Identification of timed behavior models for diagnosis in production systems

Aufgrund zunehmender Vernetzung von Automatisierungsgeräten und der steigenden Rechenleistung von Cyber-Physical Systems werden Produktionsanlagen immer komplexer. Dies führt zu einer steigenden Fehleranfälligkeit und damit zu einer erschwerten Diagnose. Die Aufgabe des Menschen wandelt sich vom Bedienen zum Überwachen. Allerdings werden die Bediener auch mit der Überwachung zunehmend überfordert. Zur Unterstützung des Bedieners werden Ansätze aus dem Bereich der Modellbasierten Diagnose genutzt. Dabei wird ein (häufig manuell erstelltes) Modell verwendet um das Verhalten der Anlage zu prognostizieren. Diese Prognose wird mit dem realen Verhalten verglichen und bei einer Abweichung ein Fehler gemeldet. Die manuelle Erstellung der Modelle ist jedoch zeitintensiv. Demnach ist eine automatische Modellerstellung wünschenswert. In dieser Arbeit werden drei neue Algorithmen eingeführt, von denen zwei Algorithmen sich mit dem Lernen von temporalen endlichen Automaten befassen und der dritte die gelernten Automaten zur Anomalie-Erkennung verwendet: Zuerst wird der Algorithmus BUTLA eingeführt, der schneller ausgeführt wird als andere Algorithmen. Es ist ein Offline-Lernalgorithmus, der auf Daten in einer Datenbank zugreift und eine Vorverarbeitung verwendet. Dann wird der Algorithmus OTALA eingeführt, der nach unserem besten Wissen der erste passive Online-Lernalgorithmus für temporale endliche Automaten ist. Einer seiner Vorteile ist die automatische Konvergenz-Erkennung. Daher ist dieser Algorithmus speziell für die Verwendung in autonom laufenden Geräten geeignet. Schließlich wird der Anomalie-Erkennungsalgorithmus ANODA eingeführt. Er nutzt die identifizierten temporalen endlichen Automaten zur Anomalie-Erkennung. Die eingeführten Algorithmen werden theoretisch untersucht und empirisch ausgewertet.Due to the increasing connectivity of automation devices and the increasing computing power Cyber-Physical Systems, production plants are becoming increasingly complex. This leads to an increasing error susceptibility of the systems and thus to a severe fault detection and analysis. The task of man is changing from operation to monitoring. But due to the increasing complexity of systems, operators are increasingly overwhelmed with the monitoring. To support the operator, approaches from the field of model-based diagnosis are widely used for this task. Here, a model is used to predict the behavior of the system for given inputs. This prediction is compared with the actual behavior of the plant and in case of a deviation, an error is reported. Often, manually created models are used. But the manual creation of models is a time consuming task. Thus, an automatic modeling is desirable. The use of intelligent systems should support the operators in the monitoring of the system. In this work, three algorithms are introduced, of which two algorithms deal with the identification of timed Automata and the third one uses the identified models for anomaly detection: First, the algorithm BUTLA is introduced, which runs faster than other algorithms from state of the art. It is an offline identification algorithm, so it uses data which is stored in a database and a preprocessing of the data. Then, the algorithm OTALA is introduced, which to the best of our knowledge is the first online passive identification algorithm for timed automata. One of its benefits is the autonomous convergence detection. Therefore, this algorithm is especially suited for the usage in autonomously running Cyber-Physical Production Systems. Finally, the anomaly detection algorithm ANODA is introduced. It uses the identified timed automata for anomaly detection. The proposed algorithms are evaluated theoretically and empirically.Tag der Verteidigung: 10.02.2015Paderborn, Univ., Diss., 201