugsweise 14 Tage oder länger, vorzugsweise 30 Tage oder länger.

Indem als Hilfs-Sensoren nur solche Sensoren ausgewählt werden, für die kein Fehlerzustand festgestellt wurde, kann eine besonders solide Datenbasis für die Ermittlung der Ersatz-Sensor-Daten, insbesondere für das Trainieren des Datenmodells, bereitgestellt werden.

Alternativ oder ergänzend kann auch vorgesehen sein, dass die Sensor-Daten, insbesondere die historischen Sensor-Daten, des spezifischen Sensors zumindest gering korrelieren mit den Sensor- Daten, insbesondere den historischen Sensor-Daten, eines jeden Hilfs-Sensors.

Dadurch wird es besonders voreilhaft ermöglicht, dass basierend auf den Sensor-Daten der Hilfs- Sensoren aussagekräftige Ersatz-Sensor-Daten ermittelt werden können.

Im Sinne der vorliegenden Anmeldung korrelieren die Daten der Sensoren vorzugsweise dann zumindest gering, wenn ein zumindest geringer Zusammenhang zwischen den Daten besteht. Der bestehende Zusammenhang kann beispielsweise über einen Korrelationskoeffizienten der Sensor- Daten bestimmt werden.

Beispielsweise kann ein Korrelationskoeffizient Werte von -1 bis 1 annehmen. Bei -1 liegt vorteilhafterweise ein perfekt negativer Zusammenhang zwischen den Sensor-Daten vor, bei 0 liegt kein Zusammenhang (zumindest kein linearer und damit vorzugsweise kein Zusammenhang im Sinne der vorliegenden Definition) zwischen den Sensor-Daten vor, und bei 1 liegt ein perfekt positiver Zusammenhang zwischen den Sensor-Daten vor.

In einer Ausführungsform liegt eine zumindest schwache Korrelation zwischen den Sensor-Daten vor, wenn ein Korrelationskoeffizient von, insbesondere betragsmäßig, wenigstens 0,1, vorzugsweise wenigstens 0,2, vorzugsweise wenigstens 0,3, vorzugsweise wenigstens 0,4, vorzugsweise wenigstens 0,5, vorzugsweise wenigstens 0,6, vorzugsweise wenigstens 0,7, vorzugsweise wenigstens 0,8, vorzugsweise wenigstens 0,9, vorzugsweise wenigstens 0,95, zwischen den jeweiligen Sensor-Daten besteht.

Alternativ oder ergänzend kann auch vorgesehen sein, dass ein Fehlerzustand bei dem spezifischen Sensor festgestellt wird,

(i) wenn von dem spezifischen Sensor zumindest zeitweise keine Sensor-Daten mehr empfangen werden,

(ii) wenn die von dem spezifischen Sensor empfangenen Empfangs-Sensor-Daten oder ein statistischer Wert davon über oder unter einem definierten oder definierbaren Schwellenwert liegen,

(iii) wenn die von dem spezifischen Sensor empfangenen Empfangs-Sensor-Daten einem definierten oder definierbaren Qualitätsmaß nicht genügen,

(iv) wenn ein Ergebnis einer Prüfung eines elektrischen Widerstands des spezifischen Sensors, insbesondere in Form einer Wägezelle, einen Defekt des Sensors signalisiert, und/oder

(v) wenn ein Wert, insbesondere ein Maximalwert, einer Korrelation zwischen den empfangenen Empfangs-Sensor-Daten des spezifischen Sensors und den empfangenen Empfangs-Sensor-Daten zumindest eines anderen Sensors der Vielzahl von Sensoren, insbesondere der Hilfs-Sensoren, über oder unter einem definierten oder definierbaren Schwellenwert liegt.

Beispielsweise kann das Empfangen der Empfangs-Sensor-Daten von dem spezifischen Sensor durch eine Störung oder einen Ausfall des Übertragungskanals (beispielsweise ein Kabel oder ein Funkkanal) verhindert werden. Dies ist insbesondere im Fall eines Sensors möglich, von dem die Sensor-Daten per Datenkabel oder per Funk über die Luftschnittstelle empfangen werden.

Der statistische Wert kann beispielsweise ein Mittelwert der Sensor-Daten, insbesondere über einen definierten oder definierbaren Zeitraum hinweg, sein.

Ein entsprechendes Qualitätsmaß kann beispielsweise das Rauschverhalten des Sensors und/oder der mit diesem aufgenommenen Sensor-Daten sein. Daher kann es vorteilhaft vorgesehen sein, den Sensor und/oder die Sensor-Daten auf ein Rauschverhalten hin zu überprüfen und vorzugsweise ein Ergebnis der Überprüfung als Qualitätsmaß zu verwenden.

Die Prüfung des elektrischen Widerstands kann dabei vorteilhafterweise mittels einer Prüfeinrichtung, die in Wirkverbindung mit dem Sensor steht oder gebracht wird und/oder von diesem aufgewiesen ist, insbesondere kontinuierlich oder zeitweise, durchgeführt werden.

Beispielsweise kann auch jeweils eine Korrelation zwischen den empfangenen Empfangs-Sensor-Daten des spezifischen Sensors und den empfangenen Empfangs-Sensor-Daten von jedem von zwei oder mehr als zwei, vorzugsweise aller, der anderen Sensors der Vielzahl von Sensoren, insbesondere der Hilfs-Sensoren, durchgeführt werden und ein Fehlerzustand festgestellt werden, wenn eine definierte oder definierbare Anzahl an Korrelationen (jeweils zwischen den Sensor-Daten des spezifischen Sensors und den Sensor-Daten eines anderen Sensors) einen Wert, insbesondere Maximalwert, ergeben, der über oder unter einem definierten oder definierbaren Schwellenwert liegt.

Alternativ oder ergänzend kann auch vorgesehen sein, dass nach dem Feststellen des Fehlerzustandes im Zusammenhang mit dem spezifischen Sensor ein Wegfall des Fehlerzustandes im Zusammenhang mit dem spezifischen Sensor festgestellt wird und daraufhin wieder die Empfangs-Sensor-Daten des spezifischen Sensors empfangen und/oder als Ursprungs-Sensor-Daten des spezifischen Sensors bereitgestellt werden und insbesondere nicht mehr die Ersatz-Sensor-Daten als Ursprungs-Sensor- Daten des spezifischen Sensors bereitgestellt werden.

Damit kann besonders zuverlässig und selbsttätig in einen normalen Betriebsmodus zurückgekehrt werden, wenn die Sensoren, insbesondere der spezifische Sensor, der Sensor-Anordnung wieder ordnungsgemäße Sensor-Daten liefern. Beispielsweise nach einem Austausch oder einer Reparatur des spezifischen Sensors.

Der Wegfall des Fehlerzustandes wird vorzugsweise zeitlich nach dem Feststellen des Fehlerzustandes festgestellt, insbesondere zu einem zweiten Zeitpunkt, der zeitlich nach dem ersten Zeitpunkt liegt.

In einer Ausführungsform werden die ermittelten Ersatz-Sensor-Daten kontinuierlich und/oder in zeitlichen Abständen wiederholt mit den von dem spezifischen Sensor empfangenen Empfangs- Sensor-Daten verglichen und basierend auf einem Ergebnis des Vergleichs der Wegfall des Fehlerzustandes im Zusammenhang mit dem spezifischen Sensor festgestellt. Dadurch können die von dem jeweiligen Datenmodell gelieferten Ersatz-Sensor-Daten auch zu dem weiteren Zweck eingesetzt werden, den wieder ordnungsgemäßen Betrieb des spezifischen Sensors zu erkennen. Daraufhin kann wieder in den Normalbetrieb zurückgekehrt werden und die (von dem spezifischen Sensor) empfangenen Empfangs-Sensor-Daten können wieder als Ursprungs-Sensor-Daten (des spezifischen Sensors) bereitgestellt werden.

Alternativ oder ergänzend kann auch vorgesehen sein, dass die Empfangs-Sensor-Daten von jedem Sensor der Vielzahl von Sensoren kontinuierlich empfangen werden, dass die Empfangs-Sensor-Daten von allen Sensoren der Vielzahl von Sensoren parallel empfangen werden und/oder dass die Ergebnisdaten des ersten trainierten Datenmodells des maschinellen Lernens als Ersatz-Sensor-Daten verwendet werden.

Vorteilhafterweise werden bei einem kontinuierlichen Empfang von Sensor-Daten eines Sensors ständig Sensor-Daten von dem Sensor empfangen. Beispielsweise können die Sensor-Daten dabei Digitalwerte sein, die mit einer bestimmten Taktfrequenz empfangen werden.

Vorteilhafterweise werden bei einem parallelen Empfang von Sensor-Daten mehrerer Sensoren die Sensor-Daten von den mehreren Sensoren über einen oder mehrere Übertragungskanäle parallel empfangen.

Alternativ oder ergänzend kann auch vorgesehen sein, dass für zumindest den spezifischen Sensor ein zweites Datenmodell des maschinellen Lernens in trainierter Form bereitgehalten wird, und wobei das Ermitteln der Ersatz-Sensor-Daten aufweist, mittels des für den spezifischen Sensor bereitgehaltenen zweiten trainierten Datenmodells des maschinellen Lernens die Ersatz-Sensor-Daten, insbesondere zumindest vorübergehend, vorzugsweise zumindest bis das Training des ersten Datenmodells des maschinellen Lernens abgeschlossen ist, zu ermitteln, wobei vorzugsweise das zweite trainierte Datenmodell des maschinellen Lernens identisch mit dem ersten trainierte Datenmodell des maschinellen Lernens ist. Durch den Einsatz des zweiten trainierten Datenmodells können nach Feststellen des Fehlerzustandes ohne großen Zeitversatz (vor allem ohne in bevorzugten Ausführungsformen warten zu müssen, bis ggf. das Training des ersten Datenmodells abgeschlossen ist) die Ersatz-Sensor-Daten mittels des zweiten trainierten Datenmodells ermittelt werden.

Beispielsweise kann das zweite trainierte Datenmodell solange eingesetzt werden, bis das Training des ersten Datenmodells abgeschlossen ist, wobei nach Abschluss des Trainings des ersten Datenmodells dann die Ersatz-Sensor-Daten mittels des ersten trainierten Datenmodells ermittelt werden (und insbesondere nicht mehr mit dem zweiten trainierten Datenmodell des maschinellen Lernens ermittelt werden). Alternativ dazu kann das zweite Datenmodell des maschinellen Lernens identisch zu dem ersten Datenmodell des maschinellen Lernens sein. Das (erste/zweite) Datenmodell, mit dem die Ersatz-Sensor-Daten ermittelt werden, wird also vorteilhafterweise bereits zum Zeitpunkt des Feststellens des Fehlerzustands in trainierter Form einsatzfähig vorgehalten. Die Ersatz-Sensor-Daten werden dann mit diesem Datenmodell ermittelt. Es muss dann nicht mehr zwingend ein Wechsel des trainierten Datenmodells für die Ermittlung der Ersatz-Sensor-Daten erfolgen

Vorzugsweise werden als Eingangsdaten für das zweite trainierte Datenmodell des maschinellen Lernens zumindest teilweise die Empfangs-Sensor-Daten und/oder die Ursprungs-Sensor-Daten zumindest eines der Hilfs-Sensoren, vorzugsweise aller Hilfs-Sensoren, und/oder darauf basierende Daten verwendet und/oder die Ergebnisdaten des zweiten trainierten Datenmodells des maschinellen Lernens werden als Ersatz-Sensor-Daten verwendet.

Vorzugsweise gelten hinsichtlich des Trainings des zweiten Datenmodells die in Bezug auf das Training des ersten Datenmodells gemachten Ausführungen entsprechend. Die entsprechenden Merkmale können daher auch bei dem Training des zweiten Datenmodells einzeln und in beliebiger Kombination vorgesehen sein. Es versteht sich von selbst, dass jedoch der Bezugspunkt der historischen Daten in diesem Fall nicht mehr das Feststellen des Fehlerzustands ist, sondern vorzugsweise durch den Beginn des Trainings des zweiten Datenmodells festgelegt wird. Das heißt, Empfangs-Sensor-Daten, die vor dem besagten Training des zweiten Datenmodells empfangen wurden oder als Ursprungs-Sensor- Daten bereitgestellt wurden, sind in diesem Zusammenhang vorteilhafterweise als historische Sensor- Daten der jeweiligen Sensoren zu verstehen.

Vorzugsweise gelten hinsichtlich des Ermittelns der Ersatz-Sensor-Daten mit dem zweiten Datenmodell die in Bezug auf das Ermitteln der Ersatz-Sensor-Daten mit dem ersten Datenmodells gemachten Ausführungen entsprechend. Die entsprechenden Merkmale können daher auch bei dem Ermitteln der Ersatz-Sensor-Daten mit dem zweiten Datenmodells einzeln und in beliebiger Kombination vorgesehen sein.

Das zweite Datenmodell des maschinellen Lernens in trainierter Form liegt beim Feststellen des Fehlerzustands vorteilhafterweise bereits vor.

Vorzugsweise wird für jeden Sensor der Anordnung jeweils ein solches zweite trainierte Datenmodell des maschinellen Lernens bereitgehalten.

Alternativ oder ergänzend kann auch vorgesehen sein, dass für zumindest den spezifischen Sensor ein drittes Datenmodell des maschinellen Lernens in trainierter Form bereitgehalten wird, vorzugsweise das dritte trainierte Datenmodell des maschinellen Lernens identisch ist zu dem zweiten trainierten Datenmodell des maschinellen Lernens, und wobei mit dem dritten trainierten Datenmodell des maschinellen Lernens zumindest zeitweise, vorzugsweise kontinuierlich, Prüf-Sensor-Daten für den spezifischen Sensor ermittelt und mit den von dem spezifischen Sensor empfangenen Sensor-Daten verglichen werden, und wobei basierend auf einem Ergebnis des Vergleichs ein Fehlerzustand bei dem spezifischen Sensor festgestellt wird. Durch den Einsatz des dritten trainierten Datenmodells liefert sozusagen ein virtueller Sensor laufend Vergleichs-Sensor-Daten, die gegen die Sensor-Daten des spezifischen Sensors geprüft werden können. Somit können Fehlerzustände besonders zuverlässig erkannt werden.

Beispielsweise kann das dritte Datenmodell des maschinellen Lernens identisch zu dem ersten und/oder zweiten Datenmodell des maschinellen Lernens sein. Mit dem (ersten/zweiten/dritten) Datenmodell, mit dem die Prüf-Sensor-Daten bereitgestellt werden, können dann ab dem Zeitpunkt des Feststellens des Fehlerzustands nahtlos die Ersatz-Sensor-Daten bereitgestellt werden.

Vorzugsweise werden als Eingangsdaten für das dritte trainierte Datenmodell des maschinellen Lernens zumindest teilweise die Empfangs-Sensor-Daten und/oder die Ursprungs-Sensor-Daten zumindest eines der Hilfs-Sensoren, vorzugsweise aller Hilfs-Sensoren, und/oder darauf basierende Daten verwendet und/oder die Ergebnisdaten des dritten trainierten Datenmodells des maschinellen Lernens werden als Prüf-Sensor-Daten und/oder Ersatz-Sensor-Daten verwendet.

Vorzugsweise gelten hinsichtlich des Trainings des dritten Datenmodells die in Bezug auf das Training des ersten Datenmodells gemachten Ausführungen entsprechend. Die entsprechenden Merkmale können daher auch bei dem Training des dritten Datenmodells einzeln und in beliebiger Kombination vorgesehen sein. Es versteht sich von selbst, dass jedoch der Bezugspunkt der historischen Daten in diesem Fall nicht mehr das Feststellen des Fehlerzustands ist, sondern vorzugsweise durch den Beginn des Trainings des dritten Datenmodells festgelegt wird. Das heißt, Empfangs-Sensor-Daten, die vor dem besagten Training des dritten Datenmodells empfangen wurden oder als Ursprungs-Sensor-Daten bereitgestellt wurden, sind in diesem Zusammenhang vorteilhafterweise als historische Sensor-Daten der jeweiligen Sensoren zu verstehen.

Vorzugsweise gelten hinsichtlich des Ermittelns der Prüf-Sensor-Daten und/oder der Ersatz-Sensor- Daten mit dem dritten Datenmodell die in Bezug auf das Ermitteln der Ersatz-Sensor-Daten mit dem ersten Datenmodells gemachten Ausführungen entsprechend. Die entsprechenden Merkmale können daher auch bei dem Ermitteln der Prüf-Sensor-Daten und/oder Ersatz-Sensor-Daten mit dem dritten Datenmodells einzeln und in beliebiger Kombination vorgesehen sein.

Vorzugsweise wird für jeden Sensor der Anordnung jeweils ein solches dritte trainierte Datenmodell des maschinellen Lernens bereitgehalten.

Alternativ oder ergänzend kann auch vorgesehen sein, dass die Empfangs-Sensor-Daten und/oder die Ursprungs-Sensor-Daten den einzelnen Sensoren jeweils zugeordnet oder zuordenbar sind und/oder die Ursprungs-Sensor-Daten einem Prozess, einem Modul, einer Vorrichtung und/oder in Form eines Kontrollsignals bereitgestellt werden.

Beispielsweise können also die Empfangs-Sensor-Daten und/oder Ursprungs-Sensor-Daten nach Sensoren geordnet vorliegen und/oder die Herkunft der Ursprungs-Sensor-Daten ist zu den einzelnen Sensoren auf andere Weise bekannt.

Das Bereitstellen der Ursprungs-Sensor-Daten kann allgemein gesprochen das Bereitstellen der Daten für eine Entität (welche vorzugsweise in Software, in Hardware oder einer Kombination aus beidem realisiert sein kann) aufweisen. Damit können also andere Entitäten, etwa Software- und/oder Hardware-Module, Prozesse, Funktionalitäten, Softwarefunktionen und/oder Vorrichtungen, wie Anlagen und Maschinen, auf diese Sensor-Daten zugreifen und/oder diese Sensor-Daten erhalten. Besonders flexibel ist es, wenn die Ursprungs-Sensor-Daten als Kontrollsignal bereitgestellt werden. Solch ein Kontroll-Signal kann beispielsweise digitaler und/oder analoger Natur sein. Das Kontroll- Signal kann optional mehrere Sub-Kontroll-Signale aufweisen, insbesondere so viele wie es Sensoren in der Anordnung gibt. Beispielsweise kann dann jedes Sub-Kontroll-Signal die Ursprungs-Sensor-Daten eines einzigen Sensors der Anordnung repräsentieren.

Alternativ oder ergänzend kann auch vorgesehen sein, dass die Sensor-Anordnung zwei oder mehr als zwei, insbesondere drei oder mehr als drei, insbesondere vier oder mehr als vier, insbesondere fünf oder mehr als fünf, insbesondere sechs oder mehr als sechs, insbesondere sieben oder mehr als sieben, insbesondere acht oder mehr als acht, insbesondere neun oder mehr als neun, insbesondere zehn oder mehr als zehn, Sensoren aufweist, und/oder wobei alle Sensoren der Anordnung vom gleichen Typ sind.

Beispielsweise sind die Sensoren der Anordnung, insbesondere der spezifische Sensor und die Hilfs- Sensoren, alle oder zumindest teilweise vom Typ Strommesssensor, Spannungsmesssensor, Kraftsensor, Wägezelle, Beschleunigungssensor, Bewegungssensor, Geschwindigkeitssensor, Drehzahlsensor, Temperatursensor, Ultraschallsensor und/oder Wirbelstromsensor sein.

Die Aufgabe wird durch die Erfindung gemäß einem zweiten Aspekt dadurch gelöst, dass eine Einrichtung zur Datenverarbeitung, insbesondere aufweisend eine oder mehrere Schnittstellen zum Empfangen von Sensor-Daten von einer Vielzahl von Sensoren, wobei die Einrichtung dazu angepasst ist, ein Verfahren gemäß dem ersten Aspekt der Erfindung auszuführen, vorgeschlagen wird.

Die Einrichtung zur Datenverarbeitung kann beispielsweise in Software, in Hardware oder einer Kombination von beidem realisiert sein. Die Einrichtung zur Datenverarbeitung kann alternativ oder ergänzend einen Speicher (insbesondere zum Speichern des ersten, des zweiten und/oder des dritten Datenmodells des maschinellen Lernens), einen Prozessor, eine Empfangseinrichtung, eine Sendeeinrichtung (beispielsweise zum Senden der Ursprungs-Sensor-Daten, insbesondere das Kontrollsignal, an eine interne oder externe Entität) oder eine beliebige Kombination davon aufweisen. Die Einrichtung zur Datenverarbeitung weist vorzugsweise eine oder mehrere Schnittstellen zum Empfangen von Sensor-Daten von einer Vielzahl von Sensoren (insbesondere der Vielzahl von Sensoren der in dem Verfahren gemäß dem ersten Aspekt der Erfindung eingesetzten Sensor- Anordnung) auf.

Die Aufgabe wird durch die Erfindung gemäß einem dritten Aspekt dadurch gelöst, dass eine Sensor- Anordnung, insbesondere in Form einer Vielzahl von Sensoren, die dazu angepasst ist, in einem Verfahren gemäß dem ersten Aspekt der Erfindung eingesetzt zu werden und/oder mit einer Einrichtung zur Datenverarbeitung gemäß dem zweiten Aspekt der Erfindung zusammenzuwirken, vorgeschlagen wird.

Die in Bezug auf den ersten Aspekt der Erfindung gemachten Ausführungen gelten dabei auch in Bezug auf den dritten Aspekt der Erfindung, soweit sich aus dem Zusammenhang nicht etwas anderes ergibt. Insbesondere alle Vorteile und Merkmale, die in Bezug auf die in einem Verfahren gemäß dem ersten Aspekt der Erfindung eingesetzten Sensor-Anordnung erläutert wurden, gelten ganz entsprechend auch hier. Es kann daher insoweit auf die vorherigen Ausführungen verwiesen werden.

Daher können in bevorzugten Ausführungsformen auch alle Merkmale, die in Bezug auf die in einem Verfahren gemäß dem ersten Aspekt der Erfindung eingesetzten Sensor-Anordnung erläutert wurden, einzeln und in beliebiger Kombination, bei der Sensor-Anordnung gemäß dem dritten Aspekt der Erfindung vorgesehen sein.

Die Aufgabe wird durch die Erfindung gemäß einem vierten Aspekt dadurch gelöst, dass eine Vorrichtung, insbesondere Maschine, mit einer daran angeordneten Sensor-Anordnung gemäß dem dritten Aspekt der Erfindung und/oder aufweisend eine solche Sensor-Anordnung und/oder aufweisend eine Einrichtung zur Datenverarbeitung gemäß dem zweiten Aspekt der Erfindung, vorgeschlagen wird.

Die in Bezug auf den ersten und zweiten Aspekt der Erfindung gemachten Ausführungen gelten dabei auch in Bezug auf den vierten Aspekt der Erfindung, soweit sich aus dem Zusammenhang nicht etwas anderes ergibt. Insbesondere alle Vorteile und Merkmale, die in Bezug auf die in einem Verfahren gemäß dem ersten Aspekt der Erfindung eingesetzten Sensor-Anordnung und in Bezug auf eine Sensor- Anordnung gemäß dem dritten Aspekt der Erfindung sowie alternativ oder ergänzend die in Bezug auf eine Einrichtung zur Datenverarbeitung gemäß dem zweiten Aspekt der Erfindung erläutert wurden, gelten ganz entsprechend auch hier. Es kann daher insoweit auf die vorherigen Ausführungen verwiesen werden.

Daher können in bevorzugten Ausführungsformen auch alle Merkmale, die in Bezug auf die in einem Verfahren gemäß dem ersten Aspekt der Erfindung eingesetzten Sensor-Anordnung, die in Bezug auf die Sensor-Anordnung gemäß dem dritten Aspekt der Erfindung und/oder die in Bezug auf die Einrichtung zur Datenverarbeitung gemäß dem zweiten Aspekt der Erfindung erläutert wurden, einzeln und in beliebiger Kombination bei der Sensor-Anordnung und/oder der Einrichtung zur Datenverarbeitung der Vorrichtung gemäß dem vierten Aspekt der Erfindung vorgesehen sein.

Vorzugsweise ist die Vorrichtung eine Förder-, Mess-, Wäge-, Mahl-, Misch-, Filter-, Sieb-, Trocken- und/oder Dosiervorrichtung oder weist diese auf.

Alternativ oder ergänzend kann auch vorgesehen sein, dass (i) die Vorrichtung eine Plattformwaage ist oder aufweist und/oder die Sensoren der Sensor-Anordnung Wägezellen sind, (ii) die Vorrichtung ein Sieb ist oder aufweist und/oder die Sensoren der Sensor-Anordnung Bewegungs- und/oder Beschleunigungssensoren sind, (iii) die Vorrichtung eine Dosiervorrichtung ist oder aufweist und/oder die Sensoren der Sensor-Anordnung Drehzahlsensoren und/oder Wägezellen sind, (iv) die Vorrichtung eine Bandwaage ist oder aufweist und/oder die Sensoren der Sensor-Anordnung Wägezellen sind und/oder (v) die Vorrichtung eine Kranwaage ist oder aufweist und/oder die Sensoren der Sensor- Anordnung Kraftsensoren, insbesondere Wägezellen, sind.

Kurze Beschreibung der Zeichnungen

Weitere Merkmale und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung, in der bevorzugte Ausführungsformen der Erfindung anhand schematischer Zeichnungen erläutert werden.

Dabei zeigen:

Fig. 1 eine schematische Ansicht einer Sensor-Anordnung gemäß dem dritten Aspekt der

Erfindung zusammen mit einer Einrichtung zur Datenverarbeitung gemäß dem zweiten Aspekt der Erfindung;

Fig. 2 eine schematische Ansicht einer Vorrichtung gemäß dem vierten Aspekt der Erfindung;

Fig. 3 ein Ablaufdiagramm eines Verfahrens gemäß dem ersten Aspekt der Erfindung; und

Fig. 4 Verläufe von realen Sensor-Daten und berechneten Ersatz-Sensor-Daten im Vergleich. Beschreibung der Ausführungsformen

Fig. 1 zeigt eine schematische Ansicht einer Sensor-Anordnung 1 gemäß dem dritten Aspekt der Erfindung, die in Wirkverbindung mit einer Einrichtung zur Datenverarbeitung 3 gemäß dem zweiten Aspekt der Erfindung steht.

Die Sensor-Anordnung 1 weist vier identische Sensoren 5a..d, jeweils in Form einer Wägezelle, auf. Jeder Sensor 5a..d ist über jeweils ein Übertragungskanal 7a..d, jeweils in Form eines Kabels, mit einer Schnittstelle 9a..d der Einrichtung 3 verbunden. Die Einrichtung 3 ist dazu eingerichtet, ein Verfahren gemäß dem ersten Aspekt der Erfindung auszuführen.

Die Sensor-Anordnung 1 kann vorteilhaft bei einer Plattformwaage eingesetzt werden, wie sie durch die in der Fig. 2 schematisch illustrierten Vorrichtung 11 gemäß dem vierten Aspekt der Erfindung realisiert und in Fig. 2 zusammen mit der Einrichtung zur Datenverarbeitung 3 dargestellt ist. Die Plattformwaage weist dabei eine Auflagefläche 13 auf, auf die ein zu wiegendes Objekt platziert werden kann und die auf den Sensoren 5a..d (die in Fig. 2 von der Auflagefläche 13 verdeckt sind und daher dort nur gestrichelt eingezeichnet sind) der Sensor-Anordnung 1 gelagert ist. Wenn ein Objekt auf der Auflagefläche 13 platziert ist, wirkt aufgrund dessen Gewichtskraft auf die Sensoren 5a..d eine Kraft ein. Jeder Sensor 5a..d erzeugt dabei zu der jeweiligen Krafteinwirkung korrespondierende Sensor-Daten in Form von digitalen Messwerten.

Fig. 3 zeigt ein Ablaufdiagramm 100 eines Verfahrens gemäß dem ersten Aspekt der Erfindung.

In 101 werden während des Betriebs der Sensor-Anordnung 1 von der Einrichtung 3 über die Übertragungskanäle 7a..d Sensor-Daten der einzelnen Sensoren 5a..d als Empfangs-Sensor-Daten empfangen und als Ursprungs-Sensor-Daten bereitgestellt (etwa einem Prozess innerhalb einer Software). Im Fall von Wägezellen wird dabei je nach der zeitabhängig auf die einzelnen Sensoren einwirkende Kraft variieren auch die empfangenen Sensor-Daten entsprechend über der Zeit. Dabei werden von allen Sensoren kontinuierlich die aktuellen Sensor-Daten parallel empfangen. Zumindest während eines fehlerfreien Betriebs der Sensor-Anordnung 1 sind vorteilhafterweise die empfangenen Empfangs-Sensor-Daten eines jeden Sensors identisch zu den bereitgestellten Ursprungs-Sensor- Daten des jeweiligen Sensors.

Aufgrund eines Ausfalls eines der Sensoren, etwa Sensor 5a, der insoweit zur besseren Bezugnahme dann als spezifischer Sensor bezeichnet wird, werden von der Einrichtung 3 ab einem bestimmten Zeitpunkt keine Sensor-Daten mehr von dem spezifischen Sensor 5a empfangen. Der Ausfall des Sensors kann beispielsweise durch einen Defekt innerhalb des spezifischen Sensors 5a oder eine (etwa physische) Unterbrechung des Übertragungskanals 7a (beispielsweise wegen eines durchgetrennten Kabels) verursacht sein.

Aufgrund des Umstandes, dass von dem spezifischen Sensor 5a keine Sensor-Daten mehr empfangen werden, wird in 103 ein Fehlerzustand im Zusammenhang mit dem spezifischen Sensors 5a festgestellt.

In 105 wird daraufhin ein Training eines ersten Datenmodells des maschinellen Lernens durchgeführt.

Dazu werden die übrigen drei Sensoren 5b..d der Anordnung 1 als Hilfs-Sensoren ausgewählt und deren Empfangs-Sensor-Daten der letzten zwei Tage vor dem Feststellen des Fehlerzustandes als Eingangsdaten für das Trainieren verwendet. Gleichzeitig werden die Empfangs-Sensor-Daten des spezifischen Sensors 5a der letzten zwei Tage vor dem Feststellen des Fehlerzustandes als mit den Eingangsdaten assoziierten Wahrheits-Daten für das Trainieren verwendet. Die Empfangs-Sensor- Daten der letzten zwei Tage sind dabei also historische Sensor-Daten. Dabei wird ein linearer Zusammenhang zwischen den historischen Sensor-Daten des spezifischen Sensors 5a einerseits und den historischen Sensor-Daten der Hilfs-Sensoren 5b..d andererseits angenommen.

Es wird dabei darauf geachtet, dass in dem Zeitraum, aus dem die historischen Sensor-Daten der Sensoren 5a..d stammen, also die letzten zwei Tage, für keinen der Sensoren 5a..d ein Fehlerzustand festgestellt wurde. Wenn dies der Fall gewesen wäre, hätte beispielsweise ein kürzerer und/oder zeitlich verschobener Zeitraum ausgewählt werden können, in dem dann kein Fehlerzustand festgestellt worden wäre und dann hätten die historischen Sensor-Daten der Sensoren 5a..d aus diesem Zeitraum verwendet werden können.

Sobald das Training des ersten Datenmodells des maschinellen Lernens abgeschlossen ist, werden in 107 die Empfangs-Sensor-Daten der Hilfs-Sensoren 5b..d als Eingangsdaten für das erste Datenmodell verwendet. Die dabei durch die Berechnung des trainierten Datenmodells als Ersatz-Sensor-Daten erhaltenen Ergebnisdaten werden als Ursprungs-Sensor-Daten des spezifischen Sensors 5a bereitgestellt. Das heißt, während die bereitgestellten Ursprungs-Sensor-Daten der Hilfs-Sensoren 5b..d weiterhin die von diesen Sensoren 5b..d empfangenen Empfangs-Sensor-Daten sind, sind die bereitgestellten Ursprungs-Sensor-Daten des spezifischen Sensors 5a die ermittelten Ersatz-Sensor- Daten.

Nach einer gewissen Zeit funktioniert der Sensor 5a wieder ordnungsgemäß, etwa da der defekte Sensor 5a repariert oder ausgetauscht wurde, so dass von der Einrichtung 3 wieder Sensor-Daten von dem spezifischen Sensor 5a empfangen werden.

In 109 wird daher ein Wegfall des Fehlerzustandes in Zusammenhang mit dem spezifischen Sensor 5a festgestellt. Daraufhin werden wieder die Empfangs-Sensor-Daten des spezifischen Sensors 5a empfangen und als Ursprungs-Sensor-Daten des spezifischen Sensors 5a bereitgestellt werden. Insbesondere werden also nicht mehr die Ersatz-Sensor-Daten verwendet. Daher kann beispielsweise dann auch der Einsatz des ersten trainierten Datenmodells des maschinellen Lernens beendet werden. Die empfangenen Empfangs-Sensor-Daten eines jeden Sensors sind dann wieder identisch zu den bereitgestellten Ursprungs-Sensor-Daten des jeweiligen Sensors.

Fig. 4 zeigt den Verlauf von den von einem realen Sensor einer erfindungsgemäßen Sensor-Anordnung empfangenen Sensor-Daten (Kurve A) während eines bestimmten Zeitraums zusammen mit dem Verlauf von für diesen Zeitraum mittels eines trainierten Datenmodells des maschinellen Lernens berechneten Ersatz-Sensor-Daten für ebendiesen realen Sensor (Kurve B). Die Sensor-Anordnung hatte dabei vier Sensoren. Das eingesetzte Datenmodells des maschinellen Lernens wurde anhand historischer Sensor-Daten der vier Sensoren in vergleichbarer Weise wie das in dem in Bezug auf das Ablaufdiagramm der Fig. 3 beschriebene Verfahren eingesetzte erste Datenmodell des maschinellen Lernens trainiert. Während des im Diagramm der Fig. 4 dargestellten Zeitraums (Zeitachse T) wurde das trainierte Datenmodell des maschinellen Lernens mit den aktuellen Sensor-Daten der übrigen drei Sensoren berechnet, um die dargestellten Ersatz-Sensor-Daten (Kurve B) für den Sensor zu ermitteln.

Der nahezu identische Verlauf der beiden Kurven A und B bestätigt die besonders vorteilhafte und zuverlässige Arbeitsweise des vorgeschlagenen Verfahrens gemäß dem ersten Aspekt der Erfindung für den Betrieb einer Sensor-Anordnung.

Die in der vorangehenden Beschreibung, in den Zeichnungen und in den Ansprüchen offenbarten Merkmale können sowohl einzeln als auch in beliebiger Kombination wesentlich für die Erfindung in ihren verschiedenen Ausführungsformen sein. Bezugszeichenliste

1 Sensor-Anordnung

3 Einrichtung zur Datenverarbeitung

5a Spezifischer Sensor

5b, 5c, 5d Hilfs-Sensor

7a, 7b, 7c, 7d Übertragungskanal

9a, 9b, 9c, 9d Schnittstelle

11 Vorrichtung

13 Auflagefläche

100 Ablaufdiagramm

101 Empfangen von Sensor-Daten einer Vielzahl von Sensoren und Bereitstellen dieser als Ursprungs-Sensor-Daten der einzelnen Sensoren

103 Feststellen eines Fehlerzustands im Zusammenhang mit einem spezifischen Sensor der Vielzahl von Sensoren

105 Trainieren eines ersten Datenmodells des maschinellen Lernens anhand historischer Sensor-Daten der Vielzahl von Sensoren

107 Ermitteln von Ersatz-Sensor-Daten mittels des ersten trainierten Datenmodells des maschinellen Lernens und Bereitstellen der Ersatz-Sensor- Daten anstelle der Sensor-Daten des spezifischen Sensors als Ursprungs- Sensor-Daten des spezifischen Sensors

109 Feststellen eines Wegfalls des Fehlerzustandes im Zusammenhang mit dem spezifischen Sensor und empfangen und Bereitstellen wieder von Sensor- Daten des spezifischen Sensors als Ursprungs-Sensor-Daten des spezifischen Sensors

A, B Verlauf von Sensor-Daten

X, T Diagrammachse