Verfahren und Vorrichtung zur automatischen Auswahl von Ana lyseketten zur Merkmalsextraktion

Die Erfindung betrifft ein computerimplementiertes Verfahren und ein System zur automatischen Auswahl von Analyseketten zur Merkmalsextraktion zur Untersuchung und Überwachung von Automatisierungssystemen. Die Erfindung betrifft insbesondere die automatische Auswahl von Analyseketten zur Merkmalsext raktion zur Untersuchung und Überwachung von Automatisie rungssystemen mit Umrichtern.

In modernen Automatisierungssystemen müssen viele verschiede ne Komponenten wie Maschinen, Umrichter, Sensoren und Steue rungssysteme miteinander wechselwirken. Darüber hinaus sind die Systeme häufig dynamisch angelegt, d.h. neue Komponenten können zugefügt werden oder entfernt oder zumindest deakti viert werden.

Zur Untersuchung und Überwachung bestimmter Komponenten kön nen Merkmale extrahiert werden, welche beispielweise den Zu stand der Komponenten beschreiben. Aus der WO 2019/036219 Al ist eine Diagnose von Turbinen bekannt, wobei Merkmale nach ihrer Wichtigkeit geordnet werden. Die US 2019/050465 Al be trifft die Bewertung von Merkmalen unter Verwendung einer Vielzahl von Transformationen. Um eine Vektor-Teilmenge von Merkmalen auszuwählen, beschreibt die MX 2018/002954 A die Verwendung von multidisziplinären Multi-Modell-Frameworks. Eine Vorrichtung zum Auswählen von Merkmalsgrößen ist aus der WO 2018/235568 Al bekannt. Diese Vorrichtung wählt Merkmals größen unter Verwendung einer Ising-Maschine aus. Die Ising- Maschine bestimmt auf stochastische Weise den Wert einer bi nären Variablen, welche eine Objektfunktion minimiert oder maximiert. Iterative Merkmalsselektion auf Basis der Genauig keit eines Voraussagemodells ist aus der US 2018/374104 Al bekannt. Aus der CN 108921197 A ist die Bewertung von Merkma len mit einer Informationszuwachsrate und einer symmetrischen Unsicherheit bekannt. Ein genetischer Schwarmintelligenz- Algorithmus wird in der CN 108875895 A auf eine Ausgangsmenge und auf wechselseitiges Informationswissen angewendet. Die US 2018/336298 Al betrifft eine Hauptkomponentenanalyse zur Merkmalsextraktion. Aus der CN 108846338 A ist die Bestimmung einer optimalen Teilmenge unter Verwendung einer iterativen Abbruchbedingung mittels objektorientierten Random-Forest- Verfahren bekannt.

Die in bestimmten Komponenten zur Verfügung gestellten Aus gangssignale dienen häufig als Eingangswerte für Analysen an derer Komponenten. Um eine Analyse für eine Überwachung der Komponenten durchzuführen, können Analyseketten zur Auswer tung von Signalen der Komponenten verwendet werden. Typi scherweise werden die Analyseketten von Experten manuell er zeugt. Falls sich die Konfiguration der Komponenten ändert, muss eine neue Analysekette angelegt werden, was wiederum ein manuelles Eingreifen eines Experten erfordert. Hierbei er schwert sich die Veränderung bereits bestehender Analyseket ten häufig durch eine unzureichende Spezifizierung, wodurch nicht ohne Weiteres erkannt werden kann, ob eine bereits be stehende Analysekette auch auf die geänderte Situation an wendbar ist. Falls bereits eine Vielzahl von Analyseketten angelegt wurde, ist darüber hinaus auch nicht ohne weiteres erkennbar, welche der Analyseketten auf die geänderte Situa tion am besten angewendet werden kann.

Es ist daher eine Aufgabe, die Auswahl von Analyseketten ins besondere in dynamischen Kontexten zu vereinfachen und zu verbessern .

Diese Aufgabe wird durch ein computerimplementiertes Verfah ren zur automatischen Auswahl von Analyseketten zur Merkmals extraktion mit den Merkmalen des Patentanspruchs 1 und ein System zur automatischen Auswahl von Analyseketten zur Merk malsextraktion mit den Merkmalen des Patentanspruchs 13 ge löst. Weiter stellt die Erfindung ein Computerprogrammprodukt mit ausführbarem Programmcode mit den Merkmalen des Patentan- spruchs 14 und ein nichtflüchtiges, computerlesbares Spei chermedium mit ausführbarem Programmcode mit den Merkmalen des Patentanspruchs 15 bereit.

Gemäß einem ersten Aspekt betrifft die Erfindung demnach ein computerimplementiertes Verfahren zur automatischen Auswahl von Analyseketten zur Merkmalsextraktion. Eine Vielzahl von Anwendungsfällen in einem Automatisierungssystem wird bereit gestellt, wobei den Anwendungsfällen Werte für Klassifikati onsparameter zugeordnet sind. Den Anwendungsfällen sind wei ter Bewertungsgrößen für Analyseketten aus einer Vielzahl von Analyseketten zugeordnet. Für einen neuen Anwendungsfall wer den Werte für Klassifikationsparameter ermittelt. Eine Ähn lichkeit (engl, similarity) des neuen Anwendungsfalls mit den Anwendungsfällen der Vielzahl von Anwendungsfällen wird an hand eines Vergleichs der für den neuen Anwendungsfall ermit telten Werte der Klassifikationsparameter mit den Werten der Klassifikationsparameter, welche den Anwendungsfällen der Vielzahl von Anwendungsfällen zugeordnet sind, ermittelt. Da bei kann ein bekanntes Ähnlichkeitsmaß (engl, similarity mea- sure), z.B. eine Distanz (engl, similarity distance) verwen det werden. Aus der Vielzahl von Analyseketten wird anhand der ermittelten Ähnlichkeit des neuen Anwendungsfalls mit den Anwendungsfällen der Vielzahl von Anwendungsfällen und anhand der Bewertungsgrößen für die Analyseketten, welche den Anwen dungsfällen der Vielzahl von Anwendungsfällen zugeordnet sind, eine Analysekette aus der Vielzahl von Analyseketten ausgewählt .

Gemäß einem zweiten Aspekt betrifft die Erfindung ein System zur automatischen Auswahl von Analyseketten zur Merkmalsext raktion mit einer Schnittstelle und einer Recheneinheit. Die Schnittstelle stellt eine Vielzahl von Anwendungsfällen be reit, wobei den Anwendungsfällen Werte für Klassifikationspa rameter zugeordnet sind. Den Anwendungsfällen sind Bewer tungsgrößen für Analyseketten aus einer Vielzahl von Analyse ketten zugeordnet. Die Recheneinheit ermittelt Werte für Klassifikationsparameter für einen neuen Anwendungsfall. Die Recheneinheit ermittelt weiter eine Ähnlichkeit des neuen An wendungsfalls mit den Anwendungsfällen der Vielzahl von An wendungsfällen anhand eines Vergleichs der für den neuen An wendungsfall ermittelten Werte der Klassifikationsparameter mit den Werten der Klassifikationsparameter, welche den An wendungsfällen der Vielzahl von Anwendungsfällen zugeordnet sind. Die Recheneinheit wählt aus der Vielzahl von Analyse ketten eine Analysekette aus, wobei die Recheneinheit die er mittelten Ähnlichkeit des neuen Anwendungsfalls mit den An wendungsfällen der Vielzahl von Anwendungsfällen und die Be wertungsgrößen für die Analyseketten, welche den Anwendungs fällen der Vielzahl von Anwendungsfällen zugeordnet sind, be rücksichtigt .

Die Erfindung erlaubt eine automatische Auswahl von Anwen dungsfällen aus einer Vielzahl von Anwendungsfällen, ohne dass menschliches Eingreifen durch einen Experten erforder lich ist. Indem ein neuer Anwendungsfall mit bereits beste henden Anwendungsfällen verglichen wird, wobei eine Ähnlich keit der Anwendungsfälle quantitativ ausgewertet wird, ist es möglich, denjenigen bereits bestehenden Anwendungsfall zu er mitteln, welcher mit dem neuen Anwendungsfall die größten Übereinstimmungen aufweist. Die Anwendungsfälle werden hierzu einheitlich klassifiziert und quantifiziert, sodass ein auto matischer Vergleich der Anwendungsfälle durchgeführt werden kann.

Im Rahmen dieser Erfindung ist unter einer Analysekette zur Merkmalsextraktion (englisch: feature extraction pipeline) eine Art der Auswertung von Eingangsdaten zu verstehen, wobei Merkmale aus den Eingangsdaten extrahiert werden. Die Analy sekette zur Merkmalsextraktion umfasst typischerweise eine Vielzahl von Schritten, welche sequenziell oder auch zumin dest teilweise parallel durchlaufen werden. Jeder einzelne Schritt kann mittels Software und/oder Hardware implementiert werden. Mögliche Schritte umfassen das Umformen oder Bearbei ten der Daten, etwa durch Skalieren, Samplen oder Filtern der Daten. Das Filtern der Daten kann beispielsweise unter Ver- Wendung von Hochpassfiltern, Tiefpassfiltern oder Bandpass filtern erfolgen. Weiter können die Schritte eine Auswertung oder Analyse der Daten umfassen, etwa mittels Fourier-Trans formation, Laplace-Transformation und/oder Erkennen und Aus werten von Spitzen im Signalverlauf. Merkmale können elektro nische Repräsentationen von physikalischen oder chemischen Größen umfassen, etwa Temperaturen, Drücke, Geschwindigkeiten oder Beschleunigungen. Extrahierte Merkmale können auch Zu stände eines Geräts oder mehrerer Geräte betreffen, etwa das Vorliegen von Fehlern. Diese Zustände können auch quantifi ziert werden, indem etwa dem Fehler ein Fehlerwert als extra hiertes Merkmal zugeordnet wird, welcher die Schwere des Feh lers angibt. Die extrahierten Merkmale können als Ausgangs werte ausgegeben werden. Die extrahierten Merkmale können auch als Zwischenresultate in Zwischenschritten der Analyse kette zur Merkmalsextraktion erzeugt werden und können als Eingangsgrößen in weiteren Schritten der Analysekette zur Merkmalsextraktion weiter ausgewertet werden. In jedem Schritt der Analysekette können aus einer oder aus mehreren Eingangsgrößen eine oder mehrere Ausgangsgrößen berechnet werden.

Im Rahmen dieser Erfindung ist unter einem Anwendungsfall (englisch: use case) eine bestimmte Untersuchungs- oder Über wachungsaufgabe eines Ereignisses oder eines bestimmten Zu standes einer zu untersuchenden Komponente, insbesondere ei nes Automatisierungssystems, wie z.B. Erkennung eines Locke rungszustandes eines Transportbandes, Überwachung von Gepäckfördersysteme an Flughäfen, Motor, Pumpe, Kippvorrich tung, Bänder etc. zu verstehen. Bei einem „neuen Anwendungs fall" kann es sich insbesondere um die Erkennung einer geän derten Konfiguration eines Automatisierungssystems oder die Fehlererkennung einer Komponente eines Automatisierungssys tems handeln. Ein „neuer Anwendungsfall" kann sich von den bereits bestehenden Anwendungsfällen durch neu hinzugefügte, entfernte oder veränderte Komponenten unterscheiden. Der „neue Anwendungsfall" kann auch einer bestimmten Komponente, insbesondere einer neu hinzugefügten Komponente zugeordnet sein. Beispielsweise kann bei dem „neuen Anwendungsfall" ein Umrichter (Inverter) zu dem Automatisierungssystem neu hinzu gefügt worden sein. Ein Anwendungsfall wird durch bestimmte Parameter oder Werte gekennzeichnet, wozu die Klassifikati onsparameter und die Bewertungsgrößen zählen. Unterschiedli chen Anwendungsfällen können sich zumindest teilweise über schneidende Klassifikationsparameter zugeordnet sein, wobei sich die unterschiedlichen Anwendungsfälle in zumindest eini gen der Werte, welche den Klassifikationsparametern zugeord net sind, unterscheiden können.

Die Begriffe „Klassifikationsparameter" und „Bewertungsgrö ßen" sind aus dem Machine Learning allgemein bekannt. Diese können beispielsweise numerische Werte, Textbeschreibungen, Schlüsselwörter, Gerätespezifikation, Signaltyp, Fl score, Gerätetyp, Merkmalswert, Zentralisierungsgrad etc. umfassen.

Gemäß einer bevorzugten Ausführungsform des computerimplemen tierten Verfahrens wird für den neuen Anwendungsfall eine Merkmalsextraktion anhand der ausgewählten Analysekette durchgeführt. Insbesondere kann eine neu hinzugefügte Kompo nente, etwa ein Umrichter, mittels der ausgewählten Analyse kette analysiert werden.

Gemäß einer bevorzugten Ausführungsform des computerimplemen tierten Verfahrens wird die Vielzahl von Anwendungsfällen an hand des neuen Anwendungsfalls aktualisiert. Die Anzahl der Anwendungsfälle kann hierbei konstant bleiben oder sich auch verändern. So können die bestehenden Anwendungsfälle aktuali siert werden und/oder es kann der neue Anwendungsfall zu der Vielzahl von Anwendungsfällen hinzugefügt werden. Die Erfin dung erlaubt dadurch eine dynamische und automatische Aktua lisierung der Anwendungsfälle, ohne dass ein manuelles Ein greifen eines Experten erforderlich wäre.

Gemäß einer bevorzugten Ausführungsform des computerimplemen tierten Verfahrens wird der neue Anwendungsfall zu der Viel zahl von Anwendungsfällen hinzugefügt, falls die Ähnlichkeit des neuen Anwendungsfalls mit den Anwendungsfällen der Viel zahl von Anwendungsfällen ein vorgegebenes Ähnlichkeitskrite rium nicht erfüllt. Falls sich der neue Anwendungsfall also hinreichend von den bereits bestehenden Anwendungsfällen un terscheidet, wird die Vielzahl von Anwendungsfällen unter Hinzufügung des neuen Anwendungsfalls aktualisiert. Die Zahl der Anwendungsfälle kann dadurch stetig zunehmen. Beim Hinzu fügen weiterer neuer Anwendungsfälle kann dadurch auf eine größere Referenzmenge von bereits bestehenden Anwendungsfäl len zurückgegriffen werden, wodurch gegebenenfalls bessere Analyseketten ausgewählt werden können.

Gemäß einer bevorzugten Ausführungsform des computerimplemen tierten Verfahrens wird der neue Anwendungsfall mit mindes tens einem Anwendungsfall der Vielzahl von Anwendungsfällen zusammengeführt, falls die Ähnlichkeit des neuen Anwendungs falls mit dem mindestens einen Anwendungsfall der Vielzahl von Anwendungsfällen ein vorgegebenes Ähnlichkeitskriterium erfüllt. Die bereits bestehenden Anwendungsfälle werden somit anhand des neuen Anwendungsfalls aktualisiert. Durch diese Maßnahmen kann verhindert werden, dass die Referenzmenge der Anwendungsfälle zu stark anwächst und eine große Vielzahl von relativ ähnlichen Anwendungsfällen umfasst. Indem ähnliche Anwendungsfälle zusammengefasst werden, kann dadurch auch der Vergleich neuer Anwendungsfälle mit den bereits bestehenden Anwendungsfällen schneller durchgeführt werden, da eine ge ringere Anzahl von Vergleichen erforderlich ist.

Gemäß einer bevorzugten Ausführungsform des computerimplemen tierten Verfahrens erfolgt das Zusammenführen des neuen An wendungsfalls mit dem mindestens einen Anwendungsfall der Vielzahl von Anwendungsfällen unter Verwendung eines Adap ters. Mithilfe des Adapters werden Klassifikationsparameter eines zusammengeführten Anwendungsfalls anhand der Klassifi kationsparameter des neuen Anwendungsfalls und anhand der Klassifikationsparameter des mindestens einen Anwendungsfalls der Vielzahl von Anwendungsfällen erzeugt. Der Adapter er laubt es somit Anwendungsfälle miteinander zu verbinden, wel- che sich in ihrer Spezifizierung zumindest teilweise vonei nander unterscheiden. Klassifikationsparameter mit unter schiedlichen Werten können gemäß den Vorgaben des Adapters kombiniert werden. Der neue Anwendungsfall kann hierbei sämt liche Klassifikationsparameter umfassen, auch wenn diese nur für einige der Anwendungsfälle, welche kombiniert werden sol len, angelegt worden sind. Die Menge der Klassifikationspara meter eines neuen kombinierten Anwendungsfalls kann somit die Vereinigungsmenge der Klassifikationsparameter sämtlicher kombinierter Anwendungsfälle sein.

Gemäß einer bevorzugten Weiterbildung des computerimplemen tierten Verfahrens sind die Anwendungsfälle der Vielzahl von Anwendungsfällen dezentral verteilt gespeichert. Durch die dezentrale Verwaltung können mittels intelligenter Konfigura tionen für die Übertragung hohe und stabile Datenübertragun gen gewährleistet werden. Die Kommunikation ist auch beim Ausfall von Verbindungen weiter möglich. Weiter vereinfacht sich das Hinzufügen zusätzlicher Komponenten beziehungsweise entsprechender Anwendungsfälle.

Gemäß einer bevorzugten Weiterbildung des computerimplemen tierten Verfahrens können die Anwendungsfälle auch zumindest teilweise zentral gespeichert sein. Eine zentrale Speicherung kann insbesondere aus Sicherheitsgründen erforderlich sein. Die Anwendungsfälle können in einem Speicher abgelegt sein, wobei die Recheneinheit über die Schnittstelle auf den Spei cher zugreift. Informationen über den Inhalt der Bibliothek können in diesem Fall unter Verwendung von Hash-Werten mitge teilt werden, um maximale Sicherheit zu gewährleisten.

Gemäß einer bevorzugten Weiterbildung des computerimplemen tierten Verfahrens umfassen die Klassifikationsparameter ei nen Zentralisierungsgrad, welcher von einer Stellung eines Geräts des Anwendungsfalls in einer Automatisierungshierar chie abhängt. Der Zentralisierungsgrad kann anhand von Anla genstrukturinformationen eines digitalen Regelungssystems festgelegt werden. Anhand der Anlagenstrukturinformationen können die Analyseketten zur Merkmalsextraktion anhand der Position der betreffenden Komponenten in der Automatisie rungshierarchie klassifiziert werden. Die Anwendungsfälle können in zentrale und dezentrale Anwendungsfälle unterteilt werden, wobei jeweils noch feingliedrigere Unterteilungen möglich sind. Die Hierarchie der Anwendungsfälle kann bei spielsweise anhand eines CAX-Modells ermittelt werden, wel ches eine einfache Visualisierung der Entscheidungsprozedur ermöglicht. Hierbei umfasst CAX insbesondere CAD (englisch: Computer aided design), CAE (Computer aided engineering, CAM (englisch: Computer aided manufacturing) und dergleichen. Gemäß einer bevorzugten Weiterbildung des computerimplemen tierten Verfahrens umfassen die Klassifikationsparameter eine Merkmalsbewertungszahl. Die Merkmalsbewertungszahl kann an hand von textlichen Beschreibungen der Komponenten des Sys tems und anhand von Keywords erstellt werden.

Gemäß einer bevorzugten Weiterbildung des computerimplemen tierten Verfahrens umfassen die Klassifikationsparameter ei nen Signaltyp von Signalen des Anwendungsfalls. Die Ähnlich keit von Signaltypen kann anhand von Korrelationsfunktionen bestimmt werden. Beispielweise kann eine Signalkorrelation im Zeitbereich oder im Frequenzbereich berechnet werden. Weiter kann eine Autokorrelation eines Signals im Zeitbereich oder Frequenzbereich ermittelt werden und die entsprechenden Werte können verglichen werden. Weiter ist es möglich, einen Ver gleich der Dynamik durchzuführen, unter Verwendung von Key- Signal-Charakteristiken, etwa eines Cutoffs einer Transfer funktion, einer Resonanz- oder einer Antiresonanzfrequenz.

Gemäß einer bevorzugten Weiterbildung des computerimplemen tierten Verfahrens kann ein gesamter Ähnlichkeitswert zur Quantifizierung einer Ähnlichkeit des neuen Anwendungsfalls mit den bestehenden Anwendungsfällen anhand eines Entschei dungsbaumes oder anhand von Clusterbildung einzelner Ähnlich keitswerte, welche einzelne Klassifikationsparameter betref fen, ermittelt werden. Gemäß einer bevorzugten Weiterbildung des computerimplemen tierten Verfahrens umfassen die Klassifikationsparameter eine Gerätebeschreibung eines Geräts des Anwendungsfalls. Ein Ver gleich der Gerätebeschreibung kann anhand eines Textver gleichs oder eines Vergleichs von Keywords erfolgen, wobei die Keywords den Anwendungsfällen zugeordnet sind, um das Ge rät zu beschreiben.

Gemäß einer bevorzugten Weiterbildung des computerimplemen tierten Verfahrens betrifft der neue Anwendungsfall ein zu einem Automatisierungssystem hinzugefügtes oder hinzuzufügen des Gerät. Das Automatisierungssystem ändert sich somit dyna misch und die Anzahl der Anwendungsfälle ändert sich durch die sich verändernde Struktur des Automatisierungssystems.

Gemäß einer bevorzugten Weiterbildung des computerimplemen tierten Verfahrens ist das zu dem Automatisierungssystem hin zugefügte oder hinzuzufügende Gerät ein Umrichter. Aufgrund großer Schwankungen von Umrichterparametern der Umrichter und aufgrund verschiedener Kombinationen der Umrichterparameter (Drehzahl, Drehmoment, Strom, Spannung, Position, Geschwin digkeit, etc.), welche sich für verschiedene Anwendungsfälle unterscheiden können, ist die bekannte Auswertung anhand von Rohdaten und Heuristiken, welche von Experten ausgewählt wer den, schwierig oder nicht anwendbar. Indem gemäß der Erfin dung die Anwendungsfälle in einem abstrakten Modell anhand der Klassifikationsparameter miteinander verglichen werden können, kann beim Hinzufügen des Umrichters auf manuelles Eingreifen von Experten zur Anpassung der Auswertungen für verschiedene Anwendungsfälle verzichtet werden.

Die oben beschriebenen Eigenschaften, Merkmale und Vorteile dieser Erfindung sowie die Art und Weise, wie diese erreicht werden, werden klarer und deutlicher verständlich im Zusam menhang mit der folgenden Beschreibung der Ausführungsbei spiele, die im Zusammenhang mit den Zeichnungen näher erläu tert werden. Es zeigen:

FIG 1 ein schematisches Blockschaltbild eines Systems zur automatischen Auswahl von Analyseketten zur Merk malsextraktion gemäß einer Ausführungsform der Er findung;

FIG 2 eine schematische Darstellung einer beispielhaften Analysekette zur Merkmalsextraktion;

FIG 3 schematische Darstellungen weiterer beispielhafter Analyseketten zur Merkmalsextraktion;

FIG 4 Signalverläufe für eine Erkennung eines Lockerungs zustandes eines Transportbands;

FIG 5 beispielhafte Merkmale, welche anhand der in FIG 4 dargestellten Signalverläufe extrahiert werden;

FIG 6 eine schematische Illustration einer Klassifikation eines Lockerungszustandes des Transportbandes;

FIG 7 eine schematische Darstellung eines Automatisie rungssystems mit einer verteilten Bibliothek;

FIG 8 einen Teil eines Automatisierungssystems zur Erläu terung eines Zentralisierungsgrades;

FIG 9 eine hierarchische Anordnung von Komponenten eines Automatisierungssystem;

FIG 10 eine Illustration eines Vergleichs eines neuen An wendungsfalls mit bereits bestehenden Anwendungs fällen;

FIG 11 eine Einordnung eines Anwendungsfalls anhand der entsprechenden Bewertungsgrößen für zwei Analyse ketten;

FIG 12 eine schematische Darstellung eines Automatisie rungssystems mit einer verteilten Bibliothek mit einem neuen Gerät, welches dem Automatisierungssys tem hinzugefügt werden soll;

FIG 13 eine schematische Darstellung des in FIG 12 illus trierten Automatisierungssystems nach dem Hinzufü gen des neuen Geräts;

FIG 14 eine schematische Darstellung eines Ähnlichkeits vergleichs eines neuen Anwendungsfalls mit bereits bestehenden Anwendungsfällen; FIG 15 eine schematische Illustration einer Kombination eines neuen Anwendungsfalls mit einem bestehenden Anwendungsfall zu einem kombinierten Anwendungsfall mithilfe eines Adapters;

FIG 16 eine schematische hierarchische Anordnung von Kom ponenten eines Automatisierungssystems;

FIG 17 ein Flussdiagramm eines computerimplementierten

Verfahrens zur automatischen Auswahl von Analyse ketten zur Merkmalsextraktion gemäß einer Ausfüh rungsform der Erfindung;

FIG 18 ein schematisches Blockdiagramm eines Computerpro grammprodukts gemäß einer Ausführungsform der Er findung; und

FIG 19 ein schematisches Blockdiagramm eines nichtflüchti gen, computerlesbaren Speichermediums gemäß einer Ausführungsform der Erfindung.

FIG 1 zeigt ein schematisches Blockschaltbild eines Systems 1 zur automatischen Auswahl von Analyseketten zur Merkmalsext raktion. Das System 1 umfasst eine Schnittstelle 2 über wel che eine Vielzahl von Anwendungsfällen bereitgestellt wird. Jedem Anwendungsfall sind Werte für Klassifikationsparameter zugeordnet. Die Schnittstelle 2 kann zur Eingabe und Ausgabe von Daten ausgebildet sein und kann beispielsweise WLAN-, Bluetooth-, Profibus-, Ethernet-Schnittstellen oder ähnliches umfassen. Die Schnittstelle kann auch zur Verbindung mit elektrischen oder optischen Kabeln ausgestaltet sein.

Die Anwendungsfälle umfassen Signale, Merkmale (Features) und Klassifizierungen. Die Merkmale werden anhand der Signale un ter Verwendung einer Analysekette zur Merkmalsextraktion (englisch: feature extraction pipeline) extrahiert. Die Ana lyseketten zur Merkmalsextraktion werden im Hinblick auf ei nen realen Anwendungsfall und eine Maschine oder Komponente einer Industrieanlage oder eines Automatisierungssystems ent wickelt. Die Klassifizierung erfolgt anhand der ermittelten Merkmale. Etwa kann im Rahmen der Klassifizierung ein be- stimmter Betriebszustand oder ein Fehlerzustand der Maschine oder der Komponente ermittelt werden.

Beispiele für Maschinen oder Komponenten eines Gepäckbeförde rungssystems an Flughäfen sind Motoren, Pumpen, Kippvorrich tungen und Bänder. Beispielhafte Eingangsdaten umfassen ein Drehmoment, einen Strom, eine Position und eine Geschwindig keit. Beispielhafte Transformationsverfahren, welche in einer Analysekette zur Merkmalsextraktion zur Anwendung kommen kön nen, umfassen Fast-Fourier-Transformationen, Short-Time- Fourier-Transformationen, das Bilden von Durchschnittswerten, Maximal- oder Minimalwerten, Autoencoder-Verfahren, Rolling- Window-Analysen, Skalierungen, Entscheidungsbaumanalysen (englisch: decision tree analysis, DTA), Trigger, Anwendung von Fensterfunktionen (englisch: windowing), Filter, Verände rung der Abtastung (englisch: Resampling), Histogramm-Auswer tung und Bestimmen von Perzentilen.

Die Klassifikationsparameter umfassen beispielweise einen Zentralisierungsgrad, welcher von einer Stellung eines Geräts des Anwendungsfalls in einer Automatisierungshierarchie ab hängt. Ein weiterer möglicher Parameter ist eine Merkmalsbe wertungszahl. Weiter können die Klassifikationsparameter ei nen Signaltyp von Signalen des Anwendungsfalls umfassen. Die Klassifikationsparameter können weiter eine Gerätebeschrei bung eines Geräts des Anwendungsfalls umfassen.

Unter „Werten für Klassifikationsparameter" können allgemein binär speicherbare Werte verstanden werden, also neben nume rischen Werten insbesondere auch Textbeschreibungen oder Keywords.

Das System 1 zur automatischen Auswahl von Analyseketten zur Merkmalsextraktion umfasst weiter eine Recheneinheit 3, wel che Software- und/oder Hardwarekomponenten umfassen kann, et wa CPUs (englisch: central processing unit), GPUs (englisch: graphics processing unit), Mikrokontroller, integrierte Schaltkreise (englisch: integrated circuits), ASICs (eng- lisch: application-specific integrated circuits), FPGAs (eng lisch: field programmable gate array) oder dergleichen. Die Recheneinheit 3 kann weiter einen flüchtigen oder nicht flüchtigen Speicher aufweisen, etwa eine Festplatte, eine Speicherkarte oder dergleichen.

Die Recheneinheit 3 ermittelt für einen neuen Anwendungsfall Werte für die Klassifikationsparameter.

FIG 2 zeigt eine schematische Darstellung einer beispielhaf ten Analysekette 4a zur Merkmalsextraktion. Die Analysekette 4a zur Merkmalsextraktion empfängt Eingangsdaten, welche mit tels eines Präprozessors 41a vorverarbeitet werden. Die Ein gangsdaten können beispielsweise Sensordaten umfassen, welche bestimmte Eigenschaften oder Parameter der Maschine oder Kom ponente beschreiben. Weiter umfasst die beispielhafte Analy sekette 4a zur Merkmalsextraktion einen ersten Merkmalsext raktor 42a und einen zweiten Merkmalsextraktor 43a, welche jeweils die von dem Präprozessor 41a vorverarbeiteten Daten als Eingangsdaten empfangen und daraus Merkmale extrahieren. Die extrahierten Merkmale können als Ausgangsdaten der Analy sekette 4a zur Merkmalsextraktion ausgegeben werden. Weiter dienen die von dem ersten Merkmalsextraktor 42a und dem zwei ten Merkmalsextraktor 43a extrahierten Merkmale als Eingangs größen für einen dritten Merkmalsextraktor 44a, welcher eben falls Merkmale extrahiert und diese als Ausgangsdaten der Analysekette 4a zur Merkmalsextraktion ausgibt. Die gezeigte Anordnung ist nur beispielhaft zu verstehen. So kann die Ana lysekette 4a zur Merkmalsextraktion eine beliebige Vielzahl von seriell oder parallel verschalteten Merkmalsextraktoren und/oder weiteren Komponenten zur Signalverarbeitung umfas sen. Die weiteren Komponenten können insbesondere Filter, Sampler oder Skalierer umfassen. Die von den Merkmalsextrak toren extrahierten Merkmale können zumindest teilweise ausge geben und/oder zumindest teilweise von weiteren Komponenten der Analysekette 4a zur Merkmalsextraktion weiterverarbeitet werden. FIG 3 zeigt schematische Darstellungen einer weiteren bei spielhaften Analysekette 4b zur Merkmalsextraktion für Ge päckbeförderungssysteme an Flughäfen, bei welchen Trays über Transportbänder geführt werden.

Eine Analysekette 4b ist dem Transportband des Gepäckbeförde rungssystems zugeordnet. Als Eingangsgrößen dienen eine Dreh zahl, eine Position und ein Drehmomentwert, welche von an dem Transportband angeordneten Sensoren ermittelt werden. Ein erstes Analysekettenelement 41b vergleicht das Drehmoment mit einem Schwellenwert und dient als Trigger. Wird der Schwel lenwert erreicht, führt ein zweites Analysekettenelement 42b ein Resampling der Eingangsgrößen durch. Ein drittes Analy senkettenelement 43b ermittelt ein bestimmtes Fenster von ei ner vorgegebenen Messpunktanzahl der von dem zweiten Analyse kettenelement 42b bearbeiteten Größen. Ein viertes Analyse kettenelement 44b transformiert die von dem dritten Analyse kettenelement 43b bearbeiteten Größen mittels einer schnellen Fourier-Transformation (englisch: Fast-Fourier-Transforma- tion). Ein fünftes Analysekettenelement 45b skaliert die von dem vierten Analysekettenelement 44b bearbeiteten Größen. Ein sechstes Analysekettenelement 46b ermittelt anhand der von dem fünften Analysekettenelement 45b bearbeiteten Größen und unter Zuhilfenahme eines Modells, ob sich das Transportband gelockert hat.

FIG 4 zeigt beispielhafte Signalverläufe für eine Erkennung eines Lockerungszustandes eines Transportbands. In der ersten Zeile ist der zeitliche Verlauf eines Drehzahl-Sollwertes n_soll nach einer erfolgten Filterung für ein gespanntes Band 51a-l und für ein gelockertes Band 51a-2 illustriert. In der zweiten Zeile ist ein zeitlicher Verlauf eines entsprechenden Digitalwerts für das gespannte Band 52a-l und das gelockertes Band 52a-2 illustriert. In der dritten Zeile ist ein zeitli cher Verlauf eines ungeglätteten Drehzahl-Istwerts n_ist für das gespannte Band 53a-l und für das gelockerte Band 53a-2 illustriert. Die vierte Spalte zeigt den zeitlichen Verlauf eines Drehmoment-Istwertes M_ist für das gespannte Band 54a-l und für das gelockerte Band 54a-2. Die in FIG 4 illustrierten Signalverläufe dienen als Eingangsgrößen für die erste Analy sekette 4b zur Merkmalsextraktion.

FIG 5 zeigt beispielhafte Merkmale, welche anhand der in FIG 4 dargestellten Signalverläufe mittels der ersten Analyseket te 4b zur Merkmalsextraktion extrahiert werden. In der oberen Zeile werden eine erster zeitlicher Frequenzverlauf 55a und ein zweiter zeitlicher Frequenzverlauf 56a für ein gespanntes Band illustriert. In der unteren Zeile werden ein erster zeitlicher Frequenzverlauf 57a und ein zweiter zeitlicher Frequenzverlauf 58a für ein gelockertes Band illustriert. In diesem Fall sind also die Amplituden bei Frequenzen f die von der ersten Analysekette 4b extrahierten Merkmale.

FIG 6 zeigt eine schematische Illustration einer Klassifika tion eines Lockerungszustandes des Transportbandes anhand der in FIG 5 gezeigten Merkmale. Nimmt die in FIG 6 gezeigte Klassifizierungsfunktion einen Wert gleich 1 an, ist das Transportband zu stark gespannt. Ist der Wert gleich 0, ist das Transportband zu locker. Illustriert sind vorhergesagte Werte 59a-l und der tatsächlich eingestellte Zustand 59a-2 für mehrere Versuche.

FIG 7 zeigt eine schematische Darstellung eines Automatisie rungssystems mit einer verteilten Bibliothek. Das Automati sierungssystem umfasst einen verteilten nicht-lokalen Rech nerverbund (Cloud) 601 mit einem Analyseserver 602 und einer ersten Anwendungsfallbeschreibung 701, sowie einem Datenser ver 603 und einer zweiten Anwendungsfallbeschreibung 702. Ein Edgegerät 604 ist mit der Cloud 601 verbunden und umfasst ei ne dritte Anwendungsfallbeschreibung 703, eine vierte Anwen dungsfallbeschreibung 704 und eine fünfte Anwendungsfallbe schreibung 705. Eine speicherprogrammierbare Steuerung (eng lisch: programmable logic Controller, PLC) 605 ist mit dem Edgegerät 604 verbunden und umfasst eine sechste Anwendungs fallbeschreibung 706. Die speicherprogrammierbare Steuerung ist mit ersten Sensoren 606 verbunden. Das Edgegerät 604 ist weiter mit einem ersten Umrichter (Inverter) 607 verbunden, welcher eine siebte Anwendungsfallbeschreibung 707 umfasst und erste Umrichtersignale 607a empfängt. Das Edgegerät 604 ist weiter mit einem zweiten Umrichter 609 verbunden, welche eine achte Anwendungsfallbeschreibung 708 umfasst und zweite Umrichtersignale 609a empfängt. Weiter sind ein zweiter Sen sor 608 und ein dritter Sensor 610 zwischen dem Edgegerät 604 und den Umrichtern 607, 609 angeordnet.

Die dezentrale Speicherung der Anwendungsfälle in einer ver teilten Bibliothek ermöglicht es bestimmten Anwendern, wie Domain-Experten, dezentral am Edgegerät 604 auf die Biblio thek zuzugreifen, während andere Benutzer, etwa Datenanalys ten, über die Cloud bzw. das Netzwerk 601 auf die Daten zu greifen, sodass Sicherheits- und Systemperformance-Anforde- rungen gleichzeitig erfüllt sein können.

FIG 8 zeigt ein Teil eines Automatisierungssystems. Der Zent ralisierungsgrad, welcher einem Anwendungsfall zugeordnet wird, wird anhand von Anlagenstrukturinformationen eines di gitalen Regelungssystems festgelegt. Analyseketten zur Merk malsextraktion werden unterschiedlich klassifiziert, je nach dem ob sie anhand von einzelnen Umrichtersignalen 81 eines Umrichters 607, anhand von mehreren Daten 82 des Umrichters 607, anhand von Umrichtersignalen 83a, 83b mehrerer Umrichter 607, 609, oder zusätzlich anhand von anderen Signalen 84, welche nicht von Umrichtern 607, 609 stammen, bestimmt wer den. Ein Anwendungsfall wird als „dezentral" klassifiziert, falls die Analyseketten zur Merkmalsextraktion auf Daten ei nes einzelnen Umrichters basieren, oder als „zentralisiert" klassifiziert, falls die entsprechenden Analyseketten zur Merkmalsextraktion auf Daten mehrerer Umrichter und anderer Signale basieren.

FIG 9 zeigt eine hierarchische Anordnung von Komponenten ei nes Automatisierungssystems. Die Komponenten umfassen eine speicherprogrammierbare Steuerung 1101, einen Umrichter 1102, einen ersten Sensor 1105, einen Motor 1103, einen zweiten Sensor 1106, ein Band 1104 und eine Kippvorrichtung 1107 und sind anhand ihrer Abhängigkeit und Verknüpfung hierarchisch angeordnet. Der speicherprogrammierbaren Steuerung 1101 sind ein erster und ein zweiter Anwendungsfall zugeordnet. Dem Um richter 1102 ist ein dritter Anwendungsfall zugeordnet. Dem Motor sind ein vierter, ein fünfter und ein sechster Anwen dungsfall zugeordnet. Dem Band ist ein siebter Anwendungsfall und dem Tilter einen achter Anwendungsfall zugeordnet.

Tabelle 1

In Tabelle 1 sind beispielhafte ermittelte Ähnlichkeitswerte angegeben, welche die Ähnlichkeit zwischen verschiedenen An wendungsfällen quantifizieren. Die Ähnlichkeitswerte werden anhand eines Vergleichs der für die Anwendungsfälle ermittel ten Klassifikationsparameter ermittelt. Anhand der ermittel ten Ähnlichkeiten können die Anwendungsfälle gruppiert wer den, d.h. in Cluster eingeteilt werden. Beispielsweise haben die fünften, siebten und achten Anwendungsfälle gleiche Ähn- lichkeitswerte wie die ersten, zweiten, dritten und vierten Anwendungsfälle. Weiter können die Anwendungsfälle anhand ei nes Entscheidungsbaums ausgewertet werden. Beispielsweise kann ermittelt werden, dass der erste Anwendungsfall ähnlich zu den fünften und siebten Anwendungsfällen ist, während der zweite Anwendungsfall ähnlich zu den dritten und siebten An wendungsfällen ist.

FIG 10 zeigt eine Illustration eines Vergleichs eines neuen Anwendungsfalls 709 mit bereits bestehenden Anwendungsfällen 710, 711, 712. Den Anwendungsfällen 709-712 sind entsprechen de Werte 709a, 710a, 711a, 712a für Klassifikationsparameter zugeordnet .

Für den ersten bereits bestehenden Anwendungsfall 710 ist ei ner Bewertungsgröße für eine erste Analysekette zur Merkmals extraktion ein Wert 0 zugeordnet. Einer Bewertungsgröße für eine zweite Analysekette zur Merkmalsextraktion ist ein Wert 0,4 zugeordnet. Weiter ist dem ersten bereits bestehenden An wendungsfall 710 für einen Signaltyp der Wert „Drehmoment" zugeordnet, für einen Merkmalswert der Wert Fl = 1, und für einen Gerätetyp der Wert „Pumpe".

Für den zweiten bereits bestehenden Anwendungsfall 711 ist der Bewertungsgröße für die erste Analysekette zur Merkmals extraktion ein Wert 0,2 zugeordnet. Der Bewertungsgröße für die zweite Analysekette zur Merkmalsextraktion ist ein Wert 0,3 zugeordnet. Weiter ist dem zweiten bereits bestehenden Anwendungsfall 711 für einen Signaltyp der Wert „Strom" zuge ordnet, für einen Merkmalswert der Wert Fl = 0, und für einen Gerätetyp der Wert „Band".

Für den dritten bereits bestehenden Anwendungsfall 712 ist der Bewertungsgröße für die erste Analysekette zur Merkmals extraktion ein Wert 0,23 zugeordnet. Der Bewertungsgröße für die zweite Analysekette zur Merkmalsextraktion ist ein Wert 0,35 zugeordnet. Weiter ist dem dritten bereits bestehenden Anwendungsfall 712 für einen Signaltyp der Wert „Strom" zuge ordnet, für einen Merkmalswert der Wert Fl = 0, und für einen Gerätetyp der Wert „Motor".

Für den neuen Anwendungsfall 709 ist die Bewertungszahl für die erste Analysekette zur Merkmalsextraktion und die Bewer- tungszahl für die zweite Analysekette zur Merkmalsextraktion anfänglich unbekannt. Dem neuen Anwendungsfall 709 ist für einen Signaltyp der Wert „Strom" zugeordnet, für einen Merk malswert der Wert Fl = 0, und für einen Gerätetyp der Wert „Band".

Anhand eines Vergleichs der Klassifikationsparameter „Signal typ", „Merkmalswert" und „Gerätetyp" ermittelt die Rechenein heit 3 einen Ähnlichkeitswert von 0,2 zwischen dem neuen An wendungsfall 709 und dem ersten bereits bekannten Anwendungs fall 710, einen Ähnlichkeitswert von 0,6 zwischen dem neuen Anwendungsfall 709 und dem zweiten bereits bekannten Anwen dungsfall 711, und einen Ähnlichkeitswert von 0,8 zwischen dem neuen Anwendungsfall 709 und dem dritten bereits bekann ten Anwendungsfall 712.

FIG 11 zeigt eine Einordnung eines Anwendungsfalls anhand der entsprechenden Bewertungsgrößen für die zwei Analyseketten. Die Bewertungsgrößen (Scores) Sei, Sc2 für die erste Analyse kette zur Merkmalsextraktion und die zweite Analysekette zur Merkmalsextraktion sind für den ersten bereits bekannten An wendungsfall 710, den zweiten bereits bekannten Anwendungs fall 711 und den dritten bereits bekannten Anwendungsfall 712 bekannt. Die entsprechenden Bewertungsgrößen Sei, Sc2 für den neuen Anwendungsfall 709 werden unter Berücksichtigung der ermittelten Ähnlichkeitswerte berechnet.

In Tabelle 2 sind die Bewertungsgrößen und die ermittelten Ähnlichkeitswerte eingetragen. Die Bewertungsgrößen für den neuen Anwendungsfall 709 können beispielweise mittels Kosi nusähnlichkeit oder anhand ähnlicher Verfahren bestimmt wer den. Beispielweise kann sich für die Bewertungsgröße Sei des neuen Anwendungsfalls 709 bezüglich der ersten Analysekette zur Merkmalsextraktion ein Wert von 0,31 und bezüglich der zweiten Analyseketten zur Merkmalsextraktion ein Wert von 0,36 ergeben. Die Bewertungsgrößen Sei, Sc2 entsprechen der Verbesserung der Genauigkeit der Analyse unter Verwendung der Analysekette zur Merkmalsextraktion bei dem neuen Anwendungs fall.

Analyseketten zur Merkmalsextraktion, welche bei einem Anwen- dungsfall nicht verwendet werden können, da sie etwa auf der entsprechenden Hierarchieebene nicht verfügbar sind, wird ei ne Bewertungsgröße von 0 zugeordnet.

Tabelle 2

Die Reihenfolge der Anwendung der Analyseketten zur Merkmals extraktion wird anhand der ermittelten Bewertungsgrößen fest gelegt. Somit wählt die Recheneinheit 3 zunächst diejenigen Analyseketten zur Merkmalsextraktion aus, welche die höchste Bewertungsgröße aufweisen. Weiter kann die Recheneinheit 3 auch zunächst diejenige Analysekette zur Merkmalsextraktion auswählen, welche für den bereits bestehenden Anwendungsfall mit dem höchsten Ähnlichkeitswert die höchste Bewertungsgröße aufweist. Die nachfolgenden Analyseketten zur Merkmalsextrak tion werden in der Reihenfolge der Ähnlichkeitswerte und Be wertungsgrößen ausgewählt.

Falls ein neuer Anwendungsfall als hinreichend ähnlich zu ei nem bereits bestehenden Anwendungsfall klassifiziert wird, d.h. falls der Ähnlichkeitswerte größer als ein vorgegebener Schwellenwert von beispielsweise 90 Prozent ist, werden die Bewertungsgrößen für die Analyseketten zur Merkmalsextraktion für einen neuen kombinierten Anwendungsfall anhand von histo rischen Daten der bereits bestehenden Anwendungsfälle und an hand von Daten des neuen Anwendungsfalls generiert.

FIG 12 zeigt das in FIG 7 illustrierte Automatisierungssys tem, wobei der erste Umrichter 607 neu hinzugefügt werden soll. In dem Automatisierungssystem sind die historischen Da tenbanken, d.h. die Daten der Anwendungsfälle, in einem je weiligen Speicher der Komponenten 602 bis 609 abgelegt. Falls eine Komponente, etwa der erste Umrichter 607 dem Automati sierungssystem neu hinzugefügt wird oder von dem Automatisie rungssystem entfernt wird, wird das historische Wissen, d.h. die Daten der Anwendungsfälle, aktualisiert. Die Aktualisie rung erfolgt automatisch, ohne dass manuelles Eingreifen er forderlich wäre. Insbesondere werden die Ähnlichkeitswerte und/oder die Bewertungsgrößen automatisch bestimmt. Die Daten des neuen Anwendungsfalls, welcher einer neu hinzugefügten Komponente entspricht, können entweder zu den Daten der be reits bekannten Anwendungsfälle hinzugefügt werden oder mit den Daten mindestens eines bekannten Anwendungsfalls kombi niert werden.

FIG 13 zeigt eine schematische Darstellung des in FIG 12 il lustrierten Automatisierungssystems nach dem Hinzufügen des neuen Geräts 607.

FIG 14 zeigt ein Ähnlichkeitsvergleich eines neuen Anwen dungsfalls 720 mit bereits bestehenden Anwendungsfällen 713- 719. In diesem Fall wird ermittelt, dass der neu hinzuzufü gende Anwendungsfall 720 zu einem bestimmten Anwendungsfall 719 der bereits bestehenden Anwendungsfälle eine höchste Ähn lichkeit aufweist, was die Recheneinheit 3 anhand der berech neten Ähnlichkeitswerte ermittelt.

Zum Kombinieren der beiden Anwendungsfälle 719, 720 überprüft die Recheneinheit 3 zuerst, ob die Anwendungsfälle eine iden tische Eingabe- oder Ausgabestruktur aufweisen. Insbesondere kann die Recheneinheit 3 überprüfen, ob die Klassifikations parameter für beide Anwendungsfälle 719, 720 gleich sind, wo bei die Werte der Klassifikationsparameter unterschiedlich sein können. Ist dies der Fall, kombiniert die Recheneinheit 3 die Anwendungsfälle 719, 720 und bildet gegebenenfalls Obermengen der jeweiligen Werte der Klassifikationsparameter.

FIG 15 zeigt eine schematische Illustration einer Kombination eines neuen Anwendungsfalls 721 mit einem bestehenden Anwen dungsfall 722 zu einem kombinierten Anwendungsfall 723 mit hilfe eines Adapters A. Die Verwendung eines Adapters A kann erforderlich sein, falls die Eingabe- und/oder Ausgabestruk tur der Anwendungsfälle 721, 722 unterschiedlich ist. Bei spielsweise können Signalverläufe mittels des Adapters A durch Skalieren und Verschieben um einen Offset in ihrer Struktur derartig in Übereinstimmung gebracht werden, dass diese kombiniert werden können. Signaltypen können mittels des Adapters A durch Bilden von geeigneten Untermengen kombi- niert werden, wozu Training, Validierungsverfahren und eine Korrelationsanalyse durchgeführt werden können. Die möglichen Analyseketten zur Merkmalsextraktion können durch Identifi zierung neuer Analyseketten einer Obermenge erfolgen. Der kombinierte Zentralisierungsgrad kann durch Auswahl einer Ab laufplattform (englisch: Execution Platform) basierend auf einer kombinierten Performanzmatrix erfolgen, wobei Perfor- manzindikatoren anhand einer Ausführungszeit und/oder freien Kapazität bestimmt werden können. Gerätebeschreibungen können anhand von hierarchischen zentralen Keywords-Sammlungen kom biniert werden, mit welchen neue abstrakte Beschreibungen von Anwendungsfällen erzeugt werden können.

FIG 16 zeigt hierzu eine schematische hierarchische Anordnung von Komponenten 1001 bis 1028 eines Automatisierungssystems. Die Komponenten 1001 bis 1028 sind hierarchisch angeordnet. Die Gerätebeschreibung wird anhand einer Hierarchieposition der Komponenten 1001 bis 1028, welche den zu kombinierenden Anwendungsfällen 721, 722 zugeordnet sind, kombiniert.

FIG 17 zeigt ein Flussdiagramm eines computerimplementierten Verfahrens zur automatischen Auswahl von Analyseketten zur Merkmalsextraktion gemäß einer Ausführungsform der Erfindung.

In einem ersten Verfahrensschritt S1 wird eine Vielzahl von Anwendungsfällen bereitgestellt. Jeder Anwendungsfall kann einer Komponente eines Automatisierungssystems zugeordnet sein. Den Anwendungsfällen sind Werte für Klassifikationspa rameter zugeordnet. Weiter sind den Anwendungsfällen Bewer tungsgrößen für Analyseketten aus einer Vielzahl von Analyse ketten zugeordnet. Mögliche Klassifikationsparameter umfassen einen Zentralisierungsgrad, welcher von einer Stellung eines Geräts des Anwendungsfalls in einer Automatisierungshierar chie abhängt, eine Merkmalsbewertungszahl, einen Signaltyp von Signalen des Anwendungsfalls und eine Gerätebeschreibung eines Geräts des Anwendungsfalls. Jedem Anwendungsfall kann für einen oder mehrere dieser Klassifikationsparameter ein Wert zugeordnet sein. Ein neuer Anwendungsfall kann auftreten, falls eine neue Kom ponente dem Automatisierungssystem hinzugefügt wird. In einem Verfahrensschritt S2 werden für den neuen Anwendungsfall, welcher der neu hinzugefügten Komponente entspricht, Werte für Klassifikationsparameter ermittelt. Die Werte der Klassi fikationsparameter können teilweise durch die Spezifikationen des neu hinzuzufügenden Gerätes bereits festgelegt sein. Ins besondere kann ein Signaltyp oder eine Gerätebeschreibung durch die Art des hinzuzufügenden Geräts, etwa eines Umrich ters, festgelegt sein.

Weitere Klassifikationsparameter, etwa ein Zentralisierungs grad, kann von einer Recheneinheit 3 anhand der Position in der Hierarchie, an welcher das neue Gerät hinzugefügt wird, bestimmt werden.

Weitere Klassifikationsparameter, etwa Bewertungsgrößen für Analyseketten zur Merkmalsextraktion, können für den neuen Anwendungsfall anhand der Bewertungsgrößen für die bereits bestehenden Anwendungsfälle berechnet werden.

In einem Verfahrensschritt S3 wird eine Ähnlichkeit des neuen Anwendungsfalls mit den bereits bestehenden Anwendungsfällen durchgeführt, indem jeweils Ähnlichkeitswerte berechnet wer den, welche die Ähnlichkeit zwischen dem neu hinzuzufügenden Anwendungsfall mit einem der bereits bestehenden Anwendungs fällen quantifizieren. Die Berechnung der Ähnlichkeitswerte erfolgt anhand eines Vergleichs der Werte für die Klassifika tionsparameter, welche den Anwendungsfällen zugeordnet sind.

In einem weiteren Verfahrensschritt S4 wird aus der Vielzahl von Analyseketten mindestens eine Analysekette ausgewählt, wobei die Auswahl anhand der ermittelten Ähnlichkeit des neu en Anwendungsfalls mit den bereits bestehenden Anwendungsfäl len und anhand der Bewertungsgrößen für die Analyseketten, welche den Anwendungsfällen der Vielzahl von Anwendungsfällen zugeordnet sind, erfolgt. So kann zunächst derjenige Anwen dungsfall ausgewählt werden, welcher die höchste Ähnlichkeit zu dem neuen Anwendungsfall aufweist. Anschließend wird zu erst diejenige Analysekette zur Merkmalsextraktion ausge wählt, welche die höchste Bewertungsgröße aufweist. Anschlie ßend werden die weiteren Analyseketten in der Reihenfolge der Bewertungsgrößen ausgewählt.

Gemäß einigen Ausführungsformen kann nur eine einzelne Analy sekette aus der Vielzahl der Analyseketten zur Merkmalsext raktion ausgewählt werden. Es kann jedoch auch vorgesehen sein, eine Vielzahl von Analyseketten auszuwählen.

In einem weiteren Verfahrensschritt S5 kann vorgesehen sein, die Anwendungsfälle anhand des neuen Anwendungsfalls zu aktu alisieren. Insbesondere kann der neue Anwendungsfall zu den Anwendungsfällen hinzugefügt werden, falls die Ähnlichkeit des neuen Anwendungsfalls mit den Anwendungsfällen der Viel zahl von Anwendungsfällen ein vorgegebenes Ähnlichkeitskrite rium nicht erfüllt. Dies kann etwa der Fall sein, falls die Ähnlichkeitswerte zwischen dem neu hinzuzufügenden Anwen dungsfall und den bereits bestehenden Anwendungsfällen je weils kleiner als ein vorgegebener Wert sind.

Ist mindestens ein Ähnlichkeitswert zwischen dem neu hinzuzu fügenden Anwendungsfall und einem bereits bestehenden Anwen dungsfall kleiner als der vorgegebene Wert, kann vorgesehen sein, den neu hinzuzufügenden Anwendungsfall mit dem bereits bestehenden Anwendungsfall zu kombinieren. Hierzu kann ein Adapter A verwendet werden, mittels welchem Klassifikations parameter eines zusammengeführten Anwendungsfalls anhand der Klassifikationsparameter des neuen Anwendungsfalls und anhand der Klassifikationsparameter des mindestens einen Anwendungs falls der Vielzahl von Anwendungsfällen erzeugt werden. Für den zusammengeführten Anwendungsfall können den Klassifikati onsparametern durch Bilden einer Obermenge Werte zugeordnet werden. Die Anwendungsfälle können zunächst teilweise dezentral ver teilt gespeichert sein. Es kann jedoch auch vorgesehen sein, sämtliche Anwendungsfälle zentral zu speichern. FIG 18 zeigt ein schematisches Blockdiagramm eines Computer programmprodukts P mit ausführbarem Programmcode PC. Der aus führbare Programmcode PC ist dazu ausgebildet, beim Ausführen auf einem Computer das oben beschriebene Verfahren durchzu führen.

FIG 19 zeigt ein schematisches Blockdiagramm eines nicht flüchtigen, computerlesbaren Speichermediums M mit ausführba rem Programmcode MC, dazu ausgebildet, beim Ausführen auf ei nem Computer das oben beschriebene Verfahren durchzuführen.

Obwohl die Erfindung im Detail durch die bevorzugten Ausfüh rungsbeispiele näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele ein geschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.