DE102017207036A1

DE102017207036A1 - Verfahren zur rechnergestützten Analyse des Betriebs eines Produktionssystems

Info

Publication number: DE102017207036A1
Application number: DE102017207036.6A
Authority: DE
Inventors: Martin Ringsquandl; Thomas Hubauer; Raffaello Lepratti; Mikhail Roshchin; Stefan Schardt
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 2017-04-26
Filing date: 2017-04-26
Publication date: 2018-10-31
Also published as: WO2018197550A1

Abstract

Die Erfindung betrifft ein Verfahren zur rechnergestützten Analyse des Betriebs eines Produktionssystems (PS), wobei digitale Daten in der Form von mehreren zeitlich aufeinander folgenden Ereignissequenzen (ES) verarbeitet werden, welche jeweils mehrere zeitlich hintereinander aufgetretene Betriebsereignisse (E1, E2, ..., En) umfassen, welche jeweils eine Betriebsmeldung enthalten, die im Betrieb des Produktionssystems (PS) erzeugt wurde. Im erfindungsgemäßen Verfahren werden die Betriebsereignisse (E1, E2, ..., En) mit digitalen Kontextinformationen (CI) verknüpft, wodurch Ereignissequenzen (ES) aus einer Vielzahl von digitalen Entitäten (EN) entstehen. Anschließend werden unter Verwendung dieser Entitäten als Trainingsdaten digitale Repräsentationsvektoren (V) mittels eines unüberwachten Repräsentationslernens (RL) ermittelt. Das Repräsentationslernen erfolgt dabei basierend auf einer Ähnlichkeitsfunktion, welche die Ähnlichkeit von einer jeweiligen Entität (EN) zu den anderen Entitäten (EN) in der gleichen Ereignissequenz (ES) beschreibt. Das erfindungsgemäße Verfahren liefert eine robuste Repräsentation von sowohl Betriebsereignissen als auch damit verknüpften Kontextinformationen. Diese Repräsentation kann anschließend in geeigneter Weise weiterverarbeitet werden, um aussagekräftige Informationen über das Produktionssystem zu erhalten.

Description

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur rechnergestützten Analyse des Betriebs eines Produktionssystems sowie ein entsprechendes Computerprogrammprodukt und Computerprogramm.
Methoden zur rechnergestützten Analyse von Betriebsdaten eines Produktionssystems stellen wichtige Werkzeuge dar, um Produktionsprozesse und den Entwurf von Produktionssystemen zu optimieren. Beispielsweise sind analytische Verfahren bekannt, um mittels FMEA-Modellen (FMEA = Failure Mode Effects Analysis) die Wechselwirkung zwischen Fehlern und deren Ursachen in Produktionssystemen festzustellen. Mit dem Ergebnis solcher Verfahren können Experten die Ursachen von schweren Betriebsfehlern bzw. Betriebsausfällen ermitteln und entsprechend beseitigen, um Standzeiten des Produktionssystems zu vermeiden, eine hohe Qualität der gefertigten Produkte zu erreichen und den Wartungsaufwand des Produktionssystems gering zu halten.
Bei der rechnergestützten Analyse von Produktionsprozessen besteht die Schwierigkeit, dass für den Produktionsprozess relevante Daten aus unterschiedlichen Domänen, wie Produktionsplanung, Produkt-Engineering und Produktionsausführung, stammen. Demzufolge wird oft eine gemeinsame Analyse der Daten aus allen Domänen nicht durchgeführt, was z.B. bei der Produktion von neuen Produktvarianten problematisch sein kann, sofern hierfür Prozesse genutzt werden, welche in der Vergangenheit zu Fehlern bzw. Produktionsausfällen geführt haben.
Derzeit werden Betriebsdaten von Produktionssystemen, wie z.B. Sequenzen von Betriebsereignissen, basierend auf Data-Mining-Algorithmen oder graphischen Modellen, wie Bayesschen Netzen, analysiert. Zur Implementierung dieser Methoden ist ein hoher Aufwand erforderlich. Insbesondere müssen ausführliche Interviews mit Ingenieuren mit Spezialwissen über die unterschiedlichen Komponenten des Produktionssystems durchgeführt werden.
Aus dem Stand der Technik sind ferner simulations-basierte Analysemethoden für Produktionssysteme bekannt. Auch diese Verfahren erfordern einen hohen Aufwand und benötigen Spezialwissen von Domänenexperten. Da Simulationsmodelle die unvermeidbare Variabilität der tatsächlichen Ausführung von physikalischen Prozessen nicht vollumfänglich beschreiben können, verlassen sie sich auch auf empirische Beobachtungen des Produktionssystems und müssen somit regelmäßig aktualisiert werden.
Aufgabe der Erfindung ist es, ein Verfahren zur rechnergestützten Analyse des Betriebs eines Produktionssystems zu schaffen, mit dem aussagekräftige und gut auswertbare Informationen über Problemstellen im Betrieb des Produktionssystems gewonnen werden können.
Diese Aufgabe wird durch die unabhängigen Patentansprüche gelöst. Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen definiert.
Das erfindungsgemäße Verfahren dient zur rechnergestützten Analyse des Betriebs eines Produktionssystems. Unter einem Produktionssystem ist dabei eine Anlage zu verstehen, welche automatisiert ein oder mehrere Produkte fertigt bzw. herstellt.
Im Rahmen des erfindungsgemäßen Verfahrens werden digitale Daten in der Form von mehreren zeitlich aufeinander folgenden Ereignissequenzen verarbeitet. Sofern hier und im Folgenden der Begriff „digital“ verwendet wird, wird hierdurch angezeigt, dass es sich um digitale Datenstrukturen handelt. Jede Ereignissequenz umfasst mehrere zeitlich hintereinander aufgetretene Betriebsereignisse, wobei jedes Betriebsereignis eine Betriebsmeldung enthält, die im Produktionssystem erzeugt wurde. Diese Meldung kann im Rahmen des Betriebs des Produktionssystems ggf. über eine Benutzerschnittstelle ausgegeben worden sein. Auf jeden Fall wurde die Betriebsmeldung in einem entsprechenden Speicher protokolliert.
Im Rahmen des erfindungsgemäßen Verfahrens werden die Betriebsereignisse jeder Ereignissequenz (d.h. aller verarbeiteter Ereignissequenzen) mit digitalen Kontextinformationen verknüpft, welche zu den jeweiligen Betriebsereignissen gehören, wodurch für jede Ereignissequenz eine Vielzahl von digitalen Entitäten erhalten wird. Eine jeweilige Entität stellt dabei den Typ eines Betriebsereignisses bzw. den Typ einer Kontextinformation dar. Demzufolge wird jedes Betriebsereignis durch eine Entität des entsprechenden Typs repräsentiert. Analog werden die mit einem jeweiligen Betriebsereignis verknüpften Kontextinformationen durch eine oder mehrere Entitäten repräsentiert, je nachdem, wie viele verschiedene Typen von Kontextinformationen in den verknüpften Kontextinformationen enthalten sind. Da die Entitäten Typen spezifizieren, kann eine jeweilige Ereignissequenz ggf. mehrere gleiche Entitäten enthalten.
Im erfindungsgemäßen Verfahren werden für die verschiedenen Entitäten aller verarbeiteter Ereignissequenzen jeweilige digitale Repräsentationsvektoren ermittelt. Gleiche Entitäten haben somit identische Repräsentationsvektoren. Diese Ermittlung erfolgt basierend auf einem unüberwachten Repräsentationslernen, wobei die Entitäten der Ereignissequenzen die Trainingsdaten dieses Lernens darstellen. Verfahren des unüberwachten Repräsentationslernens (englisch: „Unsupervised Feature Learning“ oder „Unsupervised Representation Learning“) sind an sich bekannt und haben das Ziel, niedrigdimensionale Merkmalsvektoren aus hochdimensionalen Eingangsdaten zu generieren. Mittels des Repräsentationslernens werden die Entitäten nunmehr als Vektoren in einem Vektorraum mit einer vorgegebenen Anzahl an Dimensionen dargestellt.
Insbesondere ist die vorgegebene Anzahl an Dimensionen kleiner als die Gesamtanzahl der Entitäten aller Ereignissequenzen, wobei in dieser Gesamtanzahl auch alle gleichen, mehrmals auftretenden Entitäten mitgezählt werden. Mit anderen Worten werden die einzelnen Entitäten durch niedrigdimensionale Repräsentationsvektoren dargestellt.
Das unüberwachte Repräsentationslernen wird basierend auf einer Ähnlichkeits- bzw. Korrelationsfunktion durchgeführt, welche die Ähnlichkeit einer jeweiligen Entität zu den anderen Entitäten in der gleichen Ereignissequenz beschreibt. Die Einträge der erhaltenen Repräsentationsvektoren sind dabei numerische Werte in einem bestimmten Wertebereich, wobei die Repräsentationsvektoren in der Regel auf eine Einheitslänge normiert sind.
Das erfindungsgemäße Verfahren zeichnet sich dadurch aus, dass auf einfache Weise über Repräsentationslernen Ereignissequenzen und damit verknüpfte Kontextinformationen analysiert werden, um Korrelationen in den Ereignissequenzen zu erkennen. Als Ergebnis werden Vektoren für Entitäten erhalten, welche durch weitergehende rechnergestützte Verfahren einfach ausgewertet werden können bzw. geeignet visualisiert werden können. Je nach Ausgestaltung kann das erfindungsgemäße Verfahren online während des Betriebs des Produktionssystems durchgeführt werden und in diesem Sinne das Produktionssystem überwachen. Nichtsdestotrotz kann die erfindungsgemäße Analyse auch vom Betrieb des Produktionssystems entkoppelt sein.
In einer bevorzugten Variante des erfindungsgemäßen Verfahrens basiert die verwendete Ähnlichkeitsfunktion auf der Summe der paarweisen Skalarprodukte der jeweiligen Entität mit allen anderen Entitäten in der gleichen Ereignissequenz im Vektorraum der Entitäten.
In einer besonders bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens stammen für zumindest einen Teil der Betriebsereignisse der Ereignissequenzen die zugehörigen Kontextinformationen zumindest teilweise aus einem Produktionsverwaltungssystem. Der Begriff des Produktionsverwaltungssystems ist weit zu verstehen. Vorzugsweise handelt es sich bei diesem System um ein Produktionssteuersystem, insbesondere um ein an sich bekanntes MES-System. Alternativ oder zusätzlich kann das Produktionssystem auch ein Warenwirtschaftssystem umfassen.
Zur Verknüpfung der Kontextinformationen aus dem Produktionsverwaltungssystem mit den entsprechenden Betriebsereignissen werden vorzugsweise Zeitstempel verwendet. Dabei sind sowohl den Betriebsereignissen als auch den Kontextinformationen Zeitstempel für deren Auftreten zugeordnet. Im Rahmen der Verknüpfung werden Kontextinformationen mit dem gleichen Zeitstempel eines Betriebsereignisses mit diesem Betriebsereignis verknüpft.
Gegebenenfalls stammen die Kontextinformationen zumindest zum Teil auch nicht aus einem Produktionsverwaltungssystem. In einer Variante werden für zumindest einen Teil der Betriebsereignisse der Ereignissequenzen die zugehörigen Kontextinformationen zumindest teilweise aus den jeweiligen Betriebsereignissen selbst extrahiert. Zum Beispiel können für zumindest einen Teil der Betriebsereignisse der Ereignissequenzen textuelle Ausdrücke (insbesondere Wörter) aus der Betriebsmeldung des jeweiligen Betriebsereignisses als Kontextinformationen extrahiert werden.
Je nach Ausgestaltung können die digitalen Kontextinformationen verschiedene Daten enthalten. Vorzugsweise umfassen diese Informationen eine oder mehrere der folgenden digitalen Informationen:

- ein oder mehrere Produktionsmodule und/oder eine oder mehrere Produktionsmodul-Komponenten, die in dem Produktionssystem enthalten sind und in denen die jeweiligen Betriebsereignisse aufgetreten sind;
- Informationen aus einer oder mehreren Stücklisten, wobei eine jeweilige Stückliste Teile angibt, welche durch das Produktionsmodul oder die Produktionsmodul-Komponente verarbeitet werden, in dem oder in der das jeweilige Betriebsereignis aufgetreten ist, wobei vorzugsweise eine oder manche der Stücklisten jeweils Zusatzinformationen zu den jeweiligen Teilen umfassen, insbesondere Chargen- und/oder Herstellerinformationen;
- Informationen aus einer oder mehreren Prozesslisten, wobei eine jeweilige Prozessliste Prozessschritte angibt, welche durch das Produktionsmodul oder die Produktionsmodul-Komponente ausgeführt werden, in dem oder in der das jeweilige Betriebsereignis aufgetreten ist, wobei vorzugsweise eine oder manche der Prozesslisten jeweils Zusatzinformationen zu den Prozessschritten umfassen;
- eine oder mehrere Produktvarianten, wobei eine jeweilige Produktvariante durch das Produktionsmodul oder die Produktionsmodul-Komponente gefertigt wird, in dem oder in der das jeweilige Betriebsereignis aufgetreten ist;
- Informationen aus einer digitalen technischen Beschreibung des Produktionssystems.

In einer weiteren Ausgestaltung wird eine spezielle Variante eines unüberwachten Repräsentationslernens durchgeführt. Im Rahmen dieser Variante wird beim unüberwachten Repräsentationslernen eine Optimierung basierend auf einem Optimierungsziel durchgeführt, das von einer Wahrscheinlichkeitsfunktion abhängt, welche die Wahrscheinlichkeit einer Kombination aus einer Entität und restlichen Entitäten in einer Ereignissequenz in der Form einer bedingten Wahrscheinlichkeit repräsentiert. Diese bedingte Wahrscheinlichkeit ist die Wahrscheinlichkeit des Auftretens der Entität unter der Bedingung des Vorhandenseins der restlichen Entitäten in der Ereignissequenz. Vorzugsweise wird als Wahrscheinlichkeitsfunktion die an sich bekannte Softmax-Verteilung (d.h. die normierte Exponentialverteilung) verwendet. Das Optimierungsziel ist dabei eine möglichst große Summe derjenigen Wahrscheinlichkeiten, deren Kombinationen aus einer Entität und restlichen Entitäten in den Trainingsdaten tatsächlich auftreten.
In einer weiteren Variante des erfindungsgemäßen Verfahrens wird basierend auf den digitalen Repräsentationsvektoren ein rechnergestütztes Cluster-Verfahren zur Clusterung von ähnlichen Entitäten durchgeführt. Dabei können an sich bekannte maschinelle Lernverfahren zu dieser Clusterung genutzt werden, wie z.B. der k-Means-Algorithmus. Mit dieser Ausführungsform können auf einfache Weise Informationen über Korrelationen zwischen aufgetretenen Betriebsereignissen und Kontextinformationen abgeleitet werden. Das rechnergestützte Cluster-Verfahren kann direkt auf die digitalen Repräsentationsvektoren angewendet werden. Nichtsdestotrotz besteht auch die Möglichkeit, dass die digitalen Repräsentationsvektoren zunächst einer Dimensionsreduktion unterzogen werden, z.B. basierend auf einer PCA-Analyse (PCA = Principal Component Analysis). Das Cluster-Verfahren wird dann auf die dimensionsreduzierten Vektoren angewendet.
In einer weiteren Ausführungsform des erfindungsgemäßen Verfahrens wird basierend auf den digitalen Repräsentationsvektoren eine Visualisierung auf einer Anzeigeeinheit generiert, wobei aus der Visualisierung die Ähnlichkeit zwischen zumindest einem Teil der Entitäten ersichtlich wird. In einer Variante wird die Ähnlichkeit mittels einer Farb- und/oder Helligkeitskodierung in der Visualisierung wiedergegeben. Gegebenenfalls kann die Visualisierung auch erst nach einer Dimensionsreduktion der digitalen Repräsentationsvektoren erzeugt werden. Beispielsweise kann eine Dimensionsreduktion in einen zweidimensionalen oder dreidimensionalen Raum erfolgen, so dass die Vektoren in einem zweidimensionalen oder dreidimensionalen Koordinatensystem visualisiert werden können und über die Abstände zwischen den Vektoren deren Ähnlichkeiten erkannt werden können.
In einer weiteren Variante des erfindungsgemäßen Verfahrens wird basierend auf den digitalen Repräsentationsvektoren ein maschinelles Lernverfahren zur Prädiktion von Ereignissequenzen aus bekannten Ereignissequenzen gelernt. Beispielsweise kann hierzu ein rekurrentes neuronales Netz genutzt werden. Das Lernverfahren kann entweder direkt auf den digitalen Repräsentationsvektoren angewendet werden. Nichtsdestotrotz ist es wiederum möglich, das Lernverfahren erst nach einer Dimensionsreduktion auf die Vektoren mit verringerter Dimension anzuwenden. Über die Prädiktion von Ereignissequenzen kann das zukünftige Verhalten des Produktionssystems festgestellt werden. Ebenso können in der Vergangenheit liegende Ursachen für ein bestimmtes Verhalten des Produktionssystems ermittelt werden. Mit anderen Worten kann eine Prädiktion sowohl in die Zukunft als auch in die Vergangenheit erfolgen.
Neben dem oben beschriebenen Verfahren betrifft die Erfindung eine Vorrichtung zur rechnergestützten Analyse des Betriebs eines Produktionssystems, wobei in der Vorrichtung digitale Daten in der Form von mehreren zeitlich aufeinander folgenden Ereignissequenzen verarbeitbar sind, welche jeweils mehrere zeitlich hintereinander aufgetretene Betriebsereignisse umfassen, die jeweils eine Betriebsmeldung enthalten, die im Produktionssystem erzeugt wurde. Die Vorrichtung ist dabei zur Durchführung des erfindungsgemäßen Verfahrens bzw. einer oder mehrerer bevorzugter Varianten des erfindungsgemäßen Verfahrens eingerichtet.
Die Erfindung betrifft darüber hinaus ein Computerprogrammprodukt mit einem auf einem maschinenlesbaren Träger gespeicherten Programmcode zur Durchführung des erfindungsgemäßen Verfahrens bzw. einer oder mehrerer bevorzugter Varianten des erfindungsgemäßen Verfahrens, wenn der Programmcode auf einem Rechner ausgeführt wird.
Ferner umfasst die Erfindung ein Computerprogramm, mit einem Programmcode zur Durchführung des erfindungsgemäßen Verfahrens bzw. einer oder mehrerer bevorzugter Varianten des erfindungsgemäßen Verfahrens, wenn der Programmcode auf einem Rechner ausgeführt wird.
Ausführungsbeispiele der Erfindung werden nachfolgend anhand der beigefügten Figuren detailliert beschrieben.
Es zeigen:

1 eine schematische Darstellung einer Architektur zur Durchführung des erfindungsgemäßen Verfahrens;
2 bis 6 schematische Darstellungen, welche unterschiedliche Arten der Verknüpfung von Betriebsereignissen mit Kontextinformationen gemäß der Erfindung wiedergeben;
7 eine schematische Darstellung zur Verdeutlichung des im erfindungsgemäßen Verfahren durchgeführten Repräsentationslernens; und
8 bis 10 verschiedene Beispiele von Visualisierungen, die basierend auf Ausführungsformen der Erfindung erzeugt wurden.

1 zeigt eine Architektur zur Durchführung einer Variante des erfindungsgemäßen Verfahrens. Ausgangspunkt ist dabei ein Produktionssystem PS, welches eine Vielzahl von Produktionsmodulen umfasst, wobei in 1 beispielhaft drei Produktionsmodule M1, M2 und M3 dargestellt sind. Die einzelnen Produktionsmodule enthalten in der Regel PLCs (PLC = Programmable Logic Controller), Sensoren, Aktuatoren, DCS-Systeme (DCS = Distributed Control System) und dergleichen. Mit dem Produktionssystem können dabei automatisiert ein oder mehrere vorbestimmte Produkte hergestellt werden. Beispielsweise kann es sich bei dem Produktionssystem um eine Fertigungsstraße handeln.
Im Betrieb des Produktionssystems wird eine Vielzahl von Betriebsereignissen erfasst, welche Betriebsmeldungen, wie z.B. Störmeldungen, enthalten, die durch das Produktionssystem erzeugt wurden. Die Betriebsereignisse sind als Ereignissequenzen ES von zeitlich aufeinander folgenden Betriebsmeldungen in einem entsprechenden Speicher des Produktionssystems PS hinterlegt.
Ziel der Erfindung ist es nunmehr, die Ereignissequenzen mit einem geeigneten rechnergestützten Verfahren zu analysieren, um hierüber weitergehende Informationen zum Betrieb des Produktionssystems abzuleiten. Um dies zu erreichen, wird in einem ersten Schritt eine Kontext-Verknüpfung CM (CM = Context Mapping) durchgeführt. Dabei wird auf Kontextinformationen CI aus einem Produktionsverwaltungssystem PMS (PMS = Production Management System) zugegriffen. Der Begriff des Produktionsverwaltungssystems ist weit zu verstehen und betrifft solche Systeme, welche Informationen zum Produktionssystem in geeigneter Weise vorhalten. In einer besonders bevorzugten Ausführungsform ist das Produktionsverwaltungssystem ein sog. MES-System (MES = Manufacturing Execution System), welches häufig auch als Produktionsleitsystem bezeichnet wird und welches die Produktion des Produktionssystems überwacht.
In der Ausführungsform der 1 enthält das Produktionsverwaltungssystem PMS als Kontextinformationen CI u.a. Informationen aus Stücklisten BM (BM = Bill of Material), aus Prozesslisten BP (BP = Bill of Processes) sowie aus einer digitalen Beschreibung PL des Aufbaus des Produktionssystems (PL = Plant Layout). Diese Kontextinformationen sind mit Zeitstempeln versehen, welche das Auftreten des entsprechenden Kontexts im Betrieb des Produktionssystems spezifizieren. In gleicher Weise sind den Betriebsereignissen der Ereignissequenzen ES solche Zeitstempel zugeordnet.
Die Kontext-Verknüpfung CM wird dadurch erreicht, dass Kontextinformationen, welche den gleichen Zeitstempel wie ein entsprechendes Betriebsereignis in den Ereignissequenzen aufweisen, mit diesem Betriebsereignis verknüpft werden. Auf diese Weise enthält man durch die Kontext-Verknüpfung CM für jede Ereignissequenz ES eine Vielzahl von Entitäten EN, welche Typen von in der Ereignissequenz aufgetretenen Betriebsereignissen und Typen von damit verknüpften Kontextinformationen spezifizieren. Eine jeweilige Ereignissequenz kann somit weniger unterschiedliche Entitäten als Betriebsereignisse und Kontextinformationen enthalten, sofern bestimmte Typen von Betriebsereignissen bzw. Kontextinformationen mehrmals in der entsprechenden Ereignissequenz auftreten.
Neben Kontextinformationen aus dem Produktionsverwaltungssystem PMS können noch weitere Kontextinformationen direkt aus den einzelnen Ereignissen selbst gewonnen werden. Beispielsweise kann in dem Betriebsereignis selbst die Kontextinformation hinterlegt sein, in welchem Produktionsmodul das Ereignis aufgetreten ist. Ebenso können Kontextinformationen durch textuelle Analyse der entsprechenden Betriebsmeldung des betrachteten Betriebsereignisses gewonnen werden, indem beispielsweise die einzelnen Wörter der Betriebsmeldung einem Typ einer Kontextinformation zugeordnet werden.
Zur Verdeutlichung der Kontext-Verknüpfung CM aus 1 werden im Folgenden anhand von 2 bis 6 verschiedene Varianten solcher Verknüpfungen und die daraus resultierenden Entitäten beschrieben. Die einzelnen Knoten in 2 bis 6 repräsentieren dabei Entitäten EN. 2 bis 6 zeigen jeweils eine Betriebssequenz nach Durchführung der Kontextverknüpfung, wobei jede dieser Sequenzen die Betriebsereignisse E1, E2, E3, ..., En in der Form entsprechender Entitäten enthält, die in der Ereignissequenz aufgetreten sind. In den Beispielen der 2 bis 6 ist jedes Betriebseiereignis ein anderer Typ und somit eine andere Entität. Demzufolge werden in der nachfolgenden Beschreibung die Ereignisse E1 bis En auch direkt als Entitäten bezeichnet.
In dem Beispiel der 2 ist den Entitäten E1 und E2 die Kontextinformation des Produktionsmoduls M1 und den Entitäten E3 bis En die Kontextinformation des Produktionsmoduls M2 zugeordnet. Mit anderen Worten wurden die Entitäten bzw. Betriebsereignisse E1 und E2 in dem Produktionsmodul M1 erzeugt, wohingegen die Entitäten E3 bis En in dem Produktionsmodul M2 generiert wurden.
3 zeigt eine Abwandlung der Kontext-Verknüpfung aus 2. Im Unterschied zu 2 wurden in 3 die jeweiligen Entitäten E1 bis En auch mit Produktionsmodul-Komponenten CO1 bis CO4 aus den jeweiligen Produktionsmodulen M1 und M2 verknüpft. In der jeweiligen Komponente ist die damit verknüpfte Entität des Betriebsereignisses aufgetreten. Gemäß 3 ist die Entität E1 mit der Komponente CO1, die Entität E2 mit der Komponente CO2, die Entität E3 mit der Komponente CO3 und die Entität En mit der Komponente CO4 verknüpft.
4 zeigt eine weitere Variante einer Kontext-Verknüpfung. In dem Beispiel der 4 werden neben Kontext-Entitäten in der Form von Produktionsmodulen M1, M2 und Komponenten CO1 bis CO4 auch Kontext-Entitäten in der Form von textuellen Ausdrücken TE1 bis TE4 mit den entsprechenden Betriebsereignissen verknüpft. Bei den Ausdrücken TE1 bis TE4 handelt es sich dabei um Wörter, welche in den entsprechenden Betriebsmeldungen der jeweiligen Betriebsereignisse aufgetreten sind. Gemäß 4 ist die Entität E1 mit den Wörtern TE1 und TE2 und die Entität E3 ist mit den Wörtern T3 und T4 verknüpft.
5 zeigt eine weitere Abwandlung einer Kontext-Verknüpfung, wobei nunmehr Kontextinformationen in der Form von Produktvarianten und Teilen aus diesen Produktvarianten berücksichtigt werden. Eine Verknüpfung einer Produktvariante mit der Entität eines Betriebsereignisses liegt dann vor, wenn das Betriebsereignis in einem Produktionsmodul auftritt, welches die entsprechende Produktvariante produziert. Gemäß 5 sind die Entitäten E1 bis E3 mit der Entität der Produktvariante VA1 verknüpft. Ferner liegt eine Verknüpfung mit den Teilen PA1 und PA2 vor, die Bestandteile der Produktvariante VA1 sind. Die Informationen über die Bestandteile PA1 und PA2 stammen dabei aus einer entsprechenden Stückliste. In gleicher Weise sind in 5 die restlichen Entitäten umfassend die Entität En mit der Produktvariante VA2 verknüpft, welche wiederum aus den Bestandteilen PA2 und PA3 besteht.
6 zeigt eine gegenüber 5 leicht modifizierte Kontext-Verknüpfung. Im Unterschied zu 6 enthalten die Stücklisten nunmehr zu den einzelnen Bestandteilen zum Teil auch Chargen-Informationen LI bzw. LI', welche angeben, zu welcher Charge der Bestandteil der entsprechenden Produktvariante gehört (LI = Lot Information). Gemäß 6 sind die Entitäten E1 bis E3 mit der Produktvariante VA1 sowie dessen Bestandteilen PA1 und PA2 verknüpft, wobei ferner eine Verknüpfung mit der Chargen-Information LI betreffend den Bestandteil PA2 vorliegt. Demgegenüber sind die weitere Entitäten umfassend die Entität En mit der Produktvariante VA2 verknüpft, welche wiederum die Bestandteile PA3 und PA4 umfasst, wobei der Bestandteil PA3 mit der entsprechenden Chargen-Information LI' verknüpft ist.
Im Folgenden wird nochmals anhand eines einfachen Beispiels erläutert, wie die Kontext-Verknüpfung der 1 über entsprechende Zeitstempel erfolgen kann. Ausgangspunkt dieses Beispiels ist eine Ereignissequenz, welche wie folgt aussieht:

Ereignis Zeitstempel Modul

E1 T1 M1

E2 T2 M2

E3 T3 M1
Wie man erkennt, umfassen die Ereignisse E1 bis E3 neben der eigentlichen Betriebsmeldung den Zeitstempel T1, T2 bzw. T3, der das Auftreten des Ereignisses spezifiziert, sowie die jeweiligen Module, in denen die Ereignisse aufgetreten sind. Mit anderen Worten ist das Ereignis E1 zum Zeitpunkt T1 im Modul M1 aufgetreten, das Ereignis E2 zum Zeitpunkt T2 im Modul M2 und das Ereignis E3 zum Zeitpunkt T3 im Modul M1.
Für die genannten Zeitstempel T1 bis T3 können aus dem Produktionsverwaltungssystem die folgenden Kontextinformationen extrahiert werden:

Produktvariante Modul Zeitstempel

VA1 M1 T1

VA1 M2 T2

VA2 M1 T3
Wie man erkennt, wurde zum Zeitpunkt T1 die Produktvariante VA1 durch das Modul M1 hergestellt. Ferner wurde zum Zeitpunkt T2 ebenfalls die Produktvariante VA1 durch das Modul M2 hergestellt. Demgegenüber wurde zum Zeitpunkt T3 die Produktvariante VA2 durch das Modul M1 hergestellt.
Basierend auf der Kontext-Verknüpfung erhält man über die Zuordnung einander entsprechender Zeitstempel schließlich die folgenden Entitäten für die betrachtete Ereignissequenz.

Ereignis Produktvariante Modul Zeitstempel

E1 VA1 M1 T1

E2 VA1 M2 T2

E3 VA2 M1 T3
Wie man erkennt, enthält jede Ereignissequenz nunmehr die darin aufgetretenen Betriebsereignisse E1, E2 und E3 in Form entsprechender Entitäten. Ferner sind die Kontext-Entitäten der Produktvarianten VA1 und VA2 sowie der Module M1 und M2 Bestandteil der Ereignissequenz.
Wie dargelegt wurde, erhält man nach der Kontext-Verknüpfung CM der 1 eine digitale Darstellung der jeweiligen Ereignissequenzen, welche entsprechende Entitäten EN für die Ereignisse und für damit verknüpfte Kontextinformationen umfasst. Für die Entitäten EN wird dann ein an sich bekanntes Repräsentationslernen RL basierend auf einem Embedding-Learning-Algorithmus ELA durchgeführt. Solche Arten von Algorithmen sind an sich bekannt, werden jedoch erstmalig im Rahmen der Analyse von Ereignissequenzen in einem Produktionssystem genutzt.
Die Durchführung des in der hier beschriebenen Ausführungsform genutzten Embedding-Learning-Algorithmus wird nachfolgend anhand von 7 beschrieben. 7 zeigt eine Ereignissequenz ES mit den Betriebsereignissen E1, E2, ..., En, die wiederum unterschiedliche Entitäten darstellen. Ferner enthält die Ereignissequenz die weiteren Entitäten in der Form der verknüpften Kontextinformationen. Diese Entitäten sind in 7 nicht separat aufgelistet, sondern werden durch den Block CI repräsentiert.
Im Rahmen des Embedding-Learning-Algorithmus werden viele solcher Ereignissequenzen ES verarbeitet. Der Algorithmus analysiert getrennt für jede einzelne Entität (d.h. für sowohl Betriebsereignissen als auch Kontextinformationen zugeordnete Entitäten) den diese Entität umgebenden Kontext (d.h. alle übrigen Entitäten) innerhalb der jeweiligen Ereignissequenz ES. In dem Beispiel der 7 wird gerade das Betriebsereignis bzw. die Entität E3 betrachtet. Der Kontext zu dieser Entität umfasst die beiden früheren Betriebsereignisse E1 und E2 sowie die weiteren späteren Ereignisse, die mit dem Ereignis En enden. Die Betriebsereignisse E1 und E2 stellen dabei Ursachen für das Ereignis E3 dar, wie durch die Pfeile CA (CA = Cause) dargestellt wird. Demgegenüber sind die späteren Ereignisse Effekte aus dem Betriebsereignis E3, wie durch den Pfeil EF (EF = Effect) dargestellt wird.
Im Embedding-Learning-Algorithmus EL1 wird nunmehr jede Entität einer Ereignissequenz über eine Wahrscheinlichkeitsfunktion modelliert. Die jeweiligen Entitäten werden dabei als Vektoren in einem Vektorraum mit vorgegebener Dimension beschreiben, wobei die Dimension deutlich niedriger als die Gesamtanzahl der aufgetretenen Entitäten in den betrachteten Ereignissequenzen ist. Der Vektor einer Entität e wird im Folgenden als v_e bezeichnet. Demgegenüber werden diese Vektoren in 1 und 7 allgemein durch das Bezugszeichen V repräsentiert. Die Vektoren V werden nachfolgend auch Repräsentationsvektor genannt. Für eine gerade betrachtete Entität e werden im Folgenden alle restlichen Entitäten der jeweiligen Ereignissequenz, d.h. die Ursachen CA, die Effekte EF sowie die entsprechenden Kontextinformationen CI aus 7, als Kontext C bezeichnet.
Die Wahrscheinlichkeit des Auftretens einer Entität mit dem Vektor v_e unter der Bedingung des entsprechenden Kontextes C wird durch folgende Verteilung beschrieben: $P (v_{e} | C) = \frac{e x p S (v_{e}, C)}{\sum_{j \neq e} S (v_{j}, C)}$
Gemäß dem Nenner dieser Wahrscheinlichkeitsverteilung wird über alle Entitäten einer Ereignissequenz summiert, welche nicht der gerade betrachteten Entität e entspricht. Die obige Wahrscheinlichkeitsverteilung stellt dabei die sog. Softmax-Verteilung dar, bei der es sich um die normierte Exponentialverteilung handelt. Das Argument S() dieser Wahrscheinlichkeitsverteilung ist eine Ähnlichkeits- bzw. Korrelationsfunktion zwischen dem Vektor v_e der betrachteten Entität und dem entsprechenden Kontext C. In der hier beschriebenen Variante hängt diese Ähnlichkeitsfunktion von der Summe der paarweisen Skalarprodukte aus dem betrachteten Ereignisvektor v_e mit den jeweiligen Vektoren des Kontextes C ab. Beispielsweise kann die Ähnlichkeitsfunktion dieser Summe entsprechen bzw. den Mittelwert der paarweisen Skalarprodukte darstellen.
Mittels des Embedding-Learning-Algorithmus wird ein Optimierungsproblem basierend auf dem Optimierungsziel gelöst, das alle Wahrscheinlichkeiten, für welche es in den verarbeiteten Ereignissequenzen in der Tat die Kombination aus einem Vektor v_e und einem entsprechenden Kontext C gibt, maximiert wird. Zur Beschreibung dieses Optimierungsziels wird eine sog. Negative-Sampling-Technik genutzt. Mit anderen Worten wird das Optimierungsziel über eine Funktion beschrieben, welche die negative Summe über den Logarithmus der Wahrscheinlichkeiten ist. Diese Zielfunktion ist dann im Rahmen der Optimierung zu minimieren.
Das genannte Optimierungsproblem kann in an sich bekannter Weise mit einem stochastischen Gradientenabstiegs-Verfahren gelöst werden, wobei hierfür bekannte Bibliotheken des maschinellen Lernens in C++ genutzt werden können. Als Ergebnis des beschriebenen Algorithmus erhält man somit eine verteilte Repräsentation DR, welche aus einer Vielzahl von Repräsentationsvektoren V besteht, wobei jeder Repräsentationsvektor eine in den Ereignissequenzen aufgetretene Entität repräsentiert. Gleiche Entitäten haben dabei identische Repräsentationsvektoren. Üblicherweise sind die Vektoren in dem Vektorraum auf eins normiert.
Mittels dieser Repräsentationsvektoren können dann je nach Ausgestaltung des erfindungsgemäßen Verfahrens verschiedene weitere Verarbeitungsschritte durchgeführt werden. In 1 sind dabei die Verarbeitungsschritte der Prädiktion PR, der Clusterung CL sowie der Visualisierung VI angedeutet. Es kann nur einer dieser Verarbeitungsschritte oder auch eine beliebige Kombination dieser Verarbeitungsschritte durchgeführt werden.
Gemäß dem Verarbeitungsschritt PR werden die über das Repräsentationslernen erhaltenen Vektoren V als Trainingsdaten für ein weiteres maschinelles Lernverfahren genutzt, wobei hierfür in einer bevorzugten Variante ein rekurrentes neuronales Netz verwendet wird. Mit einem solchen Lernverfahren können dann basierend auf früheren Ereignissequenzen neue Ereignissequenzen prädiziert werden, wodurch das Verhalten des Produktionssystems vorhergesagt werden kann. Gegebenenfalls kann auch eine zeitlich rückwärts gerichtete Prädiktion durchgeführt werden, indem aus einer aktuellen Ereignissequenz früher aufgetretene Sequenzen abgeleitet werden. Auf diese Weise können Ursachen für ein bestimmtes Betriebsverhalten des Produktionssystems ermittelt werden. Im Rahmen der Prädiktionsschritts PR kann ggf. zunächst eine Dimensionsreduktion der entsprechenden Vektoren mit geeigneten Verfahren, wie z.B. einer PCA-Analyse (PCA = Principal Component Analysis), durchgeführt werden. Das entsprechende maschinelle Lernverfahren wird dann auf die Vektoren mit der reduzierten Dimension angewandt.
Bei einer Nachverarbeitung basierend auf einer Clusterung CL werden mit einem an sich bekannten Cluster-Verfahren, wie z.B. dem k-Means-Algorithmus, die Vektoren klassifiziert, d.h. in entsprechende Cluster gruppiert. Mittels einer solchen Clusterung können Ausreißer identifiziert werden, d.h. Entitäten, die weit außerhalb der gebildeten Cluster liegen. Die soeben beschriebene Clusterung kann ggf. auch wieder in einem Vektorraum mit reduzierter Dimension durchgeführt werden, d.h. vor der Clusterung werden die Vektoren einer Dimensionsreduktion unterzogen, z.B. basierend auf einer PCA-Analyse.
Eine Nachverarbeitung basierend auf einer Visualisierung VI wird nachfolgend anhand der Beispiele der 8 bis 10 erläutert. 8 zeigt eine matrixförmige Visualisierung von einem Teil der über das Repräsentationslernen RL bestimmten Vektoren V. Jeder Eintrag der Matrix ist durch einen in horizontaler Richtung laufenden Balken wiedergegeben, wobei die Helligkeit jedes Balkens den numerischen Wert des Eintrags gemäß der rechts neben der Matrix angedeuteten Skala repräsentiert. In der dargestellten Matrix der 8 sind die einzelnen Spalten Entitäten bzw. Vektoren v_e in der Form von Produktvarianten VA1, VA2, ..., VA6. Jede Produktvariante hat Einträge V1, V2, ..., V64 für jede Dimension des Vektorraums der Repräsentationsvektoren, wobei insgesamt 64 Dimensionen existieren.
Die dargestellte Visualisierung der 8 wird auf einer Anzeigeeinheit wiedergegeben. Über die beschriebene Helligkeitskodierung werden die Werte der Einträge der einzelnen Vektoren dem Betrachter vermittelt. Dabei erkennt der Betrachter intuitiv, dass die Produktvariante VA2 einen deutlich unterschiedlichen Repräsentationsvektor im Vergleich zu den anderen Varianten hat. Dies zeigt an, dass die hergestellte Produktvariante VA2 einen starken Einfluss auf das Verhalten des Produktionssystems derart hat, dass die Ereignissequenzen deutlich anders erzeugt werden, wenn diese Produktvariante durch ein entsprechendes Produktionsmodul hergestellt wird.
9 zeigt eine zweidimensionale Visualisierung von Entitäten in der Form entsprechender Produktionsmodule M1, M2, ..., M10. Die Visualisierung wurde nach einer Reduzierung der Dimension des Vektorraums auf zwei Dimensionen durchgeführt. Ein Domänenexperte kann aus der Visualisierung der 9 ableiten, dass die Module M1 und M10 aufgrund ihres großen Abstands im Vektorraum nicht miteinander korreliert sind und demzufolge nicht miteinander verknüpfte Aufgaben im Produktionssystem durchführen.
10 zeigt eine Visualisierung ähnlich zu 9, wobei wiederum eine Reduktion der Dimension des Vektorraums auf zwei Dimensionen vorgenommen wurde. In 10 sind nunmehr als Entitäten entsprechende Ereignisse E1, E2, E3, E4 und E5 sowie die Produktvariante VA2 wiedergegeben. Über diese Visualisierung erhält ein Domänenexperte die Information, welche Ereignisse aufgrund ihres geringen Abstands zu der Produktvariante VA2 mit deren Herstellung korreliert sind.
Die im Vorangegangenen beschriebenen Ausführungsformen der Erfindung weisen eine Reihe von Vorteilen auf. Insbesondere wird eine robuste rechnergestützte Analyse eines Produktionssystems basierend auf Repräsentationslernen mittels im Produktionssystem aufgetretener Ereignisse erreicht. Als Ergebnis erhält man Repräsentationsvektoren, mit denen weitergehende Auswertungen bzw. Visualisierungen durchgeführt werden können. Das erfindungsgemäße Verfahren lernt dabei Korrelationen zwischen Betriebsereignissen und Kontextinformationen, welche zur Diagnose und Optimierung des Produktionssystems genutzt werden können. Im Besonderen können Erkenntnisse über die Interaktion zwischen Ereignissen und Kontextinformationen abgeleitet werden. Hierüber lassen sich die Qualität von analytischen Modellen zur Beschreibung von Produktionssystemen verbessern. Darüber hinaus weist das Verfahren eine hohe Skalierbarkeit auf, sofern effiziente Lernalgorithmen eingesetzt werden.
Das erfindungsgemäße Verfahren kann z.B. in einer Produkt- bzw. Produktions-Engineering-Software umgesetzt werden, um die Produktion eines herzustellenden Produkts mit dem entsprechenden Produktionssystem, aus dem die Ereignissequenzen stammen, zu optimieren. Ferner kann das erfindungsgemäße Verfahren in einem MES-System implementiert werden, um Ursachen für fehlerhaftes Verhalten des Produktionssystems zu ermitteln und somit einen robusten Betrieb des Produktionssystems zu gewährleisten. Darüber hinaus kann das erfindungsgemäße Verfahren in Software zum Entwurf von Produktionssystemen eingesetzt werden.

Claims

Verfahren zur rechnergestützten Analyse des Betriebs eines Produktionssystems (PS), wobei digitale Daten in der Form von mehreren zeitlich aufeinander folgenden Ereignissequenzen (ES) verarbeitet werden, welche jeweils mehrere zeitlich hintereinander aufgetretene Betriebsereignisse (E1, E2, ..., En) umfassen, welche jeweils eine Betriebsmeldung enthalten, die im Betrieb des Produktionssystems (PS) erzeugt wurde, wobei: - die Betriebsereignisse (E1, E2, ..., En) jeder Ereignissequenz (ES) mit digitalen Kontextinformationen () verknüpft werden, welche zu den jeweiligen Betriebsereignissen (E1, E2, ..., En) gehören, wodurch für jede Ereignissequenz (ES) eine Vielzahl von digitalen Entitäten (EN) erhalten wird, welche Typen von Betriebsereignissen und Kontextinformationen () darstellen, wobei jedes Betriebsereignis (E1, E2, ..., En) durch eine Entität (EN) repräsentiert wird und die mit einem jeweiligen Betriebsereignis (E1, E2, ..., En) verknüpften Kontextinformationen (CI) durch eine oder mehrere Entitäten (EN) repräsentiert werden; - für die verschiedenen Entitäten (EN) der Ereignissequenzen (ES) jeweilige digitale Repräsentationsvektoren (V) ermittelt werden, indem mit diesen Entitäten (EN) als Trainingsdaten ein unüberwachtes Repräsentationslernen durchgeführt wird, bei dem die Entitäten (EN) als Vektoren (V) in einem Vektorraum mit einer vorgegebenen Anzahl an Dimensionen modelliert werden, wobei das unüberwachte Repräsentationslernen (RL) basierend auf einer Ähnlichkeitsfunktion durchgeführt wird, welche die Ähnlichkeit einer jeweiligen Entität (EN) zu den anderen Entitäten (EN) in der gleichen Ereignissequenz (ES) beschreibt.
Verfahren nach Anspruch 1, wobei für zumindest einen Teil der Betriebsereignisse (E1, E2, ..., En) der Ereignissequenzen (ES) die zugehörigen Kontextinformationen (CI) zumindest teilweise aus einem Produktionsverwaltungssystem (PMS) stammen.
Verfahren nach Anspruch 1 oder 2, wobei das Produktionsverwaltungssystem (PMS) ein Produktionssteuersystem, insbesondere ein MES-System, und/oder ein Warenwirtschaftssystem umfasst.
Verfahren nach Anspruch 2 oder 3, wobei sowohl den Betriebsereignissen (E1, E2, ..., En) als auch den Kontextinformationen (CI) aus dem Produktionsverwaltungssystem (PMS) Zeitstempel für deren Auftreten zugeordnet sind, wobei Kontextinformationen (CI) mit dem gleichen Zeitstempel eines Betriebsereignisses (E1, E2, ..., En) mit diesem Betriebsereignis (E1, E2, ..., En) verknüpft werden.
Verfahren nach einem der vorhergehenden Ansprüche, wobei für zumindest einen Teil der Betriebsereignisse (E1, E2, ..., En) der Ereignissequenzen (ES) die zugehörigen Kontextinformationen (CI) zumindest teilweise aus den jeweiligen Betriebsereignissen (E1, E2, ..., En) selbst extrahiert werden.
Verfahren nach Anspruch 5, wobei für zumindest einen Teil der Betriebsereignisse (E1, E2, ..., En) der Ereignissequenzen (ES) textuelle Ausdrücke aus der Betriebsmeldung des jeweiligen Betriebsereignisses (E1, E2, ..., En) als Kontextinformationen (CI) extrahiert werden.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem die Kontextinformationen (CI) folgende digitalen Informationen umfassen: - ein oder mehrere Produktionsmodule (M1, M2, ..., M10) und/oder eine oder mehrere Produktionsmodul-Komponenten (CO1, CO2, CO3, CO4), die in dem Produktionssystem (PS) enthalten sind und in denen die jeweiligen Betriebsereignisse (E1, E2, ..., En) aufgetreten sind; und/oder - Informationen aus einer oder mehreren Stücklisten (BM), wobei eine jeweilige Stückliste Teile (PA1, PA2, PA3, PA4) angibt, welche durch das Produktionsmodul (M1, M2, ..., M10) oder die Produktionsmodul-Komponente (CO1, CO2, CO3, CO4) verarbeitet werden, in dem oder in der das jeweilige Betriebsereignis (E1, E2, ..., En) aufgetreten ist, wobei vorzugsweise eine oder manche der Stücklisten (BM) jeweils Zusatzinformationen zu den jeweiligen Teilen (PA1, PA2, PA3, PA4) umfassen, insbesondere Chargen- und/oder Herstellerinformationen; und/oder - Informationen aus einer oder mehreren Prozesslisten (BP), wobei eine jeweilige Prozessliste (BP) Prozessschritte angibt, welche durch das Produktionsmodul (M1, M2, ..., M10) oder die Produktionsmodul-Komponente (CO1, CO2, CO3, CO4) ausgeführt werden, in dem oder in der das jeweilige Betriebsereignis (E1, E2, ..., En) aufgetreten ist, wobei vorzugsweise eine oder manche der Prozesslisten (BP) jeweils Zusatzinformationen zu den Prozessschritten umfassen; und/oder - eine oder mehrere Produktvarianten (VA1, VA2, ..., VA6), wobei eine jeweilige Produktvariante durch das Produktionsmodul (M1, M2, ..., M10) oder die Produktionsmodul-Komponente (CO1, CO2, CO3, CO4) gefertigt wird, in dem oder in der das jeweilige Betriebsereignis (E1, E2, ..., En) aufgetreten ist; und/oder - Informationen aus einer digitalen technischen Beschreibung (PL) des Produktionssystems (PS).
Verfahren nach einem der vorhergehenden Ansprüche, wobei im Rahmen des unüberwachten Repräsentationslernens (RL) eine Optimierung basierend auf einem Optimierungsziel durchgeführt wird, das von einer Wahrscheinlichkeitsfunktion abhängt, welche die Wahrscheinlichkeit einer Kombinationen aus einer Entität (EN) und restlichen Entitäten (EN) in einer Ereignissequenz (ES) in der Form einer bedingten Wahrscheinlichkeit repräsentiert, welche die Wahrscheinlichkeit des Auftretens der Entität (EN) unter der Bedingung des Vorhandenseins der restlichen Entitäten (EN) in der Ereignissequenz (ES) ist, wobei das Optimierungsziel eine möglichst große Summe derjenigen Wahrscheinlichkeiten ist, deren Kombinationen aus einer Entität (EN) und restlichen Entitäten (EN) in den Trainingsdaten tatsächlich auftreten.
Verfahren nach einem der vorhergehenden Ansprüche, wobei basierend auf den digitalen Repräsentationsvektoren (V) ein rechnergestütztes Cluster-Verfahren zur Clusterung von ähnlichen Entitäten (EN) durchgeführt wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei basierend auf den digitalen Repräsentationsvektoren (V) eine Visualisierung auf einer Anzeigeeinheit generiert wird, wobei aus der Visualisierung die Ähnlichkeit zwischen zumindest einem Teil der Entitäten ersichtlich wird.
Verfahren nach einem der vorhergehenden Ansprüche, wobei basierend auf den digitalen Repräsentationsvektoren (V) ein maschinelles Lernverfahren zur Prädiktion von Ereignissequenzen (ES) aus bekannten Ereignissequenzen (ES) gelernt wird.
Vorrichtung zur rechnergestützten Analyse des Betriebs eines Produktionssystems (PS), wobei in der Vorrichtung digitale Daten in der Form von mehreren zeitlich aufeinander folgenden Ereignissequenzen (ES) verarbeitbar sind, welche jeweils mehrere zeitlich hintereinander aufgetretene Betriebsereignisse (E1, E2, ..., En) umfassen, welche jeweils eine Betriebsmeldung enthalten, die im Produktionssystem (PS) erzeugt wurden, wobei die Vorrichtung zur Durchführung eines Verfahrens eingerichtet ist, bei dem: - die Betriebsereignisse (E1, E2, ..., En) jeder Ereignissequenz (ES) mit digitalen Kontextinformationen (CI) verknüpft werden, welche zu den jeweiligen Betriebsereignissen (E1, E2, ..., En) gehören, wodurch für jede Ereignissequenz (ES) eine Vielzahl von digitalen Entitäten (EN) erhalten wird, welche Typen von Betriebsereignissen und Kontextinformationen (CI) darstellen, wobei jedes Betriebsereignis (E1, E2, ..., En) durch eine Entität (EN) repräsentiert wird und die mit einem jeweiligen Betriebsereignis (E1, E2, ..., En) verknüpften Kontextinformationen (CI) durch eine oder mehrere Entitäten (EN) repräsentiert werden; - für die verschiedenen Entitäten (EN) der Ereignissequenzen (ES) jeweilige digitale Repräsentationsvektoren (V) ermittelt werden, indem mit diesen Entitäten (EN) als Trainingsdaten ein unüberwachtes Repräsentationslernen durchgeführt wird, bei dem die Entitäten (EN) als Vektoren (V) in einem Vektorraum mit einer vorgegebenen Anzahl an Dimensionen modelliert werden, wobei das unüberwachte Repräsentationslernen (RL) basierend auf einer Ähnlichkeitsfunktion durchgeführt wird, welche die Ähnlichkeit einer jeweiligen Entität (EN) zu den anderen Entitäten (EN) in der gleichen Ereignissequenz (ES) beschreibt.
Vorrichtung nach Anspruch 12, welche derart ausgestaltet ist, dass mit der Vorrichtung ein Verfahren nach einem der Ansprüche 2 bis 11 durchführbar ist.
Computerprogrammprodukt mit einem auf einem maschinenlesbaren Träger gespeicherten Programmcode zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 11, wenn der Programmcode auf einem Rechner ausgeführt wird.
Computerprogramm mit einem Programmcode zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 11, wenn der Programmcode auf einem Rechner ausgeführt wird.