Computer-Implementiertes Verfahren zur Erkennung von Abweichungen in einem Herstellungsprozess Die Erfindung betrifft ein computer-implementiertes Verfah- ren, eine Rechenvorrichtung und ein System zur Erkennung von Abweichungen in einem Herstellungsprozess mit Prozessparame- tern, wobei eine Rechenvorrichtung mit einem Speicher vorge- sehen ist. Ferner betrifft die Erfindung ein Computerprogramm, einen elektronisch lesbaren Datenträger und ein Datenträgersignal. Chargenprozesse (engl. „batch“) finden sich im Allgemeinen in Industrien, die kleine Materialmengen herstellen, die durch chemische, elektrochemische oder biologische Reaktionen her- gestellt werden. Die Steuerung von Chargenprozessen ist ein sehr komplexer und kontinuierlicher Prozess. Eine „Goldene Charge“, definiert als Referenz. Die Goldene Chargen-Kennzeichnung ermöglicht es, eine Anlagenprozess- Betriebskurve zu erreichen, welche ein optimale Produktmi- schung zusammen mit einer verbesserten Qualität des Endpro- dukts liefert. Eine Hauptkomponentenanalyse (PCA, engl. „Principle Component Analysis“) ist das Werkzeug zur Analyse des Datensatzes. Die Hauptkomponentenanalyse (PCA) wird zur Dimensionsreduktion verwendet. Das bedeutet, dass der Golden Batch in Echtzeit in einem 2D-Plot beobachtet und beispielsweise die Abweichung des 95 Konfidenzintervalls (CI) vom Golden Batch ermittelt werden kann. Eine Abweichung zeigt dann an, dass ein Eingriff in den Prozess notwendig ist. In derzeitige Verfahren können jedoch Nachteile auftreten. So ist beispielsweise mit der Hauptkomponentenanalyse die Iden- tifizierung einzelner Driftparameter nicht möglich, lediglich aufwändige nachträgliche statistische Messungen. Ferner können häufig ein einzelner abweichender Prozesspara- meter oder eine kleine Anzahl von abweichenden Prozessparame- tern nicht erkannt werden, da sie die Hauptkomponentenanalyse nicht dazu bringen, Grenzen der Analyse zu überschreiten. Außerdem haben Batch-Prozesse oft eine unterschiedliche Rei- fezeit, da die Hauptkomponentenanalyse pro Zeitpunkt berech- net wird, wobei eine Berücksichtigung der Chargenreife erfor- derlich ist. Es ist daher Aufgabe der Erfindung die genannten Nachteile zu überwinden. Die erfindungsgemäße Aufgabe wird durch ein Verfahren ein- gangs genannter Art gelöst, wobei folgende Schritte ausführt werden: a) Bereitstellen von Referenz-Prozessdaten eines Referenz- Herstellungsprozesses, welcher Referenz-Parameter des Her- stellungsprozesses umfasst, an die Rechenvorrichtung, b) Erzeugen und Trainieren eines Prozess-Modells mit Modell- Knoten und zugeordneten Modell-Gewichten auf Basis eines Autoencoders mit den Referenz-Prozessdaten, c) Zumindest teilweises Zuordnen von Modell-Knoten des Pro- zess-Modells zu Prozessparametern des Herstellungsprozes- ses, d) Bereitstellen von aktuellen Prozessdaten aus einem aktuel- len Herstellungsprozess, welcher aktuelle Parameter des Herstellungsprozesses umfasst, an die Rechenvorrichtung, e) Ermitteln von Prozess-Abweichungen der aktuellen Prozess- daten mithilfe des Prozess-Modells durch Bestimmung eines Rekonstruktionsfehlers durch die Rechenvorrichtung, und Ausgeben der Modell-Gewichte der Modell-Knoten, sowie Er- mitteln individueller Beiträge von Modell-Knoten an den Prozess-Abweichungen und Bestimmen zumindest eines indivi- duellen Beitrags, welcher außerhalb eines vorbestimmten Wertebereichs für den jeweiligen Beitrag liegt, f) Schätzen des zukünftigen Verlaufs des Rekonstruktionsfeh- lers aus dem aktuell bestimmten Rekonstruktionsfehler und zumindest eines vorher bestimmten Rekonstruktionsfehlers für eine vorbestimmte Zeitdauer, und Speichern des Rekon- struktionsfehler im Speicher als zumindest ein vorher be- stimmter Rekonstruktionsfehler für eine nachfolgende Schätzung, g) Prüfen, ob der geschätzte zukünftige Verlauf des Rekon- struktionsfehlers für die vorbestimmte Zeitdauer innerhalb eines vorbestimmten Wertebereichs liegt, falls Ja, fort- setzen bei Schritt d), sonst Ausgeben eines Alarms und Übermitteln des im Schritt e) ermittelten zumindest eines individuellen Beitrags an den Referenz-Herstellungsprozess und Verwenden bei einem nachfolgenden Herstellungsprozess im Schritt d). Dadurch ist es möglich, individuelle Abweichungen in Prozess- Parametern zu identifizieren. Ferner ist es möglich, die Reaktionszeit, also die Zeit bis zum Ergreifen einer entsprechend notwendigen Maßnahme, zu er- fassen. Außerdem wird eine Feedback-Schleife mit einem Kontrollsystem geschaffen, um eine entsprechende Maßnahme zu ergreifen, so- wie eine Rückmeldung von Drift-Parametern zu erlauben. Die Rechenvorrichtung kann also beispielsweise bei einem Alarm dem Herstellungsprozess durch eine Rückkoppelschleife melden, dass sich der Herstellungsprozess aktuell vom Refe- renz-Herstellungsprozess unterscheidet und dementsprechende Maßnahmen können rasch ausgeführt werden, um den Herstel- lungsprozess wieder dem Referenz-Herstellungsprozess anzunä- hern. Dies kann durch Stellgrößen erfolgen, beispielsweise indem ein Bearbeitungsgeschwindigkeit innerhalb des Referenz- Herstellungsprozesses angepasst wird. Dadurch folgt, dass keine weiteren Beurteilungen zur Chargen- reife mehr notwendig sind. Unter einem individuellen Beitrag von Modell-Knoten wird eine Teilmenge von Modell-Knoten verstanden, welche in einem Zu- sammenhang mit zumindest einem Prozessparameter des Herstel- lungsprozesses stehen. Dadurch kann gezielt und individuell auf einen ausgewählten, beispielsweise auch vorbestimmten Prozessparameter eingewirkt werden, beispielsweise indem je- ner Modell-Knoten identifiziert wird, der den signifikantes- ten Beitrag zu einem Prozessparameter liefert, wobei zur Feststellung des signifikantesten Beitrags beispielsweise ein vorbestimmter Wertebereich für diesen Beitrag angewandt wird. Ein „logischer“ Prozessparameter kann dabei durch einen oder mehrere Modell-Knoten repräsentiert werden, wobei auch eine Überlappung mit anderen Prozessparametern möglich ist. Ein Autoencoder ist ein künstliches neuronales Netz, welches dazu genutzt wird, effiziente Codierungen zu lernen. Das Ziel eines Autoencoders ist es, eine komprimierte Repräsentati- on (Encoding) für einen Satz Daten zu lernen und somit auch wesentliche Merkmale zu extrahieren. Dadurch kann er zur Di- mensionsreduktion genutzt werden. Ein Autoencoder benutzt drei oder mehr Schichten, nämlich ei- ne Eingabeschicht mit Eingabe-Knoten oder Neuronen, einige signifikant kleinere Schichten, die das Encoding bilden, und eine Ausgabeschicht, in der jedes Neuron die gleiche Bedeu- tung hat wie das entsprechende in der Eingabeschicht. Wenn lineare Neuronen, das heißt lineare Modell-Knoten, be- nutzt werden, ist ein Autoencoder einer Hauptkomponentenana- lyse sehr ähnlich. In einer Weiterbildung der Erfindung ist es zusätzlich vorge- sehen, dass im Autoencoder nichtlineare Modell-Knoten verwen- det werden. Nichtlinearität von Neuronen, das heißt nichtlineare Modell- Knoten, bedeutet, dass die Ausgabe an einem beliebigen Neuron nicht aus einer linearen Funktion der Eingabe reproduziert werden kann. Dies wird durch die Verwendung einer geeigneten Aktivierungs- funktion erreicht, wie zum Beispiel eine Sigmoid- oder eine ReLU-Funktion. Eine Sigmoidfunktion, Schwanenhalsfunktion, Fermifunktion oder S-Funktion ist eine mathematische Funktion mit einem S- förmigen Graphen. Im Allgemeinen ist eine Sigmoidfunktion ei- ne beschränkte und differenzierbare reelle Funktion mit einer durchweg positiven oder durchweg negativen ersten Ableitung und genau einem Wendepunkt. Sigmoidfunktionen können in künstlichen neuronalen Netzen als Aktivierungsfunktion ver- wendet werden, da der Einsatz von differenzierbaren Funktio- nen die Verwendung von Lernmechanismen ermöglicht. Als Akti- vierungsfunktion eines künstlichen Neurons wird die Sigmoid- funktion auf die Summe der gewichteten Eingabewerte angewen- det, um die Ausgabe des Neurons zu erhalten. Im Kontext künstlicher neuronaler Netze ist ein „Rectifier“ (deutsch „Gleichrichter“) eine Aktivierungsfunktion eines künstlichen Neurons. Diese Aktivierungsfunktion kann genutzt werden, um spezifische Erregung und unspezifische Hemmung zu trennen. Ein Training tiefer Netzwerke mit rektifizierenden Aktivierungsfunktionen ist erfolgreicher als beispielsweise mit der Sigmoidfunktion. Eine Einheit, die den Rectifier ver- wendet, wird auch als „rectified linear unit“ (ReLU) bezeich- net. Durch eine Nichtlinearität in Aktivierungsfunktionen in einem neuronalen Netzwerk kann eine nichtlineare Entscheidungsgren- ze über nichtlineare Kombinationen des Gewichts und der Ein- gaben erzeugt werden und im Gegensatz zur Hauptkomponen- tenanalyse können komplexere, nichtlineare Zusammenhänge zwi- schen den Prozessparametern abgebildet werden. In einer Weiterbildung der Erfindung ist es vorgesehen, dass der zumindest eine vorher bestimmte Rekonstruktionsfehler im Schritt f) Null beträgt, falls der Verfahrensschritt f) erst- malig ausgeführt wird. In einer Weiterbildung der Erfindung ist es vorgesehen, dass das Schätzen mithilfe eines Regressionsverfahrens erfolgt. In einer Weiterbildung der Erfindung ist es vorgesehen, dass das Prozess-Modell ferner Eingangs-Knoten mit jeweiligen Ein- gangs-Gewichten, welche über alle Eingangs-Gewichte normiert sind, und Ausgangs-Knoten mit jeweiligen Ausgangs-Gewichten, welche über alle Ausgangs-Gewichte normiert sind, umfasst, zwischen welchen die Modell-Knoten gebildet sind, und der zu- mindest ein individueller Beitrag von Modell-Knoten an den Prozess-Abweichungen ermittelt wird, indem jeweils ein Mo- dell-Gewicht für zumindest einen individueller Eingangs- Knoten und zumindest einen individueller Ausgangs-Knoten, welche jeweils über alle Eingangs-Knoten bzw. jeweils über alle Ausgangs-Knoten normiert sind, mit einem jeweiligen vor- bestimmten Wertebereich für das jeweilige Modell-Gewicht ver- glichen werden, und der zumindest eine individuelle Beitrag jenem zumindest jenem Knoten entspricht, dessen Gewicht im vorbestimmten Wertebereich liegt. Die erfindungsgemäße Aufgabe wird auch durch eine Rechenvor- richtung zur Erkennung von Abweichungen in einem Herstel- lungsprozess mit Prozessparametern gelöst, umfassend eine Re- chenvorrichtung mit einem Speicher, welche dazu eingerichtet ist das erfindungsgemäße Verfahren auszuführen. Die erfindungsgemäße Aufgabe wird auch durch ein System zur Erkennung von Abweichungen in einem Herstellungsprozess mit Prozessparametern gelöst, umfassend eine Produktionsanlage und eine erfindungsgemäße Vorrichtung. Die erfindungsgemäße Aufgabe wird auch durch ein Computerpro- gramm gelöst, umfassend Befehle, welche bei deren Ausführung durch einen Computer diesen veranlassen, das erfindungsgemäße Verfahren auszuführen. Die erfindungsgemäße Aufgabe wird auch durch einen elektro- nisch lesbaren Datenträger mit darauf gespeicherten lesbaren Steuerinformationen gelöst, welche zumindest das erfindungs- gemäße Computerprogramm umfassen und derart ausgestaltet sind, dass sie bei Verwendung des Datenträgers in einer Re- cheneinrichtung das erfindungsgemäße Verfahren durchführen. Die erfindungsgemäße Aufgabe wird auch durch ein Datenträger- signal gelöst, welches das erfindungsgemäße Computerprogramm überträgt. Die Erfindung wird nachfolgend anhand eines in den beige- schlossenen Zeichnungen dargestellten Ausführungsbeispiels näher erläutert. In den Zeichnungen zeigt: Fig. 1 ein Ausführungsbeispiel für ein Flussdiagramm für das erfindungsgemäße Verfahren, Fig. 2 ein Ausführungsbeispiel für ein erfindungsgemäßes System, Fig. 3 ein Beispiel für ein Autoencoder-Prozess-Modell. Fig. 1 zeigt ein Ausführungsbeispiel für ein Flussdiagramm für das erfindungsgemäße Verfahren. Das Verfahren zur Erkennung von Abweichungen in einem Her- stellungsprozess mit Prozessparametern ist in einer Rechen- vorrichtung CPU mit einem Speicher MEM computer- implementiert. Ein Prozessparameter kann beispielsweise Betriebstemperatur, Betriebsdruck, Stromaufnahme oder Produkteigenschaften des hergestellten Produkts wie erfasste Abmessungen des herge- stellten Produkts sein. Ein Prozessparameter kann durch eine Messgröße mithilfe eines entsprechenden Sensor-Mittels durch eine Rechenvorrichtung erfasst werden, sowie durch eine Stellgröße mithilfe eines entsprechenden Aktuator-Mittels beispielsweise durch eine Re- chenvorrichtung gesteuert werden. Der Herstellungsprozess mit Prozessparametern kann beispiels- weise mehrere Prozessschritte aufweisen, welche durch die Prozessparameter einzeln oder gemeinsam konfigurierbar sind. Es ist aber auch möglich, dass die Prozessparameter lediglich einen einzigen Prozessschritt spezifizieren. Ferner sind Kombinationen von mehreren Prozessparametern mit einem oder mehreren Prozessschritten möglich. Folgende Schritte werden dabei ausführt: a) Bereitstellen von Referenz-Prozessdaten eines Referenz- Herstellungsprozesses, welcher Referenz-Parameter des Her- stellungsprozesses umfasst, an die Rechenvorrichtung CPU, b) Erzeugen und Trainieren eines Prozess-Modells PM mit Mo- dell-Knoten MK _i und zugeordneten Modell-Gewichten ^^ ^^ _^ auf Basis eines Autoencoders mit den Referenz-Prozessdaten, wobei der Autoencoder auf linearen oder nichtlinearen Mo- dell-Knoten MK _i basiert, c) Zumindest teilweises Zuordnen von Modell-Knoten des Pro- zess-Modells zu Prozessparametern des Herstellungsprozes- ses, d) Bereitstellen von aktuellen Prozessdaten aus einem aktuel- len Herstellungsprozess, welcher aktuelle Parameter des Herstellungsprozesses umfasst, an die Rechenvorrich- tung CPU, e) Ermitteln von Prozess-Abweichungen der aktuellen Prozess- daten mithilfe des Prozess-Modells durch Bestimmung eines Rekonstruktionsfehlers und Ausgeben der Modell- Gewichte MG _i der Modell-Knoten MK _i , sowie Ermitteln indi- vidueller Beiträge von Modell-Knoten an den Prozess- Abweichungen und Bestimmen zumindest eines individuellen Beitrags, welcher außerhalb eines vorbestimmten Wertebe- reichs für den jeweiligen Beitrag liegt, f) Schätzen des zukünftigen Verlaufs des Rekonstruktionsfeh- lers aus dem aktuell bestimmten Rekonstruktionsfehler und zumindest eines vorher bestimmten Rekonstruktionsfehlers für eine vorbestimmte Zeitdauer, und Speichern des Rekon- struktionsfehler im Speicher MEM als zumindest ein vorher bestimmter Rekonstruktionsfehler für eine nachfolgende Schätzung, g) Prüfen, ob der geschätzte zukünftige Verlauf des Rekon- struktionsfehlers für die vorbestimmte Zeitdauer innerhalb eines vorbestimmten Wertebereichs liegt, falls ja, fort- setzen bei Schritt d), sonst Ausgeben eines Alarms AL und Übermitteln des im Schritt e) ermittelten zumindest eines individuellen Beitrags an den Referenz-Herstellungsprozess und Verwenden bei einem nachfolgenden Herstellungsprozess im Schritt d). Durch die Schritte d) bis g) ist eine bedingte Wiederholungs- schleife gebildet. Das Übermitteln des im Schritt e) ermittelten zumindest eines individuellen Beitrags an den Referenz-Herstellungsprozess und Verwenden bei einem nachfolgenden Herstellungsprozess im Schritt d) stellt eine weitere Wiederholungsschleife dar, welche in der Figur zur besseren Übersicht nicht gesondert dargestellt ist. Im ersten Durchlauf liegt noch kein bereits bestimmter Rekon- struktionsfehler im Speicher MEM vor. Daher wird der zumin- dest eine vorher bestimmte Rekonstruktionsfehler im Schritt f) mit Null angenommen, falls der Schritt f) erstma- lig ausgeführt wird. Dies entspricht der Annahme, dass der Referenz-Herstellungsprozess im Schritt a) die Bezugsgröße bildet und daher noch keine Abweichung ausweist. Das Schätzen erfolgt beispielsweise mithilfe eines Regressi- onsverfahrens. Es ist besonders vorteilhaft, für den Autoencoder nichtlinea- re Modell-Knoten MK _i einzusetzen, da dadurch eine nichtlinea- re Entscheidungsgrenze über nichtlineare Kombinationen des Gewichts und der Eingaben erzeugt werden können. Fig. 2 stellt ein Ausführungsbeispiel für ein erfindungsgemä- ßes System S dar. Eine Produktionsanlage PROD führt einen Herstellungsprozess aus, erzeugt dabei Prozessdaten, beispielsweise durch Senso- ren und stellt diese Prozessdaten einer Rechenvorrichtung CPU mit einem Speicher MEM bereit. Die Prozessdaten können entweder Referenz-Daten PD-R sein, welche bei Ausführung eines Referenz-Herstellungsprozesses erzeugt werden. Andererseits können die Prozessdaten aktuelle Prozess- Daten PD-A sein, welche fortlaufend bei Ausführung eines Re- ferenz-Herstellungsprozesses erzeugt werden und einen jeweils aktuell ausgeführten Herstellungsprozess abbilden. Ist die Prüfung, ob der geschätzte zukünftige Verlauf des Re- konstruktionsfehlers für die vorbestimmte Zeitdauer innerhalb eines vorbestimmten Wertebereichs liegt, negativ, wird ein Alarms AL ausgegeben. Optional kann die Rechenvorrichtung CPU bei einem Alarm der Produktionsanlage PROD, das heißt dem Herstellungsprozess, durch eine Rückkoppelschleife FB eine entsprechende Steuer- Operation melden, welche zu einer Reduktion des Rekonstrukti- onsfehlers führen soll. Die Rückkoppelschleife FB kann auch lediglich Rohdaten aus dem zuvor, durch die Rechenvorrichtung CPU ausgeführten Ver- fahren übermitteln und die Produktionsanlage PROD kann die notwendige Steuer-Operation selbst ermitteln und ausführen. Zu den vom Verfahren ermittelten Daten zählen insbesondere die ermitteln individuellen Beiträge von Modell-Knoten an den Prozess-Abweichungen, da dadurch gezielt Anlagenteile gesteu- ert werden können, um die Qualität der Produktion zu verbes- sern und den Rekonstruktionsfehler zu verringern. Dies kann beispielsweise durch die Ermittlung von individuel- len Eingangs-Knoten unter Verwendung von deren signifikantes- ten, also wertmäßig größten Eingangs-Gewichten durchgeführt werden. Mehrere Eingangs-Knoten können beispielsweise einen "logi- schen“ Eingangs-Knoten bilden, welcher eine Prozess-Größe zu- geordnet werden kann, beispielsweise ein Temperatur- oder Druck-Messwert. Ein oder mehrere individuellen Beiträge können ermittelt wer- den, indem geprüft wird, ob ein Wert außerhalb eines vorbe- stimmten Wertebereichs für den jeweiligen Beitrag liegt. Wird die Produktion durch die Rückkoppelschleife FB mit einem oder mehreren individuellen Beiträgen dementsprechend ange- passt und somit verbessert, so kann für nachfolgende Herstel- lungsprozesse eine Reduktion des Rekonstruktionsfehlers er- reicht werden. Fig . 3 zeigt ein Beispiel für ein Prozess-Modell PM auf Basis maschinellen Lernens , konkret in Form eines Autoencoders .

Mehrere Eingangs-Knoten mit den Eingangs-Gewichten p ₁ - p _n und Ausgangs-Knoten mit den Ausgangs-Gewichten - p' _n sind über mehrere Modell-Knoten MK _i verbunden und bilden so einen Autoencoder .

Jeder Modell-Knoten MK _i , das heißt Eingangs-Knoten, Ausgangs- Knoten und Knoten dazwischenliegender Lagen, weist ein je- weils zugeordnetes Modell-Gewicht MG _i in Form eines numeri- schen Werts auf .

Das Prozess-Modell PM wird erzeugt und mithilfe von Prozess- daten des Herstellungsprozesses trainiert .

Die Prozessdaten PD-R und PD-A können durch Sensoren erzeugt werden und bilden durch entsprechende numerische Messwerte Zustände im Herstellungsprozess ab, wie beispielsweise Be- triebstemperatur, Betriebsdruck, Stromaufnahme , Produkteigen- schaften des hergestellten Produkts wie erfasste Abmessungen des hergestellten Produkts .

Der Rekonstruktions fehler RF kann im Schritt e ) durch folgen- den Zusammenhang ermittelt werden :

Das Prozess-Modell kann Eingangs-Knoten mit j eweiligen Ein- gangs-Gewichten p ₁ - p _n aufweisen, welche über alle Eingangs- Gewichte p ₁ - p _n normiert sind, also beispielweise alle Ge- wichte in einem Wertebereich zwischen 0 und 1 liegen .

Diese Normierung kann demnach beispielweise so erfolgen, in- dem die einzelnen Gewichte auf das wertmäßig größte Gewicht bezogen werden .

Das Prozess-Modell kann ferner Ausgangs-Knoten mit jeweiligen Ausgangs-Gewichten p' ₁ - p' _n aufweisen, welche über alle Aus- gangs-Gewicht p' ₁ - p' _n normiert sind, also beispielweise wie zuvor, alle Gewichte in einem Wertebereich zwischen 0 und 1 liegen .

Die Modell-Knoten MK _i sind zwischen den Eingangs-Knoten und Ausgangs-Knoten gebildet .

Der individuelle Beitrag von Modell-Knoten an den Prozess- Abweichungen kann ermittelt werden, indem jeweils ein Modell- Gewicht MG _t für einen individuellen Eingangs-Knoten und einen individuellen Ausgangs-Knoten mit einem vorbestimmten Wer- tebereich für das jeweilige Modell-Gewicht verglichen wird .

Der individuelle Beitrag entspricht beispielweise jenem Kno- ten, dessen Gewicht im vorbestimmten Wertebereich liegt , oder das wertmäßig größte Gewicht als individueller Beitrag ge- wählt wird . Ebenso können mehrere Gewichte ein gemeinsames „logisches" Gewicht bilden, welches als individueller Beitrag gewählt werden kann .

Bezugszeichenliste :

AL Alarm

CPU Rechenvorrichtung

FB Feedback, Rückkopplung J Ergebnis der Prüfung ist Ja

MEM Speicher

MG _i Modell-Gewicht für Modell-Knoten i

MK _i Modell-Knoten i

N Ergebnis der Prüfung ist Nein p ₁ - p _n Eingangs-Gewicht eines Eingangs-Knotens p' ₁ - p' _n Ausgangs-Gewicht eines Ausgangs-Knotens

PD-A aktuelle Prozessdaten

PD-R Referenz-Prozessdaten

PM Prozess-Modell , Autoencoder PROD Produktionsanlage , führt Herstellungsprozess aus