Technisches Gebiet

Die Erfindung betrifft eine Baugruppe für ein Mikroskop sowie ein Verfahren und ein Computerprogramm zum Ermitteln von Betriebszuständen einer Baugruppe eines Mikroskops.

Hintergrund

Um Ausfallzeiten von Mikroskopen zu minimieren, sind eine regelmäßige Wartung und gegebenenfalls eine Reparatur des jeweiligen Mikroskops notwendig. Um für die regelmäßige Wartung Ressourcen möglichst effizient einzusetzen, ist eine Ermittlung eines Betriebszustands des Mikroskops notwendig, insbesondere eines abnormalen Betriebszustands. Basierend auf dem ermittelten Betriebszustand kann die Notwendigkeit einer Wartung erkannt werden und eine gezielte Wartung und Reparatur des Mikroskops erfolgen.

Aus dem Dokument US 9 599 804 B2 ist ein System bekannt, bei dem Tests an einem Mikroskop ferngesteuert von einem zentralen Kontroll-Server durchgeführt werden. Eine Auswertung der Tests erfolgt auf dem zentralen Kontroll-Server.

Das Dokument DE 10 2018 133 196 Al offenbart ein Verfahren zum Ermitteln einer Notwendigkeit einer Wartung eines Mikroskops mit Hilfe eines mit einem Bildsensor des Mikroskops aufgenommen Bildes. Dadurch werden Fehler des Mikroskops erkannt, die sich auf das Bild auswirken. Ein Erkennen von möglichen Fehlern, bevor sich diese auf das Bild auswirken, oder von Fehlern, die sich grundsätzlich nicht auf das Bild auswirken, ist nicht möglich. Somit ist es in der Regel nur möglich, besonders schwerwiegende Fehler zu ermitteln. Weiterhin ist bei den bekannten Verfahren nachteilig, dass zur Fehlererkennung der Einbau zusätzlicher kostenintensiver und platzraubender Hardware, insbesondere in Form von Sensoren oder Datenübertragungselementen, notwendig ist.

Übersicht

Es ist Aufgabe der Erfindung, eine Baugruppe und ein Verfahren für ein Mikroskop anzugeben, die besonders schnell und effizient Betriebszustände der Baugruppe ermittelt.

Diese Aufgabe wird durch eine Baugruppe für ein Mikroskop mit den Merkmalen des Anspruchs 1 sowie einem Verfahren mit den Merkmalen des Anspruchs 13 gelöst. Vorteilhafte Weiterbildungen sind in den abhängigen Ansprüchen angegeben.

Die Baugruppe für ein Mikroskop umfasst mindestens einen Aktor und/oder mindestens einen Sensor sowie eine Steuer- und Auswerteeinheit. Die Steuer- und Auswerteeinheit ist ausgebildet, aktuelle Parameterwerte von Parametern des Sensors und/oder des Aktors zu ermitteln und die ermittelten Parameterwerte mit Hilfe eines in der Steuer- und Auswerteeinheit gespeicherten statistischen Modells zu analysieren. Weiterhin ist die Steuer- und Auswerteeinheit ausgebildet, auf Basis dieser Analyse einen Betriebszustandswert zu ermitteln, der einen Betriebszustand der Baugruppe charakterisiert, und den Betriebszustand als einen abnormalen Betriebszustand zu bestimmen, wenn der Betriebszustandswert eine vorbestimmte Bedingung in Bezug auf einen Schwellenwert erfüllt.

Die Parameter des Sensors oder des Aktors sind insbesondere technische Betriebsgrößen des Sensors oder Aktors. Der Aktor ist beispielsweise ein Elektromotor. Der erfasste Parameter des Aktors, der den Betrieb charakterisiert, kann dann beispielsweise die Stromaufnahme des Elektromotors oder seine Temperatur oder seine Laufzeit über einen vorgegebenen Verfahrbereich sein. Der Sensor ist beispielsweise ein Kontaktsensor, der einer positionierbaren Baugruppe zugeordnet ist und der als Parameter ein Kontakt-Signal liefert, wenn die Baugruppe eine bestimmte Position erreicht hat. Bei Vorhandensein mehrerer Kontaktsensoren können auch mehrere Kontakt-Signale erfasst werden und beispielsweise deren zeitlicher Abstand ausgewertet werden, um daraus eine Verfahrgeschwindigkeit als Parameter abzuleiten.

Die Parameterwerte dienen als Eingangsdaten für das statistische Modell. Entsprechende Ausgangsdaten des statistischen Modells umfassen den Betriebszustandswert. Dadurch werden möglicherweise fehlerhafte Baugruppen, insbesondere fehlerhafte Aktoren und/oder Sensoren bzw. die Qualität der von Sensoren überwachten Funktionen der Baugruppe vor einem tatsächlichen Ausfall sicher und präventiv erkannt und eine besonders effiziente Wartung und Reparatur ermöglicht. Somit werden Parameterwerte von Aktoren und/oder Sensoren der Baugruppe mit Hilfe der Steuer- und Auswerteeinheit der Baugruppe statistisch analysiert. Ausgehend von der Analyse wird der Betriebszustand der Baugruppe, insbesondere der Aktoren und/oder Sensoren, festgestellt, so dass für diese Baugruppe ein präventiver Wartungs- oder Reparaturbedarf effizient ermittelt werden kann. Der Betriebszustand beschreibt das Abweichen oder Nichtabweichen der Baugruppe von ihrer vorgesehenen, ordnungsgemäßen Funktion. Diese Funktion wird anhand der Parameterwerte festgestellt.

Es ist vorteilhaft, wenn der Schwellenwert in der Steuer- und Auswerteeinheit gespeichert ist. Dadurch wird eine besonders schnelle und effiziente Bestimmung des Betriebszustands ermöglicht.

Weiterhin ist es vorteilhaft, wenn der Schwellenwert in einem Rechnernetzwerk gespeichert ist. Das Rechnernetzwerk kann insbesondere eine sogenannte Cloud sein, in dem der Schwellenwert dezentral gespeichert ist. Dadurch kann der Schwellenwert besonders einfach angepasst werden, und es wird eine besonders flexible Bestimmung des Betriebszustands ermöglicht. Es ist besonders vorteilhaft, wenn der Schwellenwert über ein Rechnernetzwerk aktualisierbar ist, insbesondere so, dass der in der Steuer- und Auswerteeinheit gespeicherte Schwellenwert mit einem neuen weiteren Schwellenwert überschreibbar ist. Dadurch wird eine besonders flexible Bestimmung des Betriebszustands ermöglicht.

In einer besonders vorteilhaften Ausführungsform umfasst die Steuer- und Auswerteeinheit einen Mikrocontroller. Der Mikrocontroller ermöglicht eine besonders effiziente und schnelle Bestimmung des Betriebszustands der Baugruppe, insbesondere eine Bestimmung des Betriebszustands in Echtzeit. Weiterhin ermöglicht der Mikrocontroller eine besonders platzsparende Bauform.

Ferner ist es vorteilhaft, wenn das statistische Modell eine multivariate Verteilungsfunktion umfasst. Eine multivariate Verteilungsfunktion beschreibt die Wahrscheinlichkeit, dass eine Zufallsvariable einen Wert kleiner oder gleich einer Zahl x annimmt. Dabei ist der Wert der Zufallsvariable abhängig von einer Vielzahl von Parametern. Solch eine Zufallsvariable wird auch als Zufallsvektor oder als Eingabevektor bezeichnet. Dies ermöglicht, dass nicht nur Einzelfehler, sondern auch komplexere Veränderungen, beispielsweise Interaktionen zwischen Parametern, die zu einem Fehler führen können, erkannt werden. Anstatt die Parameter lediglich jeweils einzeln über Grenzwertfestlegung zu überprüfen, wird ein Grenzwert für die Gesamtheit der Parameter betrachtet. Ziel ist es also, Abweichungen vom Normalfall festzustellen, um dadurch Wartungs- oder Instandhaltungsmaßnahmen noch vor einem Defekt, also vorausschauend, festzustellen. Damit wird der Betriebszustand der Baugruppe besonders sicher und effizient ermittelt.

Es ist vorteilhaft, wenn das statistische Modell mit Hilfe von maschinellem Lernen erstellt ist. Zur Erstellung des statistischen Modells werden Eingangsdaten bewertet („gelabelt"), indem der mögliche Wertebereich des Parameterwerts beispielsweise einer einwandfreien oder beeinträchtigten Funktion der Baugruppe oder einer Nichtfunktion der Baugruppe zugeordnet wird. Dadurch wird ermöglicht, eine besonders große Anzahl an Parametern zu analysieren und so den Betriebszustand besonders sicher zu ermitteln. Es ist besonders vorteilhaft, wenn die Steuer- und Auswerteinheit ausgebildet ist, bei einem abnormalen Betriebszustand eine Servicemeldung auszugeben, wobei die Servicemeldung lokal an das Mikroskop ausgebbar ist und/oder über ein Rechnernetzwerk an ein entferntes Gerät ausgebbar ist. Dadurch ist es möglich, besonders schnell auf einen abnormalen Betriebszustand zu reagieren und besonders effizient vorausschauende Wartungsmaßnahmen zu treffen.

Weiterhin ist es besonders vorteilhaft, wenn die Steuer- und Auswerteinheit ausgebildet ist, den Betriebszustand der Baugruppe kontinuierlich während des Betriebs zu ermitteln. Dadurch ist es möglich, einen unterbrechungsfreien Betrieb des Mikroskops sicherzustellen.

Es ist vorteilhaft, wenn das in der Steuer- und Auswerteeinheit gespeicherte statistische Modell über ein Rechnernetzwerk aktualisierbar ist. Dadurch wird eine besonders schnelle und effiziente Bestimmung des Betriebszustands der Baugruppe ermöglicht.

Ferner ist es vorteilhaft, wenn die Steuer- und Auswerteinheit ausgebildet ist, die Parameterwerte in der Steuer- und Auswerteeinheit jeweils mit einem Zeitstempel zu speichern und die Parameterwerte des jeweiligen Parameters im Zeitverlauf zu analysieren. Dadurch ist es möglich, schleichende Veränderungen der Parameterwerte bei der Ermittlung des Betriebszustands besonders einfach zu erfassen.

Es ist vorteilhaft, wenn die Steuer- und Auswerteeinheit ausgebildet ist, den Betriebszustand ohne Bilddatenanalyse zu ermitteln. Dadurch wird eine effiziente und schnelle Ermittlung des Betriebszustands ermöglicht, insbesondere auch für Baugruppen, die keinen Einfluss auf Bilddaten haben.

Ein weiterer Aspekt der Erfindung betrifft ein Verfahren zum Ermitteln eines

Betriebszustands einer Baugruppe eines Mikroskops, wobei die Baugruppe eine Steuer- und

Auswerteeinheit, mindestens einen Aktor und/oder mindestens einen Sensor umfasst. Das Verfahren umfasst folgende Schritte: Ermitteln aktueller Parameterwerte von Parametern des Sensors und/oder des Aktors; Analysieren der ermittelten Parameterwerte mit Hilfe eines in der Steuer- und Auswerteeinheit gespeicherten statistischen Modells und auf Basis dieser Analyse Ermitteln eines Betriebszustandswerts, der einen Betriebszustand der Baugruppe charakterisiert; und Bestimmen des Betriebszustands als einen abnormalen Betriebszustand, wenn der Betriebszustandswert eine vorbestimmte Bedingung in Bezug auf einen Schwellenwert erfüllt.

Es ist besonders vorteilhaft, wenn das statistische Modell mit Hilfe von maschinellem Lernen erstellt wird. Dadurch wird ermöglicht, eine besonders große Anzahl an Parametern zu analysieren und so den Betriebszustand besonders sicher zu ermitteln.

Das Verfahren kann in gleicher Weise weitergebildet werden wie zuvor für die Baugruppe beschrieben, insbesondere durch die in den abhängigen Ansprüchen angegebenen Merkmale.

Ein weiterer Aspekt der Erfindung betrifft ein Computerprogramm mit einem Programmcode zum Ausführen des Verfahrens zum Ermitteln eines Betriebszustands.

Ein weiterer Aspekt der Erfindung betrifft einen Mikrocontroller mit einem Programmcode zum Ausführen des Verfahrens zum Ermitteln eines Betriebszustands.

Weitere Merkmale und Vorteile ergeben sich aus der folgenden Beschreibung, welche in Verbindung mit den beigefügten Figuren Ausführungsbeispiele näher erläutert.

Kurzbeschreibung der Figuren

Es zeigen:

Figur 1 einen schematischen Aufbau einer Baugruppe eines Mikroskops, Figur 2 ein Ablaufdiagramm eines Verfahrens zum Erstellen eines statistischen Modells,

Figur 3 ein Ablaufdiagramm eines Verfahrens zum Ermitteln von Betriebszuständen der Baugruppe nach Figur 1, und

Figur 4 ein System 400, umfassend ein Mikroskop 410 und ein Computersystem 420.

Beschreibung

Figur 1 zeigt einen schematischen Aufbau einer Baugruppe 100 eines Mikroskops. Das Mikroskop kann insbesondere ein Lichtmikroskops sein, beispielsweise ein Konfokalmikroskop oder ein Weitfeldmikroskop wie etwa ein Lichtblattmikroskop. Die Baugruppe 100 umfasst einen Sensor 102 und einen Aktor 104, die jeweils mit einer Steuer- und Auswerteeinheit 106 verbunden sind und von dieser angesteuert werden.

Das Mikroskop umfasst eine Vielzahl von unterschiedlichen Baugruppen der in Figur 1 gezeigten Art. Die Baugruppen überwachen und/oder führen verschiedene Funktionen des Mikroskops aus. Im Ausführungsbeispiel nach Figur 1 ist die Baugruppe 100 eine Spiegeleinheit, die einen Spiegel wahlweise in eine Position in einem Strahlengang des Mikroskops oder in eine Position außerhalb des Strahlengangs bewegt. Somit umfasst der Aktor 104 der Spiegeleinheit beispielsweise einen Motor, der den Spiegel bewegt. Mit Hilfe des Sensors 102 kann ermittelt werden, ob der Spiegel in Folge der motorgetriebenen Bewegung eine der zwei Endpositionen erreicht hat. Dazu ist der Sensor 102 beispielsweise ein Kontaktsensor. Der Aktor 104 umfasst zusätzlich zu dem Motor eine Motorendstufe und einen Motorencoder.

Weiterhin können alternativ mehrere Sensoren 102 und/oder mehrere Aktoren 104 mit der

Steuer- und Auswerteeinheit 106 verbunden sein. Beispielsweise kann die Baugruppe 100 zusätzlich weitere Kontaktsensoren umfassen, die weitere Positionen des Spiegels ermitteln.

Ferner kann alternativ jeweils nur zumindest ein Sensor 102 oder zumindest ein Aktor 104 mit der Steuer- und Auswerteeinheit 106 verbunden sein.

Weitere Beispiele für Baugruppen des Mikroskops sind: eine Fokuseinheit, die einen motorisierten Fokustrieb eines Objektivs einstellt, eine Objekttischeinheit, die einen motorisierten Objekttisch verschiebt, und eine Objektivrevolvereinheit, die Objektive des Mikroskops motorisiert wechselt. Weitere Beispiele für Aktoren sind Motoren, beispielsweise für Riemenantriebe, und Hubmagnete. Weitere Beispiele für Sensoren sind Lichtschranken, Hall-Sensoren, Mikroschalter, Temperatursensoren, Luftfeuchtigkeitssensoren und Drehgeber.

Die Steuer- und Auswerteeinheit 106 ist insbesondere ein Mikrocontroller. Der

Mikrocontroller umfasst zumindest einen Prozessor und ein Speicherelement. Ein solcher Mikrocontroller wird auch „System-on-a-Chip" bezeichnet. Alternativ kann die Steuer- und Auswerteeinheit 106 einen Mikroprozessor umfassen oder ein integrierter Schaltkreis wie beispielsweise ein Field Programmable Gate Array sein. Die Steuer- und Auswerteeinheit 106 ist beispielsweise an ein internes Bussystem 108 des Mikroskops angeschlossen. Über das interne Bussystem 108 erhält die Steuer- und Auswerteeinheit 106 Steuerbefehle eines internen Systemrechners des Mikroskops in Abhängigkeit eines Betriebsprogramms des Systemrechners, um somit Funktionen des Mikroskops zu steuern. Diese Steuerbefehle setzt die Steuer- und Auswerteeinheit 106 mit Hilfe des Aktors 104 und des Sensors 102 um.

Basierend auf den Steuerbefehlen berechnet die Steuer- und Auswerteeinheit 106 Motorsteuersignale in Form eines Pulsweitenmodulations-Wert (sogenannter PWM-Wert) und steuert über die Motorendstufe den Motor an. Dabei wird die Position des Motors von der Steuer- und Auswerteeinheit 106 kontinuierlich mit Hilfe des Motorencoders und einer Finite State Machine ermittelt. Eine Finite State Machine ist eine elektronische Schaltung, die basierend auf Eingangsdaten, beispielsweise einem Motorencoder-Signal, eine begrenzte Anzahl an Ausgangsdaten, beispielsweise Motorencoderpositionen, ermittelt. Zusätzlich wird das Erreichen einer der beiden Endpositionen des Spiegels durch den Sensor 102 ermittelt.

Während des Betriebs des Mikroskops werden jeweils Parameter des Sensors 102 und des Aktors 104 überwacht. Die Parameter werden durch die Steuer- und Auswerteeinheit 106 ausgelesen und die ermittelten Parameterwerte durch die Steuer- und Auswerteeinheit 106 analysiert.

Parameter, die einem Elektromotor zugeordnet sind, können beispielsweise Drehmoment, Motorstrom und/oder Drehzahl, Steuerbefehle, sowie aufgetretene Fehler sein. Parameter, die einem Kontaktsensors zugeordnet sind, können beispielsweise Schaltzustand des Kontakts, Stromaufnahme, elektrischer Widerstand bei Kontakt, und/oder Schaltzeiten, sowie aufgetretene Fehler sein.

Die entsprechenden Parameterwerte können auch durch die Steuer- und Auswerteeinheit 106 selbst generiert werden, beispielsweise beim Ansteuern des Motors mit Hilfe der Motorsteuersignale und der Motorendstufe, wie weiter oben beschrieben. Weiterhin kann die Steuer- und Auswerteeinheit 106 die entsprechenden Parameterwerte mit Hilfe des Motorencoders generieren. Außerdem ist es möglich, dass die Steuer- und Auswerteeinheit 106 weitere sekundäre Parameterwerte aus primär ermittelten Parameterwerten ermittelt.

Zusätzlich können Parameterwerte mit einem Zeitstempel versehen werden. Dieser Zeitstempel erlaubt die Zuordnung jedes Parameterwertes zu dem Zeitpunkt und/oder Zeitabschnitt, zu dem der Parameterwert durch die Steuer- und Auswerteeinheit 106 ermittelt wird.

In keinem Fall werden durch die Baugruppe 100, insbesondere die Steuer- und Auswerteeinheit 106, Parameterwerte aus Mikroskopbildern ermittelt. Mit anderen Worten, die Parameterwerte sind keine Bilddaten, die mit Hilfe eines Bildsensors des Mikroskops ermittelt werden. Ebenso werden nur Parameter von Aktoren 104 und Sensoren 102 ermittelt, die für das Ausführen von Funktionen der jeweiligen Baugruppe 100 notwendig sind. Es sind in der Baugruppe 100 keine Aktoren oder Sensoren verbaut, die nicht ohnehin für die Funktion der Baugruppe 100 notwendig sind. Das heißt, es sind keine zusätzlichen Aktoren oder Sensoren erforderlich, die allein der Ermittlung des Betriebszustands der Baugruppe 100 dienen.

Die Steuer- und Auswerteeinheit 106 ist über das Bussystem 108 mit einem Rechnernetzwerk 110 verbunden. Das Rechnernetzwerk 110 ist beispielsweise ein Computer am Ort des Mikroskops oder ein Server, mit dem die Steuer- und Auswerteeinheit 106 Daten lokal austauschen kann. Alternativ oder zusätzlich kann das Rechnernetzwerk 110 eine dezentrale Cloud sein, die insbesondere aus mehreren über eine Netzwerkverbindung untereinander verbundenen Servern besteht. Damit kann die Steuer- und Auswerteeinheit 106 Daten mit entfernten, externen Computern austauschen.

Weiterhin arbeitet die Steuer- und Auswerteeinheit 106 mit einem statistischen Modell 112. Das statistische Modell 112 ist in der Steuer- und Auswerteeinheit 106 gespeichert, beispielsweise in einem Speicherelement des Mikrocontrollers. Mit Hilfe des statistischen Modells 112 werden die mit Hilfe der Steuer- und Auswerteeinheit 106 ermittelten Parameterwerte analysiert. Beispielsweise wird ein Betriebszustand mit Hilfe eines Verfahrens ermittelt, das weiter unten unter Bezugnahme auf Figur 3 genauer erläutert wird. Basierend auf dem ermittelten Betriebszustand kann eine Servicemeldung 114 durch die Steuer- und Auswerteeinheit 106 ausgegeben werden. Das statistische Modell 112 ist zum Beispiel durch eine multivariate Verteilungsfunktion repräsentiert.

Eine multivariate Verteilungsfunktion beschreibt die Wahrscheinlichkeit, dass eine Zufallsvariable einen Wert kleiner oder gleich einer Zahl x annimmt. Dabei ist der Wert der Zufallsvariable abhängig von einer Vielzahl von Parametern. Solch eine Zufallsvariable wird auch als Zufallsvektor oder als Eingabevektor bezeichnet. Vorliegend umfasst der Eingabevektor eine Vielzahl an Parameterwerten. Figur 2 zeigt ein Ablaufdiagramm eines Verfahrens zum Erstellen des statistischen Modells 112, insbesondere der multivariaten Verteilungsfunktion.

Das Verfahren startet in einem Schritt S210. In einem Schritt S212 werden Trainingsdaten der Baugruppe 100 erfasst. Diese Daten sind insbesondere spezielle Parameterwerte der dem Aktor 104 oder Sensor 102 zugeordneten Parameter. Die Parameter für die Baugruppe 10 sind beispielsweise Steuerbefehle entsprechend einer Zielposition, in die der Spiegel durch den Aktor 104 geschwenkt werden soll, eine Motorencoderposition entsprechend einer Position einer Motorachse, eine Kontaktsensorposition entsprechend einer der beiden Endpositionen des Spiegels und ein PWM-Wert zur Ansteuerung des Aktors 104. Diese Parameterwerte werden während des Betriebs der Baugruppe 100 in engen zeitlichen Abständen ermittelt. Das Abtastintervall beträgt beispielsweise 100ms. Vorzugsweise werden die Parameterwerte für eine Mehrzahl von Baugruppen 100 ermittelt, so dass für jede der Baugruppen 100 ein Datensatz an Parameterwerten ermittelt wird und vorhanden ist. Weiterhin ist darauf zu achten, dass der Datensatz sowohl Baugruppen mit normalen Betriebszuständen als auch Baugruppen mit abnormalen Betriebszuständen umfasst.

Tabelle 1 zeigt die so ermittelten Parameterwerte für die Baugruppe 100 ab dem Zeitpunkt 0ms mit einem zum Zeitpunkt 100ms erteilten Steuerbefehl zum Positionswechsel.

Tabelle 1: In einem nächsten Schritt S214 werden die in Schritt S212 erfassten Datensätze mit einer Wertung versehen. Die Bewertung der Datensätze wird in diesem Kontext auch „la bei n" genannt. Diese Wertung wird beispielsweise durch einen Entwicklungstechniker vorgenommen und beurteilt, ob die Parameterwerte zu einem bestimmten Zeitpunkt auf einen Fehler hinweisen. Diese Wertung entspricht einer Wertung des Betriebszustands der Baugruppe 100, insbesondere des Aktors 104 und Sensors 102. Die Wertung ist hier beispielsweise als binäre Variable beschrieben. Alternativ kann die Wertung eine diskrete oder stetige Variable sein.

In Tabelle 2 sind ermittelte Daten für die Baugruppe 100 mit Wertungen versehen, wobei die Wertung „0" einen abnormalen Betriebszustand der Baugruppe 100 identifiziert, insbesondere einen Fehler der Baugruppe 100.

Tabelle 2:

In einem Schritt S216 werden dann die gesammelten und bewerteten Trainingsdaten in Form von Parameterwerten als Eingabevektoren zum Anlernen der multivariaten Verteilungsfunktion genutzt. Die multivariate Verteilungsfunktion kann beispielsweise ein aus einer Vielzahl an miteinander verknüpften Knoten bestehendes neuronales Netz sein. Die Knoten des neuronalen Netzes verarbeiten die Eingabevektoren und berechnen anhand einer Gewichtung und einer Aktivierungsfunktion einen Ausgabevektor. Während des Anlernens des neuronalen Netzes werden dabei die Gewichtungen der einzelnen Knoten iterativ so variiert, dass der Fehler zwischen dem Ausgabevektor und der in Schritt S214 zugeteilten Wertung minimiert wird.

In einem Schritt S218 wird die in Schritt S216 angelernte multivariate Verteilungsfunktion in ausführbaren Programmcode exportiert. Dabei sind Eingabe- und Ausgabevektoren als Übergabeparameter implementiert. Weiterhin umfasst der Programmcode ein Array, das die in Schritt S216 ermittelten Gewichtungen umfasst.

In einem Schritt S220 wird die multivariate Verteilungsfunktion in Form des in Schritt S218 exportierten Programmcodes in die Steuer- und Auswerteeinheit 106 integriert.

Insbesondere wird die multivariate Verteilungsfunktion in dem Speicherelement der Steuer- und Auswerteeinheit 106 gespeichert. Die im Schritt S220 vorgesehene Speicherung kann während der Montage des Mikroskops erfolgen, so dass das Mikroskop mit der in der Baugruppe 100 gespeicherten multivariaten Verteilungsfunktion ausgeliefert wird. Alternativ ist es möglich, dass die multivariate Verteilungsfunktion nachträglich im Speicherelement gespeichert wird, beispielsweise während eines Funktionsupgrades des Mikroskops. Weiterhin ist es vorgesehen, dass die multivariate Verteilungsfunktion aktualisierbar ist, insbesondere über das Rechnernetzwerk 110. So ist beispielsweise eine Aktualisierung aus einer dezentralen Cloud möglich. Das Verfahren endet in einem Schritt S222.

Das Verfahren nach Figur 2 wird normalerweise auf einem leistungsstarken Rechner ausgeführt. Dieser Rechner muss nicht Teil des Mikroskops sein.

Figur 3 zeigt ein Ablaufdiagramm eines Verfahrens zum Ermitteln eines Betriebszustands der Baugruppe 100 des Mikroskops. Das Verfahren startet in einem Schritt S310. In einem Schritt S312 werden Parameterwerte des Aktors 104 und des Sensors 102 der Baugruppe 100 durch die Steuer- und Auswerteeinheit 106 zu einem Zeitpunkt t erfasst. Dabei werden die Parameterwerte mit einem Zeitstempel versehen, um so eine zeitliche Zuordnung der erfassten Parameterwerte zu ermöglichen. Der Zeitstempel kann beispielsweise eine Zeitangabe sein, die relativ zu einem Ereignis gemessen wird. Das Ereignis kann insbesondere eine Funktionsaktivierung der Baugruppe 100 sein. Alternativ oder zusätzlich kann die Zeitangabe absolut sein, beispielsweise die Uhrzeit mit oder ohne eine Datumsangabe. Die durch die Steuer- und Auswerteeinheit 106 ausgelesenen Parameter sind insbesondere Steuerbefehle entsprechend einer Zielposition, in die der Spiegel durch den Aktor geschwenkt werden soll, eine Motorencoderposition entsprechend einer Position einer Motorachse, eine Kontaktsensorposition entsprechend einer der beiden Endpositionen des Spiegels und ein PWM-Wert zur Ansteuerung des Aktors.

In Schritt S314 werden die in Schritt S312 ermittelten Parameterwerte anschließend zu einem Eingabevektor gebündelt. Tabelle 3 zeigt beispielsweise Parameterwerte eines solchen Eingabevektors.

Tabelle 3:

In Schritt S316 wird der Eingabevektor von der Steuer- und Auswerteeinheit 106 mit Hilfe der multivariaten Verteilungsfunktion analysiert. Dabei gibt die multivariate Verteilungsfunktion einen Betriebszustandswert aus. Dieser Betriebszustandswert repräsentiert den Ausgabevektor. Die in Schritt S312 und S314 genutzten Parameter stimmen dabei mit den zum Anlernen der multivariaten Verteilungsfunktion (siehe Verfahren nach Figur 2, insbesondere Schritt S212) genutzten Parameter überein. Die Erfassung und Verarbeitung der Parameterwerte in Schritt S312 und S314 sowie die Analyse in Schritt S316 erfolgen kontinuierlich in Echtzeit. Das heißt, dass die Parameterwerte während des Betriebs der Baugruppe 100 in engen zeitlichen Abständen ermittelt werden. Beispielsweise kann dies in Abständen in einem Bereich von 10ms bis 200ms, insbesondere in Abständen von 100ms erfolgen. Darüber hinaus ist auch der zeitliche Bereich von kleiner 10ms als auch größer als 100ms für die Verwendung geeignet. Die Erfassung der Parameter hängt im Wesentlichen von den Gegebenheiten der Baugruppe ab. Die Analyse erfolgt dann unmittelbar nach der Ermittlung der Parameterwerte. Die Verarbeitung in Echtzeit wird beispielsweise dadurch ermöglicht, dass jegliche Verarbeitung und Analyse der Parameterwerte sowie Ermittlung des Betriebszustands innerhalb der Baugruppe 100, insbesondere in der Steuer- und Auswerteinheit 106, stattfindet. Ein zeitaufwendiger und verzögernder Transfer von Parameterwerten oder weiterer Daten zur Ermittlung des Betriebszustands findet nicht statt.

In Schritt S318 wird anschließend basierend auf dem Ausgabevektor durch die Steuer- und Auswerteeinheit 106 ein Betriebszustand der Baugruppe 100 ermittelt. Dabei wird der Ausgabevektor mit einem Schwellenwert verglichen. In dem Fall, in dem der Ausgabevektor den Schwellenwert unterschreitet, wird ein abnormaler Betriebszustand festgestellt. Der Betriebszustand der Baugruppe 100 wird somit basierend auf den Parameterwerten der Baugruppe, insbesondere von dem Aktor 104 oder Sensor 102 zugeordneten Parametern der Baugruppe 100, ermittelt. Der Schwellenwert kann wie für die multivariate Verteilungsfunktion beschrieben über das Rechnernetzwerk 110 übertragen werden. So ist insbesondere eine Aktualisierung aus einer dezentralen Cloud möglich.

Der abnormale Betriebszustand der Baugruppe 100 wird somit insbesondere dann ermittelt, wenn sich wenigstens der Aktor 104 oder der Sensor 102 in einem abnormalen Betriebszustand befindet. Dieser abnormale Betriebszustand kann unter anderem durch intrinsische Faktoren hervorgerufen werden, wie beispielsweise durch einen an sich fehlerhaften Aktor 104, oder durch extrinsische Faktoren, wie beispielsweise ein durch eine Abnutzung oder Verschmutzung hervorgerufene, schleichend zunehmende Verschlechterung der Funktion des Aktors 104. In beiden Fällen ist es das Ziel, einen möglichen Ausfall des Aktors 104 vor dem tatsächlichen Ausfall des Aktors 104 zu erkennen, insbesondere zu einem Zeitpunkt zu erkennen, zu dem der Aktor 104 noch nicht ausgefallen ist und die ordnungsgemäße Funktion des Aktors 104 noch gewährleistet ist. Im Ergebnis ist damit die ordnungsgemäße Funktion der entsprechenden Baugruppe 100 weiterhin gewährleistet. Der abnormale Betriebszustand des Aktors 104 weist in beiden Fällen auf einen zeitnahen Ausfall des Aktors 104 hin.

In Schritt S320 wird durch die Steuer- und Auswerteeinheit 106 die Servicemeldung 114 über den ermittelten Betriebszustand des Mikroskops ausgegeben. Diese Servicemeldung 114 wird insbesondere dann ausgegeben, wenn ein abnormaler Betriebszustand ermittelt wurde. Die Servicemeldung 114 wird an dem Mikroskop, insbesondere an einer Anzeigeeinheit des Mikroskops, oder an einem lokalen Rechner ausgegeben. Alternativ oder zusätzlich wird die Servicemeldung 114 über das Rechnernetzwerk 110 an einem entfernten Servicerechner ausgeben. Dadurch kann beispielsweise ein Servicetechniker über eine notwendige Wartung informiert werden. Weiterhin kann die Servicemeldung 114 eine Liste der Aktoren 104 und Sensoren 102 beinhalten, die einen abnormalen Betriebszustand aufweisen. Weiterhin können ausgehend von der Liste vorzugsweise automatisch entsprechende Ersatzteile bestellt werden, oder es kann ein Servicetermin für das entsprechende Mikroskop eingeplant werden. In einem Schritt S322 endet das Verfahren.

Durch die Anwendung der multivariaten Verteilungsfunktion wird der Betriebszustand somit nicht nur aufgrund einzelner Parameter ermittelt, sondern unter Berücksichtigung einer Vielzahl an Parameter, insbesondere auch deren Wechselwirkung. Dies erlaubt es besonders effizient einen möglichen Ausfall der Baugruppe 100 vor dem tatsächlichen Ausfall der Baugruppe 100 zu ermitteln.

Der Begriff "und/oder" umfasst alle Kombinationen von einem oder mehreren der zugehörigen aufgeführten Elemente und kann mit abgekürzt werden.

Obwohl einige Aspekte im Rahmen einer Vorrichtung beschrieben wurden, ist es klar, dass diese Aspekte auch eine Beschreibung des entsprechenden Verfahrens darstellen, wobei ein Block oder eine Vorrichtung einem Verfahrensschritt oder einer Funktion eines Verfahrensschritts entspricht. Analog dazu stellen Aspekte, die im Rahmen eines Verfahrensschritts beschrieben werden, auch eine Beschreibung eines entsprechenden

Blocks oder Elements oder einer Eigenschaft einer entsprechenden Vorrichtung dar.

Einige Ausführungsbeispiele beziehen sich auf ein Mikroskop, das ein System umfasst, wie in Verbindung mit einer oder mehrerer der Fig. 1 bis 3 beschrieben. Alternativ kann ein Mikroskop Teil eines Systems, wie in Verbindung mit einer oder mehrerer der Fig. 1 bis 3 beschrieben, sein oder mit demselben verbunden sein. Fig. 4 zeigt eine schematische Darstellung eines Systems 400, das ausgebildet ist zum Ausführen eines hierin beschriebenen Verfahrens. Das System 400 umfasst ein Mikroskop 410 und ein Computersystem 420. Das Mikroskop 410 ist ausgebildet zum Aufnehmen von Bildern und ist mit dem Computersystem 420 verbunden. Das Computersystem 420 ist ausgebildet zum Ausführen von zumindest einem Teil eines hierin beschriebenen Verfahrens. Das Computersystem 420 kann ausgebildet sein zum Ausführen eines Maschinenlern- Algorithmus. Das Computersystem 420 und das Mikroskop 410 können getrennte Einheiten sein, können aber auch zusammen in einem gemeinsamen Gehäuse integriert sein. Das Computersystem 420 könnte Teil eines zentralen Verarbeitungssystems des Mikroskops 410 sein und/oder das Computersystem 420 könnte Teil einer Teilkomponente des Mikroskops 410 sein, wie eines Sensor, eines Aktuator, einer Kamera oder einer Beleuchtungseinheit, usw. des Mikroskops 410.

Das Computersystem 420 kann eine lokale Computervorrichtung (z. B. Personalcomputer, Laptop, Tablet-Computer oder Mobiltelefon) mit einem oder mehreren Prozessoren und einer oder mehreren Speichervorrichtungen oder kann ein verteiltes Computersystem (z. B. ein Cloud-Computing-System mit einem oder mehreren Prozessoren oder einer oder mehreren Speichervorrichtungen, die an verschiedenen Stellen verteilt sind, zum Beispiel an einem lokalen Client und/oder einer oder mehreren Remote-Server-Farms und/oder Datenzentren) sein. Das Computersystem 420 kann irgendeine Schaltung oder Kombination von Schaltungen umfassen. Bei einem Ausführungsbeispiel kann das Computersystem 420 einen oder mehrere Prozessoren umfassen, die von irgendeinem Typ sein können. Nach hiesigem Gebrauch kann Prozessor irgendein Typ von Rechenschaltung bedeuten, wie beispielsweise, aber nicht beschränkt auf, ein Mikroprozessor, ein Mikrocontroller, ein Mikroprozessor mit komplexem Befehlssatz (CISC), ein Mikroprozessor mit reduziertem Befehlssatz (RISC), ein Sehr-Ianges-Anweisungswort- (Very Long Instruction Word; VLIW) Mikroprozessor, ein Graphikprozessor, ein digitaler Signalprozessor (DSP), ein Multi-Core- Prozessor, ein feld-programmierbares Gate-Array (FPGA), z.B. eines Mikroskops oder einer Mikroskopkomponente (z. B. Kamera) oder irgendein anderer Typ von Prozessor oder Verarbeitungsschaltung. Andere Typen von Schaltungen, die in dem Computersystem 420 umfasst sein können, können eine speziell angefertigte Schaltung, eine anwendungsspezifische integrierte Schaltung (ASIC) oder Ähnliches, wie beispielsweise eine oder mehrere Schaltungen (z. B. eine Kommunikationsschaltung) zur Verwendung bei drahtlosen Vorrichtungen wie z. B. Mobiltelefonen, Tablet-Computern, Laptop-Computern, Funksprechgeräten und ähnlichen elektronischen Systemen sein. Das Computersystem 420 kann eine oder mehrere Speichervorrichtungen umfassen, die ein oder mehrere Speicherelemente umfassen können, die für die jeweilige Anwendung geeignet sind, wie beispielsweise einen Hauptspeicher in der Form eines Direktzugriffsspeichers (RAM, Random Access Memory), eine oder mehrere Festplatten und/oder ein oder mehrere Laufwerke, die entfernbare Medien, wie beispielsweise CDs, Flash-Speicherkarten, DVD und Ähnliches handhaben. Das Computersystem 420 kann auch eine Anzeigevorrichtung, einen oder mehrere Lautsprecher, und eine Tastatur und/oder Steuerung umfassen, die eine Maus, Trackball, Touchscreen, Stimmerkennungsvorrichtung oder irgendeine andere Vorrichtung umfassen kann, die es einem Systemnutzer erlaubt, Information in das Computersystem 420 einzugeben und Information von demselben zu empfangen.

Einige oder alle Verfahrensschritte können durch (oder unter Verwendung) einer Hardwarevorrichtung ausgeführt werden, wie es zum Beispiel ein Prozessor, ein Mikroprozessor, ein programmierbarer Computer oder eine elektronische Schaltung sein kann. In einigen Ausführungsbeispielen können ein oder mehrere der wichtigsten Verfahrensschritte durch eine solche Vorrichtung ausgeführt werden. Abhängig von bestimmten Implementierungsanforderungen können Ausführungsbeispiele der Erfindung in Hardware oder Software implementiert werden. Die Implementierung kann mit einem nicht-flüchtigen Speichermedium wie einem digitalen Speichermedium, wie beispielsweise einer Diskette, einer DVD, einem Blu-Ray, einer CD, einem ROM, einem PROM und EPROM, einem EEPROM oder einem FLASH-Speicher, durchgeführt werden, auf dem elektronisch lesbare Steuersignale gespeichert sind, die mit einem programmierbaren Computersystem so Zusammenwirken (oder Zusammenwirken können), dass das jeweilige Verfahren durchgeführt wird. Daher kann das digitale Speichermedium computerlesbar sein.

Einige Ausführungsbeispiele gemäß der Erfindung umfassen einen Datenträger mit elektronisch lesbaren Steuersignalen, die mit einem programmierbaren Computersystem Zusammenwirken können, so dass eines der hierin beschriebenen Verfahren durchgeführt wird.

Im Allgemeinen können Ausführungsbeispiele der vorliegenden Erfindung als Computerprogrammprodukt mit einem Programmcode implementiert werden, wobei der Programmcode für die Ausführung eines der Verfahren wirksam ist, wenn das Computerprogrammprodukt auf einem Computer läuft. Der Programmcode kann beispielsweise auf einem maschinenlesbaren Träger gespeichert werden.

Weitere Ausführungsbeispiele umfassen das Computerprogramm zur Durchführung eines der hierin beschriebenen Verfahren, das auf einem maschinenlesbaren Träger gespeichert ist.

Mit anderen Worten, ein Ausführungsbeispiel der vorliegenden Erfindung ist daher ein Computerprogramm mit einem Programmcode zur Durchführung eines der hierin beschriebenen Verfahren, wenn das Computerprogramm auf einem Computer läuft.

Ein weiteres Ausführungsbeispiel der vorliegenden Erfindung ist daher ein Speichermedium (oder ein Datenträger oder ein computerlesbares Medium), das ein darauf gespeichertes Computerprogramm zum Ausführen eines der hierin beschriebenen Verfahren umfasst, wenn es von einem Prozessor ausgeführt wird. Der Datenträger, das digitale Speichermedium oder das aufgezeichnete Medium sind in der Regel greifbar und/oder nicht übergangslos. Eine weiteres Ausführungsbeispiel der vorliegenden Erfindung ist eine Vorrichtung, wie hierin beschrieben, die einen Prozessor und das Speichermedium umfasst.

Ein weiteres Ausführungsbeispiel der Erfindung ist daher ein Datenstrom oder eine Signalfolge, die das Computerprogramm zur Durchführung eines der hierin beschriebenen Verfahren darstellt. Der Datenstrom oder die Signalfolge kann beispielsweise so konfiguriert werden, dass sie über eine Datenkommunikationsverbindung, beispielsweise über das Internet, übertragen werden.

Ein weiteres Ausführungsbeispiel umfasst ein Verarbeitungsmittel, zum Beispiel einen Computer oder eine programmierbare Logikvorrichtung, das konfiguriert oder angepasst ist, um eines der hierin beschriebenen Verfahren auszuführen.

Ein weiteres Ausführungsbeispiel umfasst einen Computer, auf dem das Computerprogramm zum Ausführen eines der hierin beschriebenen Verfahren installiert ist.

Ein weiteres Ausführungsbeispiel gemäß der Erfindung umfasst eine Vorrichtung oder ein System, das konfiguriert ist, um (zum Beispiel elektronisch oder optisch) ein Computerprogramm zum Ausführen eines der hierin beschriebenen Verfahren an einen Empfänger zu übertragen. Der Empfänger kann beispielsweise ein Computer, eine mobile Vorrichtung, eine Speichervorrichtung oder dergleichen sein. Die Vorrichtung oder das System kann beispielsweise einen Dateiserver zum Übertragen des Computerprogramms an den Empfänger umfassen.

In einigen Ausführungsbeispielen kann eine programmierbare logische Vorrichtung (z.B. eine feldprogrammierbare Gatteranordnung, FPGA) verwendet werden, um einige oder alle Funktionalitäten der hierin beschriebenen Verfahren auszuführen. In einigen Ausführungsbeispielen kann eine feldprogrammierbare Gatteranordnung mit einem Mikroprozessor Zusammenarbeiten, um eines der hierin beschriebenen Verfahren durchzuführen. Im Allgemeinen werden die Verfahren vorzugsweise von jedem Hardwaregerät durchgeführt.

Ausführungsbeispiele können auf dem Verwenden eines Maschinenlern-Modells oder Maschinenlern-Algorithmus basieren. Maschinelles Lernen kann sich auf Algorithmen und statistische Modelle beziehen, die Computersysteme verwenden können, um eine bestimmte Aufgabe ohne Verwendung expliziter Anweisungen auszuführen, anstatt sich auf Modelle und Inferenz zu verlassen. Beim maschinellen Lernen kann beispielsweise anstatt einer auf Regeln basierenden Transformation von Daten, eine Transformation von Daten verwendet werden, die aus einer Analyse von Verlaufs- und/oder Trainings-Daten hergeleitet werden kann. Beispielsweise kann der Inhalt von Bildern unter Verwendung eines Maschinenlern-Modells oder unter Verwendung eines Maschinenlern-Algorithmus analysiert werden. Damit das Maschinenlern-Modell den Inhalt eines Bildes analysieren kann, kann das Maschinenlern-Modell unter Verwendung von Trainingsbildern als Eingabe und Trainingsinhaltsinformation als Ausgabe trainiert werden. Durch Trainieren des Maschinenlern-Modells mit einer großen Anzahl von Trainingsbildern und/oder Trainingssequenzen (z. B. Wörtern oder Sätzen) und zugeordneter Trainingsinhaltsinformation (z. B. Kennzeichnungen oder Anmerkungen) „lernt" das Maschinenlern-Modell, den Inhalt der Bilder zu erkennen, sodass der Inhalt von Bildern, die in den Trainingsdaten nicht umfasst sind, unter Verwendung des Maschinenlern-Modells erkannt werden kann. Das gleiche Prinzip kann für andere Arten von Sensordaten ebenfalls verwendet werden: Durch Trainieren eines Maschinenlern-Modells unter Verwendung von Trainingssensordaten und einer erwünschten Ausgabe „lernt" das Maschinenlern-Modell eine Umwandlung zwischen den Sensordaten und der Ausgabe, was verwendet werden kann, um eine Ausgabe basierend auf an das Maschinenlern-Modell bereitgestellten Nicht- Trainings-Sensordaten bereitzustellen. Die bereitgestellten Daten (z.B. Sensordaten, Metadaten und/oder Bilddaten) können vorverarbeitet werden, um einen Merkmalsvektor zu erhalten, welcher als Eingang für das Maschinenlern-Modell verwendet wird. Maschinenlern-Modelle können unter Verwendung von Trainingseingabedaten trainiert werden. Die oben angeführten Beispiele verwenden ein Trainingsverfahren, das „Supervised Learning" genannt wird. Beim Supervised Learning wird das Maschinenlern-Modell unter Verwendung einer Mehrzahl von Trainingsabtastwerten trainiert, wobei jeder Abtastwert eine Mehrzahl von Eingabedatenwerten und eine Mehrzahl von erwünschten Ausgabewerten, d. h. jedem Trainingsabtastwert ist ein erwünschter Ausgabewert zugeordnet, umfassen kann. Durch Angeben sowohl von Trainingsabtastwerten als auch erwünschten Ausgabewerten „lernt" das Maschinenlern-Modell, welcher Ausgabewert basierend auf einem Eingabeabtastwert, der ähnlich zu den während des Trainings bereitgestellten Abtastwerten ist, bereitzustellen ist. Neben dem Supervised Learning kann auch Semi-Supervised Learning verwendet werden. Beim Semi-Supervised Learning fehlt einigen der Trainingsabtastwerte ein erwünschter Ausgabewert. Supervised Learning kann auf einem Supervised Learning-Algorithmus basieren (z. B. einem Klassifizierungsalgorithmus, einem Regressionsalgorithmus oder einem Ähnlichkeitslernen- Algorithmus). Klassifizierungsalgorithmen können verwendet werden, wenn die Ausgaben auf eine begrenzte Menge von Werten (kategorische Variablen) beschränkt sind, d. h. die Eingabe ist als einer aus dem begrenzten Satz von Werten klassifiziert.

Regressionsalgorithmen können verwendet werden, wenn die Ausgaben irgendeinen Zahlenwert (innerhalb eines Bereichs) ausweisen. Ähnlichkeitslernen-Algorithmen können sowohl Klassifizierungs- als auch Regressionsalgorithmen ähnlich sein, basieren aber auf dem Lernen aus Beispielen unter Verwendung einer Ähnlichkeitsfunktion, die misst, wie ähnlich oder verwandt zwei Objekte sind. Neben dem Supervised Learning oder Semi-Supervised Learning kann Unsupervised Learning verwendet werden, um das Maschinenlern-Modell zu trainieren. Beim Unsupervised Learning werden möglicherweise (nur) Eingabedaten bereitgestellt und ein Unsupervised Learning-Algorithmus kann verwendet werden, um eine Struktur in den Eingabedaten zu finden (z. B. durch Gruppieren oder Clustern der Eingabedaten, Finden von Gemeinsamkeiten in den Daten). Clustern ist die Zuweisung von Eingabedaten, die eine Mehrzahl von Eingabewerten umfassen, in Teilmengen (Cluster), sodass Eingabewerte innerhalb desselben Clusters gemäß einem oder mehreren (vordefinierten) Ähnlichkeitskriterien ähnlich sind, während sie Eingabewerten, die in anderen Clustern umfasst sind, unähnlich sind.

Verstärkendes Lernen ist eine dritte Gruppe von Maschinenlern-Algorithmen. Anders ausgedrückt, verstärkendes Lernen kann verwendet werden, um das Maschinenlern-Modell zu trainieren. Beim verstärkenden Lernen werden ein oder mehrere Software-Akteure (sogenannte „Software Agents") trainiert, um Handlungen in einer Umgebung vorzunehmen. Basierend auf den vorgenommenen Handlungen wird eine Belohnung berechnet.

Verstärkendes Lernen basiert auf dem Trainieren des einen oder der mehreren Software Agents, um die Handlungen auszuwählen, derart, dass die kumulative Belohnung erhöht wird, was zu Software Agents führt, die in der Aufgabe, die ihnen gegeben wird, besser werden (wie durch steigende Belohnungen nachgewiesen).

Ferner können einige Techniken auf einige der Maschinenlern-Algorithmen angewandt werden. Zum Beispiel kann Feature Learning verwendet werden. Anders ausgedrückt, das Maschinenlern-Modell kann zumindest teilweise unter Verwendung von Feature Learning trainiert werden, und/oder der Maschinenlern-Algorithmus kann eine Feature Learning- Komponente umfassen. Feature Learning-Algorithmen, die Representation Learning- Algorithmen genannt werden, können die Information in ihrer Eingabe erhalten, sie aber derart transformieren, dass sie nützlich wird, häufig als Vorverarbeitungsstufe vor dem Ausführen der Klassifizierung oder dem Vorhersagen. Feature Learning kann beispielsweise auf einer Hauptkomponenten-Analyse oder Cluster-Analyse basieren.

Bei einigen Beispielen kann eine Anomaliedetektion (d. h. Ausreißer-Detektion) verwendet werden, die darauf abzielt, eine Identifizierung von Eingabewerten bereitzustellen, die Verdacht erregen, da sie sich erheblich von der Mehrheit von Eingabe- und Trainingsdaten unterscheiden. Anders ausgedrückt, das Maschinenlern-Modell kann zumindest teilweise unter Verwendung von Anomaliedetektion trainiert werden, und/oder der Maschinenlern- Algorithmus kann eine Anomaliedetektions-Komponente umfassen. Bei einigen Beispielen kann der Maschinenlern-Algorithmus einen Entscheidungsbaum als Vorhersagemodell verwenden. Anders ausgedrückt, das Maschinenlern-Modell kann auf einem Entscheidungsbaum basieren. Bei einem Entscheidungsbaum können die Beobachtungen zu einem Gegenstand (z. B. einer Menge von Eingabewerten) durch die Zweige des Entscheidungsbaums dargestellt werden, und ein Ausgabewert, der dem Gegenstand entspricht, kann durch die Blätter des Entscheidungsbaums dargestellt werden. Entscheidungsbäume können sowohl diskrete Werte als auch fortlaufende Werte als Ausgabewerte unterstützen. Wenn diskrete Werte verwendet werden, kann der Entscheidungsbaum als Klassifizierungsbaum bezeichnet werden, wenn fortlaufende Werte verwendet werden, kann der Entscheidungsbaum als Regressionsbaum bezeichnet werden.

Assoziationsregeln sind eine weitere Technik, die bei Maschinenlern-Algorithmen verwendet werden kann. Anders ausgedrückt, das Maschinenlern-Modell kann auf einer oder mehreren Assoziationsregeln basieren. Assoziationsregeln werden erstellt, indem Verhältnisse zwischen Variablen bei großen Datenmengen identifiziert werden. Der Maschinenlern- Algorithmus kann eine oder mehrere Verhältnisregeln identifizieren und/oder nutzen, die das Wissen darstellen, dass aus den Daten hergeleitet ist. Die Regeln können z. B. verwendet werden, um das Wissen zu speichern, zu manipulieren oder anzuwenden.

Maschinenlern-Algorithmen basieren normalerweise auf einem Maschinenlern-Modell. Anders ausgedrückt, der Begriff „Maschinenlern-Algorithmus" kann einen Satz von Anweisungen bezeichnen, die verwendet werden können, um ein Maschinenlern-Modell zu erstellen, zu trainieren oder zu verwenden. Der Begriff „Maschinenlern-Modell" kann eine Datenstruktur und/oder einen Satz von Regeln bezeichnen, die/der das erlernte Wissen darstellt (z. B. basierend auf dem durch den Maschinenlern-Algorithmus ausgeführten Training). Bei Ausführungsbeispielen kann die Verwendung eines Maschinenlern- Algorithmus die Verwendung eines zugrundeliegenden Maschinenlern-Modells (oder einer Mehrzahl von zugrundeliegenden Maschinenlern-Modellen) implizieren. Die Verwendung eines Maschinenlern-Modells kann implizieren, dass das Maschinenlern-Modell und/oder die Datenstruktur/der Satz von Regeln, welche das Maschinenlern-Modell ist/sind, durch einen Maschinenlern-Algorithmus trainiert wird.

Beispielsweise kann das Maschinenlern-Modell ein künstliches neuronales Netz (ANN; artificial neural network) sein. ANNs sind Systeme, die durch biologische neuronale Netze inspiriert sind, wie sie in einer Netzhaut oder einem Gehirn zu finden sind. ANNs umfassen eine Mehrzahl von zwischenverbundenen Knoten und eine Mehrzahl von Verbindungen, sogenannte Kanten (edges), zwischen den Knoten. Es gibt normalerweise drei Knotentypen, Eingabeknoten, die Eingabewerte empfangen, versteckte Knoten, die (nur) mit anderen Knoten verbunden sind, und Ausgabeknoten, die Ausgabewerte bereitstellen. Jeder Knoten kann ein künstliches Neuron darstellen. Jede Kante kann Information senden, von einem Knoten zum anderen. Die Ausgabe eines Knoten kann als eine (nichtlineare) Funktion der Eingaben definiert sein (z.B. der Summe seiner Eingaben). Die Eingaben eines Knoten können in der Funktion basierend auf einem „Gewicht" der Kante oder des Knoten, der die Eingabe bereitstellt, verwendet werden. Das Gewicht von Knoten und/oder von Kanten kann in dem Lernprozess angepasst werden. Anders ausgedrückt, das Training eines künstlichen neuronalen Netzes kann ein Anpassen der Gewichte der Knoten und/oder Kanten des künstlichen neuronalen Netzes umfassen, d. h. um eine erwünschte Ausgabe für eine bestimmte Eingabe zu erreichen.

Alternativ kann das Maschinenlern-Modell eine Support-Vector-Machine, ein Random- Forest-Modell oder ein Gradient-Boosting-Modell sein. Support Vector Machines (d. h. Stützvektornetze) sind Supervised Learning-Modelle mit zugeordneten Lernalgorithmen, die verwendet werden können, um Daten zu analysieren (z. B. in einer Klassifizierungs- oder Regressionsanalyse). Support Vector Machines können durch Bereitstellen einer Eingabe mit einer Mehrzahl von Trainingseingabewerten, die zu einer von zwei Kategorien gehören, trainiert werden. Die Support Vector Machine kann trainiert werden, um einer der beiden Kategorien einen neuen Eingabewert zuzuweisen. Alternativ kann das Maschinenlern-Modell ein bayessches Netz sein, das ein probabilistisches gerichtetes azyklisches graphisches Modell ist. Ein bayessches Netz kann einen Satz von Zufallsvariablen und ihre bedingten Abhängigkeiten unter Verwendung eines gerichteten azyklischen Graphen darstellen.

Alternativ kann das Maschinenlern-Modell auf einem genetischen Algorithmus basieren, der ein Suchalgorithmus und heuristische Technik ist, die den Prozess der natürlichen Selektion imitiert.

Bezugszeichenliste

100 Baugruppe

102 Sensor

104 Aktor

106 Steuer- und Auswerteeinheit

108 Bussystem

110 Rechnernetzwerk

112 Statistisches Modell

114 Servicemeldung

400 System

410 Mikroskop

420 Computersystem