确定技术系统的时间数列的诊断模式的方法和诊断方法与流程

本发明涉及一种用于确定技术系统的时间数列（Zeitreihen）的诊断模式的方法和一种诊断方法。

背景技术：

在复杂技术系统、例如自动化生产系统或列车的运行中，很多传感器经常提供大量的时间数列，所述时间数列可用于自动化数据分析。这样的时间数列典型地具有元组序列的形式，所述元组例如配备有时间戳并且例如包含传感器测量结果、工厂协议（Werksprotokolle）或诊断报告。

时间数列的各个元素因此是元组，因为多个特性可以在所述时间数列的一个时间点同时发生。例如，多个同时出现的事件可以形成一个元组。

通常提出在这样的时间数列中找到确定的诊断模式的任务。尤其，经常期望如下诊断模式，所述诊断模式的出现指示技术系统的确定的尤其瞬时的特性。这样的特性例如可能由于系统组件的故障而形成。在这样的情况下，数据分析对及早地识别出或预测出故障可以是有益的。

技术实现要素：

因此，本发明的任务是提供一种用于确定时间数列的诊断模式的方法，借助于该方法可以容易地识别出技术系统的一个或多个特性。

此外，本发明的任务是提供一种用于诊断技术系统的特性的诊断方法。

本发明的该任务利用具有在权利要求1中所说明的特征的方法以及利用具有在权利要求10中所说明的特征的诊断方法来解决。本发明的优选的改进方案在相关的从属权利要求、随后的描述和附图中予以说明。

在根据本发明的用于为了诊断事件的目的而确定技术系统的时间数列的一个或多个诊断模式的方法中，首先列出（angesetzt）一个或多个诊断模式，并且

- 在第一步骤中，确定所述一个或多个诊断模式的可能的扩展，

- 在第二步骤中，针对所述一个诊断模式的或所述多个诊断模式中的每个诊断模式的每个扩展根据所述时间数列确定包含有所述扩展的序列的集合，

- 在第三步骤中，针对该集合的多个序列，尤其针对该集合的每个序列检验，该序列是否和该事件有联系，以及

- 在第四步骤中，如下一个/多个扩展被列出为一个/多个新的诊断模式，针对所述一个/多个扩展，该集合的和该事件有联系的那些序列的数量与该集合的序列的数量的比例最大。

以这种方式使用如下序列，所述序列已经事先在一定程度上被视为是相关的。相应地，利用精细化的诊断模式有针对性地搜寻无论如何事先显得大有希望的搜索空间。

在替代于上面所说明的方法的根据本发明的用于为了诊断事件的目的而确定技术系统的时间数列的一个或多个诊断模式的方法中，代替如上所述的第四步骤，在替代的第四步骤中，将如下一个/多个扩展列出为一个/多个新的诊断模式，针对所述一个/多个扩展，诊断质量度量最大，该诊断质量度量不同于该集合的和该事件有联系的序列的数量与该集合的序列的数量的比例。适宜地，这样的诊断质量度量是该集合的和该事件有联系的序列的数量与该集合的序列的数量的比例，其中该比例附加地配备有校正因子，该校正因子越小，该集合与另外的扩展的一个或多个其他集合的重叠就越大。

适宜地，诊断质量度量越大，诊断模式对于该事件而言就越准确。优选地，诊断质量度量越大，该集合就包含越多的和该事件有联系的序列。

在本发明的另一优选的改进方案中，这样的不同的诊断质量度量利用该集合的和该事件有联系的一个/多个序列的数量与和该事件有联系（并且不一定来源于该集合）的序列的数量的比例、优选地减去该集合的和该事件没有联系的一个/多个序列与和该事件没有联系（并且不一定来源于该集合）的序列的数量的比例来给定。

在根据本发明的方法的一个优选的改进方案中，重复第一步骤、第二步骤、第三步骤和第四步骤一次或多次。这样迭代地获得越来越完善的诊断模式或诊断模式集合。

优选地，在根据本发明的方法中，一个时间数列或多个时间数列、一个或多个诊断模式以及一个序列或多个序列是元组形式的元素的系列。本发明的该改进方案考虑到如下情况：时间数列尤其可以说明事件的时间上的出现。这样，例如在相同的时间可以出现多个事件，这合适地以元组来描绘。

适宜地，扩展诊断模式，即确定诊断模式的扩展，其方式是：附加最后的元素或将另外的条目添加到最后的元组。这种类型的借助于诊断模式的扩展的诊断模式产生是能完整地并且容易地计算的。

合适地，在根据本发明的方法中，如果一个诊断模式的相继的元组彼此按正确的相对的顺序至少是一个序列的元组的组成部分，那么该诊断模式被包含在该序列中，其中在该序列之内在该诊断模式的相继的元组之间的最大间距不被超过。这种类型的“匹配”将举一个示例更详细地进行解释：

诊断模式

P =({a}→{b，c}) 被包含在序列

S₁= ({c}→{a, b} →{b, c}) 中（具有最大间距“0”）并且被包含在序列

S₃= ({a, e}→{d}→{e}→{b, c, d})中（具有最大间距“2”），然而未包含在序列

S₂= ({b}→ {a, b}→{c}) 中。

在根据本发明的方法的一个优选的改进方案中，如果一个诊断模式的相继的元组按正确的相对的顺序至少是一个序列的元组的组成部分，那么该诊断模式被包含在该序列中，其中在该序列之内在按该顺序的该诊断模式的各个相继的元组之间的相应最大间距不被超过。

也就是说，事先在该诊断模式的各个相继的元组之间预先给定最大间距，该最大间距在该序列之内不允许被超过。

最大间距因此可以在诊断模式之内变化。适宜地，最大间距在诊断模式的上述描述中分别作为上标的数字附加在箭头之后。

优选地，在根据本发明的按照上述权利要求之一所述的方法中，条目的上位概念等同于诊断模式的元组的条目。以这种方式，具有上位概念的诊断模式可以被用于覆盖多个具体的诊断模式。

适宜地，例如序列中的诊断模式的元组中的条目“制动器”包括元素“液压制动器”或“机械制动器”，使得在该序列中再次找到条目“制动器”，其方式是：条目“制动器”与元素“液压制动器”或“机械制动器”匹配。

适宜地，在根据本发明的方法中，一个或多个诊断模式的扩展以树状结构来发展，其中树根据宽度优先搜索来搜寻。以这种方式可以应用所建立的束搜索方法。根据该方法，在树状结构的每级上在可能的诊断模式之内的搜索空间通过如上所述的根据本发明的方法的第四步骤被集中于分别显得令人感兴趣的区域。

在根据本发明的诊断方法中，一个或多个诊断模式根据按照上述权利要求之一所述的方法来确定，其中所述一个或多个诊断模式被用于识别技术系统的特性的诊断。

附图说明

随后按照在附图中示出的实施例更详细地解释本发明。

在附图中：

图1以伪码示意性示出用于实施根据本发明的方法的算法，以及

图2以示意性原理图示出在执行根据本发明的方法时具有序列和诊断模式的事件链。

具体实施方式

作为输入变量，图1中所示出的伪码首先利用输入序列的集合，标记函数1、诊断模式的数量k以及序列的最小大小s。作为输出变量，获得诊断模式的集合。所示出的算法例如可以被用于生成诊断模式，借助所述诊断模式可以及早地识别出或甚至预测出列车故障。

首先，在第一行中记录所有所生成的诊断模式。随后，（第二行）以空的诊断模式开始。随后的当型（While）循环生成用于（“束搜索（Beam-Search）”方法的）下一“束（Beam）”的候选者。针对“束”中的每个候选者，借助For循环扩展诊断模式并且利用单调性。借助第二For循环构造下一束。

最后，该算法作为结果提供最佳的k个诊断模式作为输出值。

在图2中以示范的方式更详细地示出了序列和诊断模式。

根据图2分析列车数据以用于事件诊断。为此，在列车运行期间，检测关于技术车载装置的状态的列车数据。每个事件都包括多个信息。这些信息首先包括表示事件类型的“消息代码”、例如列车的“制动杆故障”（即制动杆的功能的故障）或“紧急制动阀缺陷”（即紧急制动阀的功能的缺陷）并且此外包括表示相应的列车的列车标号、列车的里程表读数、列车的GPS坐标以及有关的列车的温度信息。基本上，在另外的未单独示出的实施例中可以加入另外的数据，或取消数据的部分、例如温度信息。

列车数据在图2中借助于事件链E来表示，所述事件链包括多于200辆列车的在多年期间被检测到的数据，使得大约一千万单个事件的数量级的列车数据被包含在事件链E中。事件链E在图2的上部的时间轴中被描绘。事件链的每个单个事件包括多个信息，如上面关于列车数据的相应的事件所描述的那样。事件链E的相应的事件用几何基本形状来表示：

在根据图2的图示中，正方形意味着“制动杆故障”（对应的数字码：“273”），圆形代表“外门故障”（对应的数字码：“822”），三角形表示“紧急制动阀缺陷”（对应的数字码：“567”）以及星形意味着“制动压力调节故障”（对应的数字码：“527”）。

几何基本形状的在图2中竖直的相继表明：对应的事件在相同时间t出现（如在时间轴的情况下通常的那样沿着水平方向的相应的位置表示时间t，在该时间出现该事件：事件被定位为越进一步向右，则该事件在时间上越晚地出现）。

以数字码表达，事件链E的如下部分可以被表达为序列S₁={822}→{273}→{273}→{822}→{567,273}→{273}→{527}（序列S₁与事件链E中的事件的关联借助于波形括号来表示），在所述部分中所有事件都属于确定的列车的唯一的旅程。属于一辆列车的唯一的旅程的事件在图2中借助于被填充的基本形状来表示。其他序列S₂、S₃、S₄在此属于其他旅程和/或其他列车（未填充的和/或水平地与序列S1隔开的基本形状）。

在另一方法步骤中，这样的序列借助二进制的标记（即标签L，该标签可以采取值“+”或“-”）被预分类，所述序列与列车故障D相关联：在根据图2的图示中，仅序列S₁与列车故障F相关联，即仅序列S₁在如下列车的列车故障F之前发生，序列S₁的事件与该列车相关。标签L在图2中分别被示出为具有值“+”或“-”的圆形，所述标签分别在右下方附加在序列S₁、S₂、S₃和S₄上。

该序列S₁现在被用于执行根据本发明的方法的实例：

在执行根据本发明的方法时使诊断模式P₁与该序列比较：诊断模式P₁={273}→¹{567}→²{527}与序列S₁相配。

在根据本发明的方法中此外可以考虑归类层级（Subsumptionshierarchien）。这样，数字码可以如上面那样被补充用于列车的组件的术语、例如“制动器”或“门”。此外，可以考虑损伤的类型作为归类层级，例如作为术语“缺陷”或“故障”。示例性地，该归类层级于是看起来如下：数字码“567”（“紧急制动阀缺陷”）被归入术语“缺陷”之下，数字码“273”（“制动杆故障”）、“527”（“制动压力调节故障”）和“822”（“外门故障”）被归入术语“故障”之下；数字码“567”（“紧急制动阀缺陷”）、“273”（“制动杆故障”）以及“527”（“制动压力调节故障”）被归入术语“制动器”之下，以及数字码“822”（“外门故障”）被归入术语“门”之下。因此，诊断模式可以包含术语“制动器”：P₁={制动器}→¹{567}→²{527}现在同样与序列S₁相配，因为术语“制动器”把数字码“273”归入。

借助于该外部领域知识可以找出具有高的预测能力的诊断模式。