Details

Autor(en) / Beteiligte

• Vodenčarević, Asmir
• Kleine Büning, Hans
• Niggemann, Oliver
• Zilles, Sandra

Titel

Identifying behavior models for hybrid production systems [Elektronische Ressource]

Erscheinungsjahr

2013

Link zum Volltext

• Hochschulschriften Visual Library - Scan2Web Hochschulschriften UB Paderborn (s2w-hsspadubpb)
• Volltext

  kostenfrei

Link zu anderen Inhalten

• Volltext

Verknüpfte Titel

Beschreibungen/Notizen

• Tag der Verteidigung: 14.05.2013
• Paderborn, Univ., Diss., 2013
• Open Access
• ger: Die Wichtigkeit von Sicherheit und Zuverlässigkeit in heutigen komplexen Produktionssystemen, wie Prozessanlagen, führte zur Entwicklung von verschiedenen Techniken zur Anomalieerkennung und Diagnose. Unter diesen haben sich modellbasierte Ansätze als am erfolgreichsten etabliert; diese sind jedoch von einem Verhaltensmodell des Systems abhängig, das typischerweise manuell erstellt werden muss. Komplexe Systeme sind sowohl durch zeitabhängiges probabilistisches Verhalten charakterisiert. Da das Verhalten des Gesamtsystems durch diskrete und durch kontinuierliche Variablen beschrieben ist, nennt man solche Systeme Hybrid-Systeme. Die manuelle Modellierung solcher Systeme ist eine sehr schwierige Aufgabe: Sie erfordert umfangreiches Fachwissen, erhebliche Finanzmittel und Personal sowie ständige manuelle Updates. Das Ziel dieser Arbeit war, eine Alternative zur manuellen Modellierung zu finden, d.h. einen Ansatz zu entwickeln, der Verhaltensmodelle automatisch aus Log-Daten lernt. Hybride Automaten erwiesen sich als die beste Wahl für den Formalismus zur Modellierung. Zusätzlich zu ihrer Ausdruckskraft haben sie den weiteren Vorteil, leicht visualisiert, verstanden und interpretiert werden zu können. Um Modelle automatisch zu lernen, wurde der Hybrid Bottom-Up Timing Learning Algorithm (HyBUTLA) entwickelt. Eine umfangreiche Komplexitätsanalyse bezüglich des Lernens von hybriden Automaten zeigt, dass ihre stochastische deterministische Unterklasse mit einem Taktgeber mit dem HyBUTLA Algorithmus in polynomieller Zeit gelernt werden kann. Nach unserem besten Wissen ist der HyBUTLA Algorithmus der erste Lernalgorithmus für hybride Automaten, der ein Hybrid-System modellieren kann. Wir zeigen, dass unser Ansatz gegen den korrekten Automaten konvergiert, wenn genügend Trainingsdaten verfügbar sind. Gelernte Modelle wurden zur Anomalieerkennung verwendet.
• eng: The importance of safety and reliability in todays complex production systems, such as process plants, has led to the development of various anomaly detection and diagnosis techniques. Model-based approaches have established themselves among the most successful ones. However, they depend on a behavior model of a system, which is typically derived manually. Manual modeling of complex production systems is a very hard task. They are characterized by both timed and probabilistic behavior. Moreover, the overall system behavior is described by discrete and continuous variables, and therefore such systems are called hybrid systems. Deriving behavior models for hybrid systems manually requires significant domain knowledge, budget and human resources as well as permanent manual updates. The main goal of this thesis was to present an alternative to manual modeling, i.e. the approach to learn behavior models for hybrid systems automatically from data. The first task included finding a suitable formalism for modeling hybrid systems. We have established that hybrid automata represent the best formalism choice. Besides their expressiveness, hybrid automata can be easily visualized, understood and interpreted by humans. To learn models for hybrid systems automatically from data, the Hybrid Bottom-Up Timing Learning Algorithm (HyBUTLA) was developed. The extensive complexity analysis we performed shows that the stochastic deterministic subclass of hybrid automata with one clock can be learned with the HyBUTLA algorithm in polynomial time. To the best of our knowledge, the HyBUTLA algorithm is the first hybrid automata learning algorithm that models a hybrid system. We show that our approach converges to the correct automaton when enough learning data are available. Learned models are applied in the anomaly detection application.