DE112020006810T5

DE112020006810T5 - Betriebszustands-klassifikationssystem und betriebszustands-klassifikationsverfahren

Info

Publication number: DE112020006810T5
Application number: DE112020006810.2T
Authority: DE
Inventors: Kohji Maki
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2020-02-27
Filing date: 2020-07-29
Publication date: 2022-12-15
Also published as: JP7348103B2; US20230091068A1; JP2021135739A; CN115066693A; WO2021171647A1

Abstract

Die Aufgabe der vorliegenden Erfindung besteht darin, ein Betriebszustands-Klassifikationssystem zu verwirklichen, das eine Klassifikationsgenauigkeit aufweist, die sich durch zusätzliches Training kontinuierlich verbessert, und das vor einer unberechtigten Duplizierung einer Klassifikationsfunktion geeignet geschützt ist. Bei diesem Betriebszustands-Klassifikationssystem, bei dem eine Edge-Vorrichtung und ein Server durch ein Kommunikationsnetz verbunden sind, und das Sensordaten in ein neuronales Netz eingibt und ein Zustands-Label ausgibt, weist die Edge-Vorrichtung eine erste Speichereinheit, die eine vorgeschaltete Seite des neuronalen Netzes speichert, und eine Dimensionalitätsverringerungseinheit, welche die Sensordaten in die vorgeschaltete Seite des neuronalen Netzes eingibt und Zwischendaten ausgibt, auf und weist der Server eine zweite Speichereinheit, die eine nachgeschaltete Seite des neuronalen Netzes speichert, eine Inferenzausführungseinheit, welche die Zwischendaten in die nachgeschaltete Seite des neuronalen Netzes eingibt und das Zustands-Label ausgibt, und eine Trainingseinheit, welche die nachgeschaltete Seite des neuronalen Netzes durch zusätzliches Training aktualisiert, auf.

Description

Technisches Gebiet
Die vorliegende Erfindung betrifft ein Betriebszustands-Klassifikationssystem und ein Betriebszustands-Klassifikationsverfahren, wodurch Betriebszustände einer Edge-Vorrichtung und dergleichen klassifiziert werden.
Technischer Hintergrund
Eines der Probleme bei der Erkennung von Abnormitäten in Fertigungsgeräten ist die Festlegung geeigneter Kriterien. Wenn eine Werkzeugmaschine diagnostiziert wird, hängt die auf einen Antriebsmotor ausgeübte Last beispielsweise vom Prozesstyp ab (beispielsweise ist die Last während einer maschinellen Bearbeitung groß und während eines Leerlaufbetriebs klein). Daher nehmen Fehlinformationen und Informationsverluste zu, solange die für die jeweiligen Prozesse verschiedenen Kriterien nicht festgelegt wurden. Alternativ ist es zur Verbesserung der Genauigkeit der Abnormitätserkennung auch vorstellbar, nur Daten eines spezifischen Prozesses oder nur Daten einer Zeitzone, worin eine Lastschwankung gering ist, zu verwenden. Daher besteht ein Bedarf an einem Betriebszustands-Klassifikationssystem, das in der Lage ist, den Betriebszustand einer Zielvorrichtung zu klassifizieren, bevor eine Abnormität erkannt wird.
Andererseits ist es vor kurzem möglich geworden, eine Edge-Vorrichtung in der Art einer Leistungswandlungsvorrichtung, einer industriellen Steuereinrichtung oder dergleichen mit einer Inferenzausführungsfunktion für Deep Learning (neuronales Netz) zu versehen. Falls die Edge-Vorrichtung mit einer Betriebszustands-Klassifikationsfunktion versehen ist, kann der Betriebszustand durch ihre Verwendung durch die Edge-Vorrichtung bestimmt werden und können nur die für die Abnormitätserkennung verwendeten Daten zu einem Server übertragen werden. Daher wird zusätzlich zu einer Verringerung der Kommunikationsdatenmenge eine genauere Abnormitätserkennung möglich.
Ein Konzeptdiagramm einer solchen bekannten Technik ist in 15 dargestellt. Zuerst werden in einer Edge-Vorrichtung Daten von verschiedenen Sensoren und Zustands-Labels L (beispielsweise L₁, L₂, L₃), die jeden Betriebszustand angeben, miteinander assoziiert gespeichert. Sie werden durch irgendein Verfahren in einem Trainingsserver gesammelt, und ein neuronales Netz wird durch den Trainingsserver trainiert. Das so erhaltene trainierte neuronale Netz wird in der Edge-Vorrichtung installiert. Dadurch wird die Automatisierung der Zustandsklassifikation allein durch die Edge-Vorrichtung verwirklicht. Danach wird eine dem Klassifikationsergebnis entsprechende Verarbeitung in der Art einer Diagnose nur mit Daten eines spezifischen Betriebszustands ausgeführt.
Bei verschiedenen Steuervorrichtungen in der Art einer Leistungswandlungsvorrichtung und einer industriellen Steuereinrichtung anstelle der vorliegenden Edge-Vorrichtung, insbesondere einer Vorrichtung, die ein Edge-Computing ausführt, wie ein Industrie-PC, ist die Leistung des installierten Mikrocomputers jedoch gering und ist auch die Speicherkapazität gering. Daher lässt sich ein Trainieren eines neuronalen Netzes gewöhnlich nur schwer ausführen.
Daher tritt bei einem Betriebszustands-Klassifikationssystem, das auf der vorstehend erwähnten herkömmlichen Technologie beruht, das Problem auf, dass die Funktion zu Beginn des eigentlichen Betriebs fest ist und sich die Klassifikationsgenauigkeit durch den eigentlichen Betrieb nur schwer verbessern lässt. Weil die Funktion der Edge-Vorrichtung allein geschlossen ist, besteht ferner das Risiko, dass die Funktion des neuronalen Netzes durch Überwachen des Eingangs und des Ausgangs illegal dupliziert werden kann.
Demgemäß wurde eine Technologie vorgeschlagen, bei der die Rechenleistung sowohl der Edge-Vorrichtung als auch des Servers verwendet wird, indem das neuronale Netz in die Edge-Vorrichtung und den Server unterteilt wird und installiert wird. Beispielsweise wurde in Patentliteratur 1 eine Technologie offenbart, bei der ein Smartphone die Verarbeitung bis zur ersten Hälfte des neuronalen Netzes (von einer Eingangsschicht bis zur ersten Hälfte einer Zwischenschicht) ausführt, ihr Ergebnis an den Server ausgibt und die Verarbeitung der zweiten Hälfte (von der zweiten Hälfte der Zwischenschicht bis zu einer Ausgangsschicht) auf dem Server ausführt. Nicht nur die Inferenzausführung, sondern auch das Training wird in Zusammenarbeit mit dem Smartphone und dem Server ausgeführt.
Zitatliste
Patentliteratur
PTL 1: WO2018/011842
Kurzfassung der Erfindung
Technisches Problem
Es besteht jedoch das Problem, dass es bei verschiedenen Steuervorrichtungen in der Art einer Leistungswandlungsvorrichtung und einer industriellen Steuereinrichtung, weil die Leistungsfähigkeit und die Speicherkapazität des Mikrocomputers jenen des Smartphones unterlegen sind, schwierig ist, das Training des neuronalen Netzes durch die Verwendung der in Patentliteratur 1 offenbarten Technologie auszuführen.
Die vorliegende Erfindung wurde gemacht, um die vorstehend erwähnten Probleme des Stands der Technik zu lösen, und eine Aufgabe der vorliegenden Erfindung besteht darin, ein Betriebszustands-Klassifikationssystem bereitzustellen, das in der Lage ist, die Genauigkeit der Betriebszustandsklassifikation durch zusätzliches Training zu verbessern, während die Belastung auf Seiten der Edge-Vorrichtung verringert wird, wenn eine Edge-Vorrichtung und ein Server zusammenarbeiten sollen.
Lösung des Problems
Zum Lösen der vorstehenden Probleme weist ein Betriebszustands-Klassifikationssystem gemäß der vorliegenden Erfindung eine Edge-Vorrichtung und einen Server auf, die über ein Kommunikationsnetz verbunden sind, wodurch Sensordaten in ein neuronales Netz eingegeben werden und ein Zustands-Label ausgegeben wird. Die Edge-Vorrichtung weist eine erste Speichereinheit, die eine vorgeschaltete Stufe des neuronalen Netzes speichert, und eine Dimensionskompressionseinheit, welche die Sensordaten in die vorgeschaltete Stufe des neuronalen Netzes eingibt und Zwischendaten ausgibt, auf. Der Server weist eine zweite Speichereinheit, die eine nachgeschaltete Stufe des neuronalen Netzes speichert, eine Inferenzausführungseinheit, welche die Zwischendaten in die nachgeschaltete Stufe des neuronalen Netzes eingibt und das Zustands-Label ausgibt, und eine Trainingseinheit, welche die nachgeschaltete Stufe des neuronalen Netzes durch zusätzliches Training aktualisiert, auf.
Ferner weist ein Betriebszustands-Klassifikationsverfahren gemäß der vorliegenden Erfindung einen Trainingsschritt, bei dem ein neuronales Netz, das Sensordaten entgegennimmt und ein Zustands-Label an einen Server ausgibt, trainiert wird, einen ersten Speicherschritt, bei dem eine vorgeschaltete Stufe des neuronalen Netzes in einer Edge-Vorrichtung gespeichert wird, einen zweiten Speicherschritt, bei dem eine nachgeschaltete Stufe des neuronalen Netzes im Server gespeichert wird, und einen zusätzlichen Speicherschritt, bei dem die vorgeschaltete Stufe des neuronalen Netzes am Server zusätzlich trainiert wird, auf.
Vorteilhafte Wirkungen der Erfindung
Beim Betriebszustands-Klassifikationssystem und beim Betriebszustands-Klassifikationsverfahren gemäß der vorliegenden Erfindung entwickelt sich das neuronale Netz auf der Serverseite weiter, wenn die Edge-Vorrichtung weiter arbeitet, selbst wenn sich das in der Edge-Vorrichtung installierte neuronale Netz nicht weiterentwickelt. Daher kann die Klassifikationsgenauigkeit des Gesamtsystems verbessert werden. Demgemäß kann der eigentliche Betrieb eingeleitet werden, ohne darauf zu warten, dass genügend Trainingsdaten angesammelt wurden. Weil die zu übermittelnden Daten zusätzlich komprimiert werden, können nicht nur die Kommunikationskosten verringert werden, sondern ist es auch unwahrscheinlich, dass ein Missbrauch auftritt, selbst wenn die Daten während der Kommunikation gestohlen werden. Ferner kann eine unberechtigte Duplikation unterdrückt werden, weil die Edge-Vorrichtung nur dann funktioniert, wenn sie mit dem Server verbunden ist.
Figurenliste
Es zeigen:

1 ein Konzeptdiagramm des Trainings bei einem Betriebszustands-Klassifikationssystem gemäß einer ersten Ausführungsform,
2 ein Flussdiagramm des Trainings beim Betriebszustands-Klassifikationssystem gemäß der ersten Ausführungsform,
3 ein Konzeptdiagramm der Inferenzausführung beim Betriebszustands-Klassifikationssystem gemäß der ersten Ausführungsform,
4 ein Flussdiagramm der Inferenzausführung im Betriebszustands-Klassifikationssystem gemäß der ersten Ausführungsform,
5 ein Konzeptdiagramm eines zusätzlichen Trainings im Betriebszustands-Klassifikationssystem gemäß der ersten Ausführungsform,
6 ein Flussdiagramm eines zusätzlichen Trainings im Betriebszustands-Klassifikationssystem gemäß der ersten Ausführungsform,
7 ein Diagramm der Funktionskonfiguration einer Edge-Vorrichtung und eines Servers beim Betriebszustands-Klassifikationssystem gemäß der ersten Ausführungsform,
8 ein Konzeptdiagramm der Inferenzausführung in einem Betriebszustands-Klassifikationssystem gemäß einer zweiten Ausführungsform,
9 ein Konzeptdiagramm des Trainings bei einem Betriebszustands-Klassifikationssystem gemäß einer dritten Ausführungsform,
10 ein Flussdiagramm des Trainings beim Betriebszustands-Klassifikationssystem gemäß der dritten Ausführungsform,
11 ein Konzeptdiagramm der Inferenzausführung beim Betriebszustands-Klassifikationssystem gemäß der dritten Ausführungsform,
12 ein Flussdiagramm der Inferenzausführung im Betriebszustands-Klassifikationssystem gemäß der dritten Ausführungsform,
13 ein Diagramm einer Grundkonfiguration, bei der Funktionen auf der Seite der Edge-Vorrichtung, wodurch ein Betriebszustands-Klassifikationssystem gemäß der vorliegenden Erfindung gebildet wird, in einer industriellen Steuereinrichtung installiert sind,
14 ein Diagramm einer Grundkonfiguration, wenn die Funktionen auf der Seite der Edge-Vorrichtung, wodurch das Betriebszustands-Klassifikationssystem gemäß der vorliegenden Erfindung gebildet wird, in einer Leistungswandlungsvorrichtung installiert sind, und
15 ein Konzeptdiagramm einer bekannten Technik in Bezug auf ein Betriebszustands-Klassifikationssystem.

Beschreibung von Ausführungsformen
Nachstehend werden Ausführungsformen der vorliegenden Erfindung unter Verwendung der Zeichnungen beschrieben.
[Erste Ausführungsform]
Ein Betriebszustands-Klassifikationssystem 100 gemäß einer ersten Ausführungsform der vorliegenden Erfindung wird unter Verwendung der 1 bis 7 beschrieben. Das Betriebszustands-Klassifikationssystem 100 gemäß der vorliegenden Ausführungsform dient dem Klassifizieren eines Betriebszustands einer Edge-Vorrichtung 2 durch die Verwendung eines neuronalen Netzes, wobei ein Server 1 und die Edge-Vorrichtung 2 durch ein Kommunikationsnetz verbunden sind. Es sei bemerkt, dass gemäß der vorliegenden Ausführungsform ein Selbstencoder als Beispiel des neuronalen Netzes angegeben wird, dass das Konzept der vorliegenden Erfindung jedoch auch auf ein System angewendet werden kann, bei dem andere Typen neuronaler Netze verwendet werden.
Der Server 1 ist ein Computer, der mit Hardware beispielsweise in Form einer Recheneinheit in der Art einer CPU, einer Hauptspeichervorrichtung in der Art eines Halbleiterspeichers, einer Hilfsspeichervorrichtung in der Art einer Festplatte und einer Kommunikationsvorrichtung versehen ist. Ferner ist die Edge-Vorrichtung 2 eine Leistungswandlungsvorrichtung, eine industrielle Steuereinrichtung oder dergleichen mit einem darin eingebauten Mikrocomputer. Ein solcher Server 1 und eine solche Edge-Vorrichtung 2 können jede später beschriebene Funktion verwirklichen, indem sie die Recheneinheit veranlassen, ein in die Hauptspeichervorrichtung geladenes Programm auszuführen. Es sei bemerkt, dass angenommen wird, dass der Mikrocomputer der Edge-Vorrichtung 2 Rechenleistung für die Verwendung des installierten neuronalen Netzes aufweist, jedoch keine Rechenleistung aufweist, um das installierte neuronale Netz selbst zu entwickeln.
Nachstehend werden die Einzelheiten des Betriebszustands-Klassifikationssystems 100 gemäß der vorliegenden Ausführungsform getrennt für jeweilige Situationen einer „Trainingsverarbeitung“, die vor dem eigentlichen Betrieb der Edge-Vorrichtung 2 ausgeführt wird, einer „Inferenzverarbeitung“, die während des eigentlichen Betriebs der Edge-Vorrichtung 2 ausgeführt wird, und einer „zusätzlichen Trainingsverarbeitung“ zur Verbesserung des neuronalen Netzes auf der Seite des Servers 1, welche nach dem Betrieb der Edge-Vorrichtung 2 während eines vorgegebenen Zeitraums oder länger oder mit einer vorgegebenen Anzahl von Malen oder darüber ausgeführt wird, beschrieben.
<Trainingsverarbeitung>
1 ist ein Konzeptdiagramm der Trainingsverarbeitung des Betriebszustands-Klassifikationssystems 100, die vor dem eigentlichen Betrieb der Edge-Vorrichtung 2 ausgeführt wird, und 2 ist ein Flussdiagramm, das den Ablauf der Trainingsverarbeitung zeigt.
Zuerst speichert die Edge-Vorrichtung 2 in Schritt S10 von verschiedenen Sensoren erfasste Sensordaten und ein Zustands-Label L (beispielsweise L₁, L₂, L₃), wodurch der Typ eines Betriebszustands angegeben wird, welcher durch einen Systementwickler oder dergleichen miteinander assoziiert in eine Speichervorrichtung eingegeben wird. Es sei bemerkt, dass, wenngleich hier der Fall erläutert wird, in dem der Betriebszustand in drei Typen klassifiziert wird, der Typ des Betriebszustands auch eine natürliche Zahl von 2 oder größer sein kann.
Als nächstes sammelt der Server 1 in Schritt S11 die Sensordaten und das Zustands-Label L, die in der Edge-Vorrichtung 2 gespeichert sind, und verwendet die Sensordaten jedes Betriebszustands, um jedes neuronale Netz (nachstehend als Selbstencoder α bezeichnet) zu trainieren, sie selbst zu reproduzieren. Beispielsweise gibt ein Selbstencoder α₁, der durch die Sensordaten im Zustands-Label L₁ trainiert wurde, die Sensordaten im Zustands-Label L₁ aus, wenn die Sensordaten im Zustands-Label L₁ eingegeben werden, gibt jedoch von der Eingabe verschiedene Sensordaten aus, wenn andere Sensordaten eingegeben werden. Daher dient ein vorgeschalteter Abschnitt (von einer Eingangsschicht bis zur ersten Hälfte der Zwischenschicht) des Selbstencoders α als neuronales Netz (nachstehend als Encoder A bezeichnet), das einen Merkmalsbetrag d der für das Training verwendeten Sensordaten extrahiert. Ferner dient ein nachgeschalteter Abschnitt (von der späteren Hälfte der Zwischenschicht bis zu einer Ausgangsschicht) des Selbstencoders α als neuronales Netz (nachstehend als Decoder A' bezeichnet), welches die Sensordaten auf der Grundlage des Merkmalsbetrags d reproduziert.
Als nächstes kopiert der Server 1 in Schritt S12 den in Schritt S11 erhaltenen Encoder A und trainiert ein neuronales Netz (nachstehend als Zustandsklassifikator B bezeichnet), das den durch den Encoder A extrahierten Merkmalsbetrag d als Eingabe nimmt und ein Zustands-Label L ausgibt. Es sei bemerkt, dass sich der Zustandsklassifikator B leicht trainieren lässt, weil der Zustandsbetrag d durch den Encoder A extrahiert wird.
Schließlich installiert der Server 1 in Schritt S13 nur den trainierten Encoder A in die Edge-Vorrichtung 2. Es sei bemerkt, dass die Rechenlast bei der Ausführung gering ist und die Speicherkapazität auch gering ist, weil der in die Edge-Vorrichtung 2 installierte Encoder A Teil des neuronalen Netzes des Selbstencoders α ist. Daher kann die gewünschte Verarbeitung selbst dann verzögerungsfrei ausgeführt werden, wenn die Edge-Vorrichtung 2 ein eingebauter Mikrocomputer mit einer verhältnismäßig konstanten geringen Leistungsfähigkeit ist.
<Inferenzverarbeitung>
3 ist ein Konzeptdiagramm der Inferenzverarbeitung des Betriebszustands-Klassifikationssystems 100, die während des eigentlichen Betriebs der Edge-Vorrichtung 2 ausgeführt wird, und 4 ist ein Flussdiagramm, das den Ablauf der Inferenzverarbeitung zeigt.
In Schritt S20 gibt die Edge-Vorrichtung 2 von verschiedenen Sensoren während des eigentlichen Betriebs gesammelte Sensordaten in Encoder A1 bis A3 jedes Zustands ein und extrahiert Merkmalsbeträge d₁ bis d₃ jedes Zustands.
In Schritt S21 überträgt die Edge-Vorrichtung 2 den erhaltenen Merkmalsbetrag d zum Server 1. Weil der Merkmalsbetrag d durch den Encoder dimensionell komprimiert wird, wird die Datengröße gering, während die Merkmale der Sensordaten jedes Betriebszustands aufgenommen werden. Daher können die Kosten der Kommunikation von der Edge-Vorrichtung 2 mit dem Server 1 verringert werden.
In Schritt S22 gibt der Server 1 den empfangenen Merkmalsbetrag d in den Zustandsklassifikator B ein, um den Betriebszustand zu klassifizieren, und erzeugt das Zustands-Label L.
In Schritt S23 überträgt der Server 1 das erzeugte Zustands-Label L zur Edge-Vorrichtung 2.
Schließlich ändert die Edge-Vorrichtung 2 in Schritt S24 das nachfolgende Verarbeitungsverfahren entsprechend dem Typ des eingegebenen Zustands-Labels L. Es ist beispielsweise vorstellbar, ein Klassifikationsergebnis anzuzeigen, eine Diagnose nur im Fall eines spezifischen Zustands auszuführen oder detaillierte Daten zu speichern usw. Wenn es erforderlich ist, eine Änderung im Betriebszustand bei der Steuerung der Edge-Vorrichtung 2 unmittelbar widerzuspiegeln, ist es wünschenswert, ein schnelles Kommunikationsnetz geringer Verzögerung für das den Server 1 und die Edge-Vorrichtung 2 verbindende Kommunikationsnetz zu verwenden.
Es sei bemerkt, dass der von der Edge-Vorrichtung 2 zum Server 1 übertragene Merkmalsbetrag d aus vom Encoder A, welcher der vorgeschaltete Abschnitt des Selbstencoders α ist, ausgegebenen Zwischendaten besteht. Falls der Decoder A', welcher der nachgeschaltete Abschnitt des Selbstencoders α und des Zustandsklassifikators B ist, nicht verwendet werden kann, handelt es sich dabei um bedeutungslose Daten. Daher kann selbst dann, wenn die Kommunikation von der Edge-Vorrichtung 2 mit dem Server 1 unterbrochen wird, die Vertraulichkeit ihres Kommunikationsinhalts bewahrt bleiben.
<Zusätzliche Trainingsverarbeitung>
5 ist ein Konzeptdiagramm der zusätzlichen Trainingsverarbeitung des Betriebszustands-Klassifikationssystems 100, die ausgeführt wird, nachdem die Edge-Vorrichtung 2 während eines vorgegebenen Zeitraums oder länger oder mit einer vorgegebenen Anzahl von Malen oder darüber betrieben wurde, und 6 ist ein Flussdiagramm, das den Ablauf der zusätzlichen Trainingsverarbeitung zeigt. Es sei bemerkt, dass die zusätzliche Trainingsverarbeitung der Verbesserung des Zustandsklassifikators B auf der Seite des Servers 1 dient und dass der Encoder A auf der Seite der Edge-Vorrichtung 2 weiter unverändert verwendet wird.
In Schritt S30 gibt die Edge-Vorrichtung 2 von verschiedenen Sensoren während des eigentlichen Betriebs gesammelte Sensordaten in die Encoder A1 bis A3 jedes Zustands ein und extrahiert Merkmalsbeträge d₁ bis d₃ jedes Zustands.
In Schritt S31 wird das korrekte Zustands-Label L mit den gleichen Zwischendaten wie bei der Inferenzausführung assoziiert und im Server 1 als zusätzliche Trainingsdaten gespeichert. Die Zuweisung des korrekten Zustands-Labels L und die Korrektur des inkorrekten Zustands-Labels L werden im Wesentlichen durch eine Person in der Art eines Systementwicklers oder eines Bedieners der Edge-Vorrichtung 2 ausgeführt. Es sei bemerkt, dass 5 sowohl das vom Systementwickler und dergleichen in den Server 1 eingegebene korrekte Zustands-Label L als auch das vom Bediener in die Edge-Vorrichtung 2 eingegebene korrekte Zustands-Label L zeigt, dass jedoch auch nur eines von ihnen eingegeben werden kann.
Alternativ kann das Zustands-Label, um Zeit und Arbeit für das Anbringen des korrekten Zustands-Labels durch eine Person zu sparen, automatisch als das korrekte Zustands-Label angegeben werden, wenn die Wahrscheinlichkeit des Zustands, der bei der Klassifikation durch den Zustandsklassifikator B als der wahrscheinlichste bestimmt wurde, höher als der vorgegebene Wert ist (beispielsweise 80 %). Andererseits ist es nur dann, wenn die Wahrscheinlichkeit kleiner oder gleich dem vorgegebenen Wert ist, d. h. wenn der Zustandsklassifikator B in Bezug auf die Beurteilung unsicher ist, möglich, sich die Mühe zu sparen, dass stets eine Person gedrängt wird, das korrekte Zustands-Label anzugeben. Es sei bemerkt, dass, wenn die Person das Versehen mit Zustands-Labels ganz beendet und die Wahrscheinlichkeit gering ist, Zustands-Labels unter Verwendung der Nähe gelabelter Daten als Index angegeben werden können oder sie nicht für zusätzliches Training verwendet werden können.
In Schritt S32 führt der Server 1 ein zusätzliches Training aus, wenn er wenigstens eine gewünschte Menge an zusätzlichen Trainingsdaten angesammelt hat. Dieses zusätzliche Training kann parallel mit der in den 3 und 4 dargestellten Inferenzausführung ausgeführt werden, oder die Inferenzausführung kann vorübergehend ausgesetzt und wieder ausgeführt werden.
Dann setzt der Server 1 in Schritt S33 die Inferenzausführung vorübergehend aus und ersetzt den Zustandsklassifikator B durch einen durch das zusätzliche Training erhaltenen. Folglich kann der Zustandsklassifikator B des Servers 1, nachdem die Edge-Vorrichtung 2 während eines vorgegebenen Zeitraums oder länger oder mit einer vorgegebenen Anzahl von Malen oder darüber betrieben wurde, auf der Grundlage menschlichen Wissens zu einem mit einer höheren Klassifikationsgenauigkeit aktualisiert werden. Daher wird die Leistungsfähigkeit des Systems insgesamt, selbst wenn sich der in der Edge-Vorrichtung 2 installierte Encoder A nicht weiterentwickelt, verbessert, so dass ein geeignetes Zustands-Label L bei der anschließend ausgeführten Inferenzverarbeitung erzeugt werden kann.
<Spezifische Konfiguration des Servers 1 und der Edge-Vorrichtung 2>
7 ist ein Funktionsblockdiagramm des Servers 1 und der Edge-Vorrichtung 2 im Betriebszustands-Klassifikationssystem 100, das jede der vorstehenden Verarbeitungen ausführt.
Ein in die Edge-Vorrichtung 2 aufgenommener Betriebszustandsklassifikations-Vor- und Nachverarbeitungsabschnitt 20 weist eine Dateneingabeeinheit 21, die Sensordaten und ein Zustands-Label für ein zusätzliches Training eingibt, eine Encoderspeichereinheit 22, die den trainierten Encoder A speichert, eine Dimensionskompressionseinheit 23, welche die Sensordaten durch die Verwendung des Encoders A in den Merkmalsbetrag d umwandelt, eine Datenkommunikationseinheit 24, die den Merkmalsbetrag d zum Server 1 überträgt und das Zustands-Label L vom Server 1 empfängt, und eine Ergebnisantworteinheit 25, die das Zustands-Label L anzeigt und eine Diagnose ausführt und detaillierte Daten nur bei einem spezifischen Zustand speichert, auf. Es sei bemerkt, dass diese, wie vorstehend beschrieben, durch die CPU oder dergleichen, wodurch das Programm ausgeführt wird, verwirklicht werden.
Andererseits weist ein im Server 1 enthaltener Betriebszustandsklassifikations-Ausführungsabschnitt 10 eine Datenkommunikationseinheit 11, die den Merkmalsbetrag d und das Zustands-Label L für ein zusätzliches Training von der Edge-Vorrichtung 2 empfängt und das Zustands-Label als das Ergebnis der Klassifikation durch den Zustandsklassifikator B überträgt, eine Zustandsklassifikator-Speichereinheit 12, die den erlernten Zustandsklassifikator B speichert, eine Inferenzausführungseinheit 13, die eine Betriebszustandsklassifikation unter Verwendung des Zustandsklassifikators B ausführt, eine Datenspeichereinheit 14, die Daten für ein zusätzliches Training speichert, und eine Trainingseinheit 15, die den Selbstencoder α und den Zustandsklassifikator B bei der Trainingsverarbeitung oder einer zusätzlichen Trainingsverarbeitung unter Verwendung der gespeicherten Daten trainiert, auf. Es sei bemerkt, dass diese, wie vorstehend beschrieben, durch die CPU oder dergleichen, wodurch das Programm ausgeführt wird, verwirklicht werden.
Indem das System wie gemäß der vorliegenden Ausführungsform konfiguriert wird, werden die zusätzlichen Trainingsdaten lediglich durch Fortsetzen des eigentlichen Betriebs natürlich im Server 1 angesammelt. Daher verbessert sich die Klassifikationsgenauigkeit allmählich im Laufe der Zeit, selbst wenn die Klassifikationsgenauigkeit des Betriebszustands am Ende der ersten Trainingsverarbeitung ungenügend ist. Auch kann das Ausmaß der Kommunikation verringert werden, weil der Umfang der von der Edge-Vorrichtung 2 zum Server 1 gesendeten Daten verkleinert wird. Ferner können keine nützlichen Informationen (Zustands-Label L) erhalten werden, sofern nicht eine Umgebung gebildet wird, in der die Edge-Vorrichtung 2 mit dem Server 1 verbunden ist, um die Verwendung des Zustandsklassifikators B zu ermöglichen. Daher ist das Risiko eines Informationslecks gering, und hat der Encoder A zusätzlich, wenn nur er unberechtigt kopiert wird, fast keinen Nutzwert.
Gemäß der vorstehend beschriebenen vorliegenden Ausführungsform entwickelt sich das neuronale Netz auf der Serverseite selbst dann, wenn sich das auf der Seite der Edge-Vorrichtung installierte neuronale Netz nicht weiter entwickelt, kontinuierlich weiter. Daher wird die Leistungsfähigkeit des neuronalen Netzes als Gesamtsystem mit zunehmendem Betrieb immer besser. Ferner kann, weil der Merkmalsbetrag (Zwischendaten) mit einer kleinen Datenmenge während des eigentlichen Betriebs von der Edge-Vorrichtung zum Server übertragen wird, das Ausmaß der Kommunikation zwischen beiden verringert werden. Zusätzlich kann, weil das System den Merkmalsbetrag (die Zwischendaten) nur dann verarbeiten kann, wenn die Edge-Vorrichtung und der Server verbunden sind, die Motivation verringert werden, das neuronale Netz auf der Seite der Edge-Vorrichtung illegal zu duplizieren und es in einer anderen Edge-Vorrichtung zu installieren.
[Zweite Ausführungsform]
Als nächstes wird die Inferenzverarbeitung eines Betriebszustands-Klassifikationssystems 100 gemäß einer zweiten Ausführungsform der vorliegenden Erfindung unter Verwendung eines Konzeptdiagramms aus 8 beschrieben. Es sei bemerkt, dass auf eine wiederholte Beschreibung der mit der ersten Ausführungsform gemeinsamen Punkte verzichtet wird.
Wie in den 3 und 4 dargestellt ist, erzeugt bei der Inferenzverarbeitung gemäß der ersten Ausführungsform der Zustandsklassifikator B das Zustands-Label L, während die Inferenzverarbeitung gemäß der vorliegenden Ausführungsform dadurch gekennzeichnet ist, dass zusätzlich zu dieser Verarbeitung der nachgeschaltete Abschnitt des Selbstencoders (Decoder A'), der während der Trainingsverarbeitung aus den 1 und 2 als Nebenprodukt erhalten wird, verwendet wird und dass die Sensordaten auf der Grundlage des Merkmalsbetrags d von der Edge-Vorrichtung 2 auf einer Pseudobasis reproduziert werden.
Wenn die Ausgabe des Zustandsklassifikators B des Servers 1 beispielsweise ein Zustands-Label L₁ ist, wird ein Merkmalsbetrag d₁ in einen Decoder A₁' eingegeben, wenn seine Ausgabe ein Zustands-Label L₂ ist, wird ein Merkmalsbetrag d₂ in einen Decoder A₂' eingegeben, und wenn seine Ausgabe ein Zustands-Label L₃ ist, wird ein Merkmalsbetrag d₃ in einen Decoder A₃' eingegeben. Dadurch können Daten in der Nähe der Sensordaten (nachstehend als reproduzierte Daten bezeichnet) decodiert werden, bevor sie durch die Edge-Vorrichtung 2 komprimiert werden. Das heißt, dass der Server 1 die eine große Datenmenge aufweisenden Sensordaten lediglich durch Übertragen des Merkmalsbetrags d mit einer kleinen Datenmenge von der Edge-Vorrichtung 2 pseudo-reproduzieren kann.
Die wie vorstehend beschrieben erhaltenen reproduzierten Daten können für verschiedene Zwecke verwendet werden. Beispielsweise können sie für eine Abnormitätserkennung durch einen komplizierten Maschinenlernalgorithmus, der sich schwer an einer Edge-Vorrichtung installieren lässt, oder zum einfachen Neutrainieren eines an der Edge-Vorrichtung montierten Encoders verwendet werden.
[Dritte Ausführungsform]
Als nächstes werden die Trainingsverarbeitung und die Inferenzverarbeitung eines Betriebszustands-Klassifikationssystems 100 gemäß einer dritten Ausführungsform der vorliegenden Erfindung unter Verwendung der 9 bis 12 beschrieben. Es sei bemerkt, dass auf eine wiederholte Beschreibung der mit den vorstehenden Ausführungsformen gemeinsamen Punkte verzichtet wird.
<Trainingsverarbeitung>
Bei der Trainingsverarbeitung gemäß der ersten Ausführungsform werden, wie in den 1 und 2 dargestellt, nach dem Trainieren der mehreren Selbstencoder α₁ bis α₃ alle Encoder A₁ bis A₃, welche ihre vorgeschalteten Abschnitte sind, in der Edge-Vorrichtung 2 installiert, die Trainingsverarbeitung gemäß der vorliegenden Ausführungsform ist jedoch dadurch gekennzeichnet, dass, wie in einem Konzeptdiagramm aus 9 und einem Flussdiagramm aus 10 dargestellt ist, nur ein einziger Selbstencoder α₁ trainiert wird und ein Encoder A₁, der sein vorgeschalteter Abschnitt ist, in der Edge-Vorrichtung 2 installiert wird. Dadurch wird selbst dann, wenn die Speicherkapazität der Edge-Vorrichtung 2 gering ist und nicht alle Encoder A gespeichert werden können, ihre Installation möglich.
Ferner wird bei der Trainingsverarbeitung gemäß der ersten Ausführungsform, wie in den 1 und 2 dargestellt, der Zustandsklassifikator B, der die Zustands-Labels L₁ bis L₃ erzeugt, auf der Grundlage der Merkmalsbeträge d₁ bis d₃, welche die Ausgaben der Encoder A₁ bis A₃ sind, trainiert, die Trainingsverarbeitung gemäß der vorliegenden Ausführungsform ist jedoch dadurch gekennzeichnet, dass, wie in den 9 und 10 dargestellt ist, ein Zustandsklassifikator B trainiert wird, der die Zustands-Labels L₁ bis L₃ nur auf der Grundlage eines Merkmalsbetrags d₁, wobei es sich um die Ausgabe eines Encoders A₁ handelt, erzeugt.
Wenn die Frequenz der Erzeugung des dem Zustands-Label L₁ entsprechenden Betriebszustands beispielsweise viel höher ist als jene anderer Betriebszustände (beispielsweise entspricht das Zustands-Label L₁ dem normalen Zustand und entsprechen die Zustands-Labels L₂ und L₃ dem abnormen Zustand), besteht die Möglichkeit, dass bei der Einleitung des eigentlichen Betriebs nicht ausreichend dem Zustands-Label L₂ und dem Zustands-Label L₃ entsprechende abnorme Daten gesammelt werden können. Zu dieser Zeit werden nur die dem Zustands-Label L₁ entsprechenden Selbstencoder α₁ trainiert, ohne dass die dem Zustands-Label L₂ und dem Zustands-Label L₃ entsprechenden Selbstencoder α₂ und α₃ trainiert werden. In diesem Fall können durch Ergreifen von Maßnahmen in der Art des Aufwendens von mehr Zeit für das Trainieren des Zustandsklassifikators B und des Erhöhens der Anzahl der Schichten des Zustandsklassifikators B nicht nur das Zustands-Label L₁, das dem normalen Zustand entspricht, sondern auch das Zustands-Label L₂ und das Zustands-Label L₃, die dem abnormen Zustand entsprechen, anhand des Merkmalsbetrags d₁, wobei es sich um die Ausgabe des Selbstencoders α₁ handelt, erzeugt werden.
Daher speichert die Edge-Vorrichtung 2 in Schritt S10 aus 10 ähnlich wie gemäß der ersten und zweiten Ausführungsform Sensordaten von verschiedenen Sensoren und Zustands-Labels (beispielsweise L₁, L₂, L₃), die jeweilige Betriebszustände angeben, in Assoziation miteinander.
Als nächstes wählt der Server 1 in Schritt S11a den Zustand mit der höchsten Auftrittsfrequenz (hier Normalzustand = Zustands-Label 1) und trainiert den Selbstencoder α₁ unter Verwendung von Daten dieses Zustands, um ihn zu reproduzieren.
Ferner kopiert der Server 1 in Schritt S12a den beim Trainieren aus Schritt S11a erhaltenen Encoder A₁ und trainiert den Zustandsklassifikator B, der die Zustands-Labels L₁ bis L₃ ausgibt, mit dem durch den Encoder A₁ extrahierten Merkmalsbetrag d₁ als Eingabe.
Zusätzlich installiert der Server 1 schließlich in Schritt S13a nur den trainierten Encoder A₁ in der Edge-Vorrichtung 2.
<Inferenzverarbeitung>
11 ist ein Konzeptdiagramm der Inferenzverarbeitung gemäß der vorliegenden Ausführungsform, und 12 ist ein Flussdiagramm, das den Ablauf der Inferenzverarbeitung zeigt.
Gemäß der ersten Ausführungsform werden, wie in den 3 und 4 dargestellt ist, die Merkmalsbeträge d₁ bis d₃ von der Edge-Vorrichtung 2 zum Server 1 übertragen, gemäß der vorliegenden Ausführungsform wird jedoch, wie in den 11 und 12 dargestellt ist, nur der Merkmalsbetrag d₁ von der Edge-Vorrichtung 2 zum Server 1 übertragen.
Ferner wird gemäß der zweiten Ausführungsform, wie in 8 dargestellt ist, der Decoder A' entsprechend dem vom Zustandsklassifikator B ausgegebenen Zustands-Label L geeignet verwendet und werden die dem Zustands-Label L entsprechenden reproduzierten Daten erzeugt. Gemäß der vorliegenden Ausführungsform wird der Merkmalsbetrag d₁ jedoch nur dann, wenn der Zustandsklassifikator B das Zustands-Label L₁ ausgegeben hat, in den Decoder A₁' eingegeben und werden die reproduzierten Daten, die den Sensordaten naheliegen, die dem Zustands-Label L₁ entsprechen, ausgegeben. Die erhaltenen Daten können wie gemäß der zweiten Ausführungsform für eine genauere Steuerung und dergleichen verwendet werden.
13 ist ein Diagramm der Grundkonfiguration, wenn der Betriebszustandsklassifikations-Vor- und Nachverarbeitungsabschnitt 20 aus 7 in eine industrielle Steuereinrichtung (programmierbare Logiksteuereinrichtung (PLC), Sequenzer usw.) eingebaut ist, die eine Art einer Edge-Vorrichtung 2 ist. Zusätzlich zu der vorstehend beschriebenen Konfiguration sind eine Leistungswandlungsvorrichtung 3, ein Motor 4 und eine Lastmaschine 5 bereitgestellt. Es sei bemerkt, dass auf eine wiederholte Beschreibung der mit den vorstehenden Ausführungsformen gemeinsamen Punkte verzichtet wird.
Weil die industrielle Steuereinrichtung gewöhnlich eine Kommunikationsfunktion mit einem System höherer Ebene in der Art des Servers 1 hat, ist es möglich, die Kosten für die Einbringung des Betriebszustands-Klassifikationssystems 100 zu verringern, falls die Kommunikationsfunktion verwendet wird. Ferner ist es, weil verschiedene Daten von mehreren zu steuernden Vorrichtungen in der industriellen Steuereinrichtung gesammelt werden, vorteilhaft, dass sich ein Netz einfach bilden und installieren lässt, das Daten einer solchen Anzahl von Vorrichtungen entgegennimmt. Zusätzlich ist es natürlich auch möglich, die erhaltenen Klassifikationsergebnisse bei der Steuerung mehrerer Vorrichtungen widerzuspiegeln.
[Fünfte Ausführungsform]
14 ist ein Diagramm der Grundkonfiguration, wenn der Betriebszustandsklassifikations-Vor- und Nachverarbeitungsabschnitt 20 aus 7 in die Leistungswandlungsvorrichtung 3 (Wechselrichter für allgemeine Zwecke, Servoverstärker, DCBL-Steuereinrichtung usw.) eingebaut ist. Es sei bemerkt, dass auf eine wiederholte Beschreibung der mit den vorstehenden Ausführungsformen gemeinsamen Punkte verzichtet wird.
Durch die Aufnahme der vorliegenden Funktion in die Leistungswandlungsvorrichtung 3 können verschiedene für die Motorsteuerung verwendete Parameter, die normalerweise nicht aus dem Inneren der Leistungswandlungsvorrichtung entnommen werden, in das Betriebszustands-Klassifikationssystem 100 eingegeben werden. Zusätzlich ergibt sich, wenn die Sammlung verschiedener Daten geschlossen in der Leistungswandlungsvorrichtung erfolgt, der Vorteil, dass die Abtastgeschwindigkeit unabhängig von der Kommunikationsgeschwindigkeit erhöht werden kann, so dass Daten verwendet werden können, die schnellere physikalische Phänomene für das Betreiben der Zustandsklassifikation erfassen. Ferner können detaillierte Daten für einen sehr kurzen Zeitraum aus den erhaltenen Klassifikationsergebnissen ausgeschnitten werden und für die Diagnose verwendet werden oder gespeichert werden und ist es auch möglich, einen Befehl an die Motorsteuereinheit auszugeben und ihn unmittelbar bei der Motorsteuerung einzusetzen.
Die vorliegende Erfindung ist nicht auf die vorstehend erwähnten Ausführungsformen beschränkt und schließt verschiedene Modifikationen ein. Beispielsweise wurden die vorstehenden Ausführungsformen detailliert beschrieben, um die vorliegende Erfindung einfach verständlich zu erklären, und sie sind nicht notwendigerweise darauf beschränkt, dass sie alle beschriebenen Konfigurationen aufweisen. Ferner ist es möglich, einen Teil der Konfiguration einer Ausführungsform durch die Konfiguration einer anderen Ausführungsform zu ersetzen und auch die Konfiguration einer anderen Ausführungsform zur Konfiguration der einen Ausführungsform hinzuzufügen. Zusätzlich kann eine andere Konfiguration zu einem Teil der Konfiguration jeder Ausführungsform hinzugefügt werden, daraus entfernt werden oder diesen ersetzen.
Ferner ist die vorliegende Erfindung auch auf ein industrielles Gerät anwendbar, das eine Leistungswandlungsvorrichtung aufweist, beispielsweise einen Industrieroboter, eine Werkzeugmaschine, einen Luftkompressor und einen Überführungstisch, eine Windkraftanlage, ein Hybridfahrzeug, ein Elektrofahrzeug, ein Brennstoffzellenfahrzeug, ein Schienenfahrzeug und dergleichen.
Bezugszeichenliste

1: Server,
10: Betriebszustandsklassifikations-Ausführungsabschnitt,
11: Datenkommunikationseinheit,
12: Zustandsklassifikator-Speichereinheit,
13: Inferenzausführungseinheit,
14: Datenspeichereinheit,
15: Trainingseinheit,
2: Edge- Vorrichtung,
20: Betriebszustandsklassifikations-Vor- und Nachverarbeitungsabschnitt,
21: Dateneingabeeinheit,
22: Encoderspeichereinheit,
3: Leistungswandlungsvorrichtung,
4: Motor,
5: Lastmaschine,
α, α1, α2, α3: elbstencoder, S
A, A1, A2, A3: Encoder,
A', A1',A2', A3': Decoder,
B: Zustandsklassifikator,
d, d1, d2, d3: Merkmalsbetrag (Zwischendaten),
L, L1, L2, L3: Zustands-Label.

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

WO 2018011842 [0008]

Claims

Betriebszustands-Klassifikationssystem, das eine Edge-Vorrichtung und einen Server aufweist, die über ein Kommunikationsnetz verbunden sind, das Sensordaten in ein neuronales Netz eingibt und ein Zustands-Label ausgibt, wobei die Edge-Vorrichtung aufweist: eine erste Speichereinheit, die eine vorgeschaltete Stufe des neuronalen Netzes speichert, und eine Dimensionskompressionseinheit, welche die Sensordaten in die vorgeschaltete Stufe des neuronalen Netzes eingibt und Zwischendaten ausgibt, und wobei der Server aufweist: eine zweite Speichereinheit, die eine nachgeschaltete Stufe des neuronalen Netzes speichert, eine Inferenzausführungseinheit, welche die Zwischendaten in die nachgeschaltete Stufe des neuronalen Netzes eingibt und das Zustands-Label ausgibt, und eine Trainingseinheit, welche die nachgeschaltete Stufe des neuronalen Netzes durch zusätzliches Trainieren aktualisiert.
Betriebszustands-Klassifikationssystem nach Anspruch 1, wobei die Trainingseinheit ein zusätzliches Trainieren der nachgeschalteten Stufe des neuronalen Netzes auf der Grundlage der im Server gespeicherten Zwischendaten und des den Zwischendaten zugeordneten korrekten Zustands-Labels ausführt.
Betriebszustands-Klassifikationssystem nach Anspruch 2, wobei, wenn die Wahrscheinlichkeit des Zustands, der von der Inferenzausführungseinheit als der wahrscheinlichste bestimmt wurde, höher als ein vorgegebener Wert ist, das korrekte Zustands-Label ein vom neuronalen Netz ausgegebenes Zustands-Label ist.
Betriebszustands-Klassifikationssystem nach Anspruch 2, wobei, wenn die Wahrscheinlichkeit des Zustands, der von der Inferenzausführungseinheit als der wahrscheinlichste bestimmt wurde, niedriger als ein vorgegebener Wert ist, das korrekte Zustands-Label ein von einer Person eingegebenes Zustands-Label ist.
Betriebszustands-Klassifikationssystem nach einem der Ansprüche 1 bis 4, wobei die vorgeschaltete Stufe des in der Edge-Vorrichtung gespeicherten neuronalen Netzes ein Encoder ist, der ein vorgeschalteter Abschnitt eines für jeden zu klassifizierenden Zustand trainierten Selbstencoders ist, und wobei die nachgeschaltete Stufe des im Server gespeicherten neuronalen Netzes ein Zustandsklassifikator ist, der vom Encoder ausgegebene Zwischendaten entgegennimmt und das Zustands-Label ausgibt.
Betriebszustands-Klassifikationssystem nach Anspruch 5, wobei ein Decoder, der ein nachgeschalteter Abschnitt des Selbstencoders ist, auch im Server gespeichert ist.
Betriebszustands-Klassifikationssystem nach einem der Ansprüche 1 bis 6, wobei die Edge-Vorrichtung eine industrielle Steuereinrichtung oder eine Leistungswandlungsvorrichtung ist.
Betriebszustands-Klassifikationsverfahren, aufweisend: einen Trainingsschritt, bei dem ein neuronales Netz, das Sensordaten entgegennimmt und ein Zustands-Label an einen Server ausgibt, trainiert wird, einen ersten Speicherschritt, bei dem eine vorgeschaltete Stufe des neuronalen Netzes in einer Edge-Vorrichtung gespeichert wird, einen zweiten Speicherschritt, bei dem eine nachgeschaltete Stufe des neuronalen Netzes im Server gespeichert wird, und einen zusätzlichen Trainingsschritt, bei dem die vorgeschaltete Stufe des neuronalen Netzes am Server zusätzlich trainiert wird.
Betriebszustands-Klassifikationsverfahren nach Anspruch 8, das ferner einen Schritt aufweist, bei dem zusätzliche Trainingsdaten gespeichert werden, bei denen, wenn die Wahrscheinlichkeit eines Zustands, der vom neuronalen Netz als der wahrscheinlichste bestimmt wurde, höher als ein vorgegebener Wert ist, das vom neuronalen Netz ausgegebene Zustands-Label von der vorgeschalteten Stufe des neuronalen Netzes ausgegebenen Zwischendaten erteilt wird, wobei im zusätzlichen Trainingsschritt die nachgeschaltete Stufe des neuronalen Netzes zusätzlich unter Verwendung der zusätzlichen Trainingsdaten trainiert wird.
Betriebszustands-Klassifikationsverfahren nach Anspruch 8, das ferner einen Schritt aufweist, bei dem zusätzliche Trainingsdaten gespeichert werden, bei denen, wenn die Wahrscheinlichkeit des Zustands, der vom neuronalen Netz als der wahrscheinlichste bestimmt wurde, niedriger als der vorgegebene Wert ist, ein von einer Person eingegebenes korrektes Zustands-Label den von der vorgeschalteten Stufe des neuronalen Netzes ausgegebenen Zwischendaten erteilt wird, wobei im zusätzlichen Trainingsschritt die nachgeschaltete Stufe des neuronalen Netzes zusätzlich unter Verwendung der zusätzlichen Trainingsdaten trainiert wird.