Konzeption und Entwicklung einer Ablaufsteuerung zur echtzeitfähigen Überwachung eines Expertensystems in einem autonomen mobilen Roboter

Inhaltsverzeichnis I

Abbildungsverzeichnis

Tabellenverzeichnis

1 Einleitung
1.1 Einführung
1.2 Ausgangssituation
1.3 Aufgabenstellung
1.4 Aufbau der Arbeit und Vorgehensweise

2 Stand der Forschung im Bereich wissensbasierter Systeme
2.1 Grundlagen wissensbasierter Systeme / Expertensysteme
2.1.1 Komponenten eines Expertensystems
2.1.2 Verschiedene Arten und Einsatzgebiete von Expertensystemen
2.2 Wissensbasierte Diagnose und Fehlerbehandlung
2.2.1 Begriffe und Grundlagen
2.2.2 Dialogorientierte Diagnose-Expertensysteme
2.2.3 Diagnose-Expertensysteme mit Prozeßankopplung
2.2.4 Bewertung der betrachteten Systeme
2.3 Kritische Betrachtung der Expertensystemtechnologie
2.3.1 Vorteile und Nutzen von Expertensyst emen
2.3.2 Nachteile, Schwachstellen und Grenzen von Expertensystemen ...
2.4 Eine "intelligente" Roboter-Steuerung

3 Konzeption einer Ablaufsteuerung für die Auftragsbearbeitung
3.1 Strukturierung der Auftragsausführung
3.1.1 Gründe für di e Verwendung einer speziellen Ablaufsteuerung
3.1.2 Aufgaben der Ablaufsteuerung
3.1.3 Aufbau der Ausführungssteuerung
3.2 Ablaufkonzept der Elementarauftragsbearbeitung
3.2.1 Strukturierung von Regelmengen
3.2.2 Ablauf einer Auftragsbe arbeitung im regelbasiertem System
3.2.3 Funktionsweise der Ablaufsteuerung
3.3 Schnittstellen der Ablaufsteuerung
3.3.1 Schnittstelle zwischen der Ablaufsteuerung und dem regel basiertem System
3.3.2 Schnittstellen zu anderen Komponente n
3.4 Auftragsbearbeitung
3.4.1 Regulärer Ablauf einer Auftragsbearbeitung (fehlerfreier Fall)
3.4.2 Ablauf bei Übergabe eines fehlerhaften Auftrags
3.4.3 Auftreten einer Komponentenfehlermeldung während der Auftragsbearbeitung
3.4.4 Auftreten eines kritischen asynchronen Fehlers während der Auftragsbearbeitung
3.5 Fehlerbehandlung
3.5.1 Überwachung
3.5.2 Fehlerbewertung
3.5.3 Sofortmaßnahmen
3.6 Gesamtablauf im Überblick

4 Realisierung und Implementierung
4.1 Integration in vorhandene Kommunikationsstruktur
4.2 Verbindung zum regelbasiertem System
4.3 Programmbeschreibung
4.3.1 Implementierte Dienste
4.3.2 Ablaufsteuerungsstati

5 Schlußbemerkungen
5.1 Zusammenfassung
5.2 Ausblick

Literaturverzeichnis

Abkürzungsverzeichnis

Glossar

Anhang A: Programmbeschreibung
A.1 Angebotene Dienste der Ablaufsteuerung und des regelbasierten Systems
A.1.1 Gesamtübersicht aller Dienste und deren Dienstnummern
A.1.2 Übersicht aller von der RBS-Ablaufsteuerung angebotenen Dienste
A.1.3 Übersicht aller vom regelbasiertem System (RBS) angebotenen Dienste
A.2 Beschreibung der angebotenen Dienste
A.2.1 Beschreibung der von der RBS-Ablaufsteuerung angebotenen Dienste
A.2.2 Beschreibung der vom regelbasierten System angebotenen Dienste

Anhang B: Programmlistings
B.1 Ablaufsteuerungsprogramm
B.2 Schnittstellenmodul im regelbasiertem System

Abbildungsverzeichnis

Abb. 1.1: Der autonome, mobile Roboter des iwb (MOBROB) auf einem FTS

Abb. 2.1: Architektur und Komponenten eines Expertensystems

Abb. 2.2: Grundschema der technischen Diagnose

Abb. 2.3: Phasen der Fehlerbehandlung

Abb. 2.4: Die einzelnen Module des Roboter-Steuerungssoft ware PetRIS

Abb. 3.1: Die einzelnen Module der Ausführungssteuerung

Abb. 3.2: Regelmengenstruktur

Abb. 3.3: Ablaufdiagramm der Elementarauftragsbearbeitung

Abb. 3.4: Prinzipielle Funktionsweise der Ablaufsteuerung

Abb. 3.5: Schnittstellen der Ablaufsteuerung

Abb. 3.6: Ablauf bei Bearbeitung eines Elementarauftrags ohne Fehlerfall

Abb. 3.7: Ablauf bei Bearbeitung eines fehlerhaft gelieferten Elementarauftrags

Abb. 3.8: Ablauf bei Bearbeitung eines Elementarauftrags mit Fehler

Abb. 3.9: Ablauf bei Bearbeitung eines Elementarauftrags und plötzlich auf tretendem kritischen asynchronen Fehler (Ausnahmebehandlung)

Abb. 3.10: Steuerung der Elementarauftragsbearbeitung durch Ablauf steuerungsstati

Abb. 4.1: Client/Server-Modell

Tabellenverzeichnis

Tab. 2.1: Expertensystemklassen

Tab. 2.2: Vergleich der Diagnoseansätze

Tab. 4.1: Die für die Ablaufsteuerung wichtigen Slots des Objekts "globale_Daten"

Tab. 4.2: Übersichtstabelle aller Ablaufsteuerungsstati

Tab. 4.3: Reaktionen der Ablaufsteuerung auf vom RBS gelieferte Ablaufsteuerungsstati

Tab. A.1: Definierte Dienste

Tab. A.2: Angebotene Dienste der Ablaufsteuerung

Tab. A.3: Angebotene Dienste des regelbasierten Systems

1.Einleitung

1.1 Einführung

Die Marktsituation in der Produktionstechnik erzwingt wegen sinkender Produkt- zykluszeiten, zunehmender Variantenvielfalt, wachsender Produktkomplexität und Forderungen nach immer kürzer werdenden Lieferzeiten (" Just-in-time") den Einsatz flexibler, automatisierter Produktionseinrichtungen. Ziel der flexiblen Produktion ist eine wirtschaftliche Fertigung von Produkten hoher Qualität bei kleinen Losgrößen.

Deshalb geht in der flexiblen Fertigungsautomatisierung der Trend weg von starr automatisierten Montageanlagen hin zu flexiblen Fertigungs- und Montagezellen. Dabei versteht man unter einer solchen Zelle eine zeitlich begrenzt autonom arbei- tende, rechnergeführte Einheit bestehend aus einer Fertigungsmaschine, einem Handhabungsautomaten (Roboter), Werkstückspeicher und Meßeinrichtungen. In- nerhalb der Zelle können auch mehrere Montage - und Handhabungs funktionen von einem Handhabungssystem ausgeführt werden, wenn der Transport dieses Systems und der Materialfluß in der Fertigungszelle automatisiert ist. Die informationstech- nische Kopplung der einzelnen Bestandteile einer Zelle erfolgt über einen zentralen Leitrechner.

Der Schwerpunkt dieser automatisierungstechnischen Entwicklung ist zur Zeit die Einführung rechnerintegrierter, autonomer Produktionssysteme. Die Betonung liegt hierbei auf "autonom", da man durch eine Autonomie der Systeme eine möglichst hohe Verfügbarkeit der teuren Fertigungseinrichtungen erreichen will. Flexible Ferti- gungszellen stellen hochkomplexe Systeme dar und besitzen dadurch zwangsläufig eine große Fehleranfälligkeit, was häufig zu Totalausfällen führen kann. Um die Verfügbarkeit und dadurch die Produktivität dieser Einrichtungen zu erhöhen, werden zunehmend autonome Systeme eingesetzt, die zum Erreichen dieser Ziele bestimmte Merkmale aufweisen. Als erstes ist die Fähigkeit zur zeitlich begrenzten Aufgabenausführung ohne menschliche Eingriffe zu nennen. Ein weiteres Merkmal ist die Aufgabenausführung in einer veränderlichen bzw. gestörten Umgebung, was durch selbständige Anpassung an die Umwelt erreicht wird. Schließlich ist noch die selbständige Auswertung aufgabenorientierter Zielvorgaben anzuführen.

Der wichtigste Bestandteil eines innerhalb einer Fertigungszelle eingesetzten auto- nomen Transportsystems ist der Handhabungsautomat oder Roboter, da er für die Beschickung der Fertigungseinrichtungen und den Materialfluß zuständig ist. Fällt

dieser mobile Roboter durch einen Fehler oder eine Ausnahmesituation aus, bedeu- tet dies den Ausfall der gesamten Zelle. Um dies zu vermeiden, wird eine Roboter- steuerung benötigt, die selbständig, d.h. also autonom auf solche Ereignisse reagie- ren und den Weiterbetrieb des Roboters ermöglichen kann.

Deshalb spielt die Automatisierung des Informationsflusses eine zentrale Rolle beim Betrieb dieses autonomen Systems, um eine selbständige Auftragsbearbeitung ohne ständige Situationsanpassung durch Bedienereingaben zu ermöglichen. Die Ferti- gungs- und Montagedaten eines Auftrages müssen dabei interpretiert, transformiert, verarbeitet und weitergeleitet werden. Dazu ist häufig technisches und aufgaben- spezifisches Fachwissen notwendig. Aus dieser Problematik ergeben sich diverse Aufgabenstellungen, die nicht ohne weiteres mit konventionellen algorithmischen Programmiermethoden gelöst werden können. Hier bietet sich der Einsatz von wis- sensbasierten Methoden wie z.B. die Verwendung von Expertensystemen an.

Im Rahmen dieser Diplomarbeit soll die Integration und der Einsatz eines regel- basierten Expertensystem in eine Roboter-Steuerungssoft ware für einen autonomen, mobilen Roboter untersucht werden. Diese sich zur Zeit gerade in Entwicklung be- findende Robotersteuerung koordiniert und kontrolliert den Ablauf der einzelnen Geräte und Maschinen, die in einer Fertigungszelle an einer Auftragsbearbeitung beteiligt sind.

1.2 Ausgangssituation

Um sich eine Vorstellung von den möglichen Aufgaben eines autonomen mobilen Roboters in einer flexiblen Fertigungs- und Montagezelle machen zu können, wird als Beispiel der spezielle Produktionsablauf am Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb), der den fertigungstechnischenHintergrund für die Diplomarbeit bildet, kurz dargestellt.

Die einzelnen Komponenten der flexiblen Fertigungszelle sind ein Bearbeitungs- zentrum (BAZ) zur Produktion zylindrischer Teile, eine Vermessungsstation zur Überprüfung der Maße der Teile, ein fahrerloses Transportsystem (FTS) und der autonome, mobile Roboter (MOBROB, Abb. 1.1). Dieser übernimmt die Beschickung der Fertigungs- und Meßeinrichtung und den Transpo rt der Teile zwischen den obengenannten Maschinen und einem weiteren autonomen Transportsystem, wel- ches zur Versorgung der flexiblen Fertigungszelle mit Rohlingen dient. Zu diesem Zweck kann der Roboter auf das frei verfahrbare FTS gehoben werden und zu den einzelnen Stationen gefahren werden.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 1.1: Der autonome, mobile Roboter des iwb (MOBROB) auf einem FTS

Im Mittelpunkt der folgenden Betrachtungen steht der autonome mobile Roboter, der für die Handhabung der Teile zuständig ist. Zu seinen Aufgaben zählen das Er- kennen, Greifen, Transportieren und Ablegen der zylindrischen Teile zwischen den jeweiligen Produktions- und Vermessungsschritten an verschiedenen Orten. Dazu besitzt der Roboter ein visuelles Sensorsystem, mit dem er veränderliche Umge- bungssituationen und Positionierungsungenauigkeiten erfassen kann. Das Sensor- system besteht aus einem Laserscannersystem zur Bestimmung der exakten Posi- tion des Roboters innerhalb der Fertigungszelle und einer CCD-Kamera in seiner Greifhand, die der genauen Positionsbestimmung zu greifender Teile dient. Für die Verarbeitung dieser Informationen und die Erfüllung der Handhabungsaufgaben benötigt man eine "intelligente" Robotersteuerung. Diese besitzt autonome Fähigkeiten zur eigenständigen Erfüllung aufgabenorientierter Zielvorgaben, zur Störungsbehandlung und zur Bewältigung von Ausnahmesituationen, zur pla- nerischen Vorausschau und Entscheidungsabschätzung sowie zur Kommunikation und Kooperation mit anderen Systemen. Diese Steuerungssoftware für den auto- nomen mobilen Roboter, die den Namen PetRIS (Petri-Netz und Regelbasierte Intelligente Roboter-Steuerung) trägt, besteht im wesentlichen aus den fünf fol- genden, miteinander kommunizierenden Modulen: Aufgabentransformation, Aufga- benplanung, Ausführungssteuerung, Komponentenverwaltung und Umgebungssimu- lation, die jeweils als Spezialisten auf ihren Teilgebieten fungieren. Eine genauere Beschreibung dieser Module ist in Kapitel 2.4 zu finden.

Den Ausgangspunkt für die Diplomarbeit bildet der bisherige Entwicklungsstand der Roboter-Steuerungssoft ware, von der die Aufgabentransformation, Aufgaben- planung, Komponentenverwaltung und Simulation bereits implementiert sind und gerade getestet werden. Von der Ausführungssteuerung ist nur der Netzinterpreter

schon komplett funktionsfähig, das regelbasierte System wird noch simuliert. Die Kommunikation zwischen den einzelnen Komponenten erfolgt über Kommunikations- routinen, die auf dem Client/Server-Modell basieren und Bestandteil jeder Kompo- nente sind.

Da das regelbasierte System noch nicht als richtig funktionierendes Modul existiert, erfolgt die Abarbeitung aller Aufträge ausschließlich im Netzinterpreter, was Pro- bleme bei auftretenden Fehlern hinsichtlich Flexibilität und Autonomie mit sich bringt. Denn will man alle möglichen und "unmöglichen" Situationen einer Auftrags- bearbeitung berücksichtigen, werden die dazu nötigen Petri-Netze sehr schnell unübersichtlich und so komplex, daß ihre Wartung und evtl. Änderung nicht mehr handhabbar ist. Durch die Einbindung des regelbasierten Systems soll hier Abhilfe geschaffen werden.

1.3 Aufgabenstellung

Dieses Kapitel führt in die Problemstellung der Arbeit ein, beschreibt danach die gestellten Anforderungen und skizziert abschließend die Zielsetzung dieser Ausar- beitung.

Anforderungen an die autonome Auftragsbearbeitung

Im Hinblick auf eine möglichst flexible und vor allem autonome Auftragsbearbeitung mit Hilfe eines mobilen Roboters in der automatisierten Fertigung bzw. Montage er- geben sich gewisse Anforderungen. Zum einen sollte es eine allgemein formulierte Darstellung von möglichen Aufträgen geben, um ein breites Auftragsspektrum ab- decken zu können. Zum anderen benötigt man zur Erhöhung der Zuverlässigkeit und damit der Autonomie eine integrierte Diagnose von Fehlern und wenn möglich, auch eine sich daran anschließende Behebung von Störungen. Als weitere Anfor- derung ist die selbständige Anpassung an sensoriell erkannte Umgebungsverän- derungen zu nennen, die eine entsprechende Sensorik und Datenverarbeitung voraussetzt. Da an der automatisierten Bearbeitung von komplexen Aufträgen meist mehrere Maschinen beteiligt sind, erfordert dies schließlich noch die Fähigkeit des autonomen Roboters zur selbständigen Koordination mit anderen (autonomen) Systemen.

Diese Anforderungen sollen von der Robotersteuerung des mobilen Roboters, die im Rahmen der Diplomarbeit betrachtet wird, erfüllt werden. Die momentanen Schwie- rigkeiten bestehen in der Berücksichtigung aller möglichen Fehler oder Situationen, die bei einer Auftragsbearbeitung auftreten können. Der Grund dafür ist die derzei-

tige Ausführung aller Elementaraufträge in Form von zeitbehafteten Petri-Netzen, die durch den Netzinterpreter abgearbeitet werden. Dieser ist jedoch hauptsächlich zur Bearbeitung von meist gleichbleibenden Auftragsabläufen vorgesehen, bei denen keine oder wenige Alternativen in der Ablaufreihenfolge auftreten. Will man nun trotzdem eine flexible Reaktion auf unterschiedliche Situationen und verschie- dene Aufträge erreichen, führt die Berücksichtigung dieser Ausnahmebehandlungen unweigerlich zu komplexen und schwer überschaubaren Netzen, was sich nachteilig bei deren Änderung, Erweiterung und Pflege auswirkt. Außerdem verfügen Petri- Netze nicht über die Wissensdarstellungsformalismen und Verarbeitungsstrategien, die für die geforderte Diagnose und Fehlerbehandlung innerhalb eines autonomen Systems notwendig sind.

Ziele der Arbeit

Wie in der Einleitung bereits erwähnt wurde, ist ein Hauptziel bei der Entwicklung automatisierter Fertigungs- und Montagezellen generell die Erhöhung der Autono- mie und Flexibilität. Zum Erreichen dieses sehr abstrakt formulierten Zieles gibt es mehrere verschiedene Ansatzpunkte.

Eine Möglichkeit besteht in der Verwendung einer "intelligenten" Roboter-Steue- rungssoftware für den autonomen mobilen Roboter. Dazu wird ein wissensbasiertes System eingeführt, das in Form von allgemein formulierten Regeln auf mögliche Fehler und Ausnahmesituationen reagieren kann. Dieses im folgenden RBS (für: Regelbasiertes System) genannte Teilmodul der Robotersteuerung unterstützt den weiterhin verwendeten Netzinterpreter bei der Auftragsbearbeitung. Dabei stellt sich die Frage nach der Aufgabenverteilung, der Ansteuerung und der Überwachung der beiden Module, da das RBS diese Aufgaben im Hinblick auf bestehende Echtzeit- anforderungen an das Gesamtsystem nicht selbst durchführen kann.

Im Rahmen dieser Arbeit soll das oben genannte Ziel durch die Entwicklung, Im- plementierung und Integration einer Ablaufsteuerung für das regelbasierte System als ein weiteres Teilmodul der Roboter-Steuerungssoft ware verwirklicht werden. Spezielle Teilziele sind dabei die Einbindung des regelbasierten Systems in die be- stehende Programmumgebung und dessen Überwachung, die Steuerung der Auftragsausführung je nach Komplexitätsgrad im regelbasierten System oder im Netzinterpreter und eine integrierte Fehlerdiagnose und Fehlerbehandlung. Dazu ist die Konzeption einer speziellen Ablaufsteuerung und deren Aufgaben bzw. Funk- tionen zur Erfüllung von Echtzeitanforderungen erforderlich. Die Entwicklung be- inhaltet das Aufstellen strukturierter Regelmengen, die Erstellung eines Verfahrens

zum gezielten Aktivieren dieser Regelmengen und die Definition geeigneter Schnitt- stellen zur Kommunikation und zum Datentransfer.

1.4 Aufbau der Arbeit und Vorgehensweise

Die gesamte Ausarbeitung dieser Arbeit untergliedert sich in fünf Kapitel, wobei

Kapitel 1 in das Umfeld und die Problematik der Arbeit einführt.

Kapitel 2 beschreibt vorhandene Ansätze bei der Verwendung von Expertensyste- men zur wissensbasierten Diagnose. Das Kapitel läßt sich in drei Bereiche aufteilen. Dies ist zum einen der Bereich der Expertensystemgrundlagen ( Kap. 2.1); hier wer- den die Architektur und die einzelnen Komponenten eines klassischen Experten- systems vorgestellt sowie einige Wissensrepräsentationsarten und deren Verarbei- tungsstrategien. Der zweite Bereich behandelt die wissensbasierte Diagnose und Fehlerbehandlung ( Kap. 2.2); hier werden unterschiedliche Ansätze betrachtet und bewertet, auf denen diese Arbeit aufbaut. Der dritte Bereich ist schließlich eine kriti- sche Betrachtung der Expertensystemtechnologie ( Kap. 2.3); dort werden Vor- und Nachteile von Expertensystemen aufgezeigt. Im Anschluß daran wird eine spezielle, "intelligente" Roboter-Steuerung vorgestellt ( Kap. 2.4), welche die Arbeitsgrundlage für diese Arbeit bildet.

Kapitel 3 ist das Hauptkapitel der vorliegenden Arbeit und beschreibt die Konzep- tion einer Ablaufsteuerung, welche den Einsatz eines regelbasierten Systems als Teilmodul einer "intelligenten" Robotersteuerung ermöglicht. Dazu werden zunächst die Ausgangssituation und die damit verbundenen Anforderungen analysiert, die ausschlaggebenden Gründe für die Entwicklung einer speziellen Ablaufsteuerung genannt und die wesentlichen Aufgaben und der Aufbau der Ablaufsteuerung festge- legt (Kap. 3.1). Danach wird ein allgemeines Ablaufkonzept zur Auftragsbearbeitung im regelbasierten System vorgestellt (Kap. 3.2), das auf strukturierten Regelmengen basiert, die situationsabhängigvon der Ablaufsteuerung aktiviert werden. Die eigens dafür entwickelte Funktionsweise der Ablaufsteuerung wird im Anschluß daran erläu- tert. Das nächste Unterkapitel beschreibt die Schnittstellen ( Kap. 3.3), die zur Ein- bindung der beiden Module Ablaufsteuerung und regelbasiertes System in die vor- handene Systemumgebung der Robotersteuerung benötigt werden. Daran schließt sich eine Betrachtung verschiedener Fälle an, die bei der Auftragsbearbeitung im regelbasierten System auftreten können ( Kap. 3.4). Der letzte Abschnitt konzentriert sich auf in die Ablaufsteuerung integrierte Funktionen zur Fehlerbehandlung (Kap. 3.5), welche die Überwachung des regelbasierten Systems, die Bewertung von asynchronen Fehlern und das Auslösen von geeigneten Sofortmaßnahmen umfas- sen.

Kapitel 4 beschreibt Einzelheiten, die für die Realisierung und Implementierung des entwickelten Konzepts von Bedeutung sind. Zuerst werden die am Institut für Werk- zeugmaschinen und Betriebswissenschaften eigens entwickelten Kommunikations- routinen vorgestellt (Kap. 4.1), die in der "intelligenten" Roboter-Steuerung einge- setzt werden. Darauf folgt eine ausführliche Darstellung der Implementierungsdetails der verwendeten Datenstrukturen ( Kap. 4.2), die für die Integration der erstellten Programme erforderlich waren. Daran schließt sich eine Programmbeschreibung an (Kap. 4.3), die die Funktionen der implementierten Dienste kurz erklärt.

Kapitel 5 bietet schließlich eine kurze Zusammenfassung der Arbeit und einen Ausblick auf weiterführende Problemstellungen.

Im Anschluß daran finden sich das Literaturverzeichnis und ein Glossar zu Be- griffen, die im Zusammenhang mit dieser Arbeit von Bedeutung sind.

Der Anhang enthält eine Programmbeschreibung und den Quellcode der erstellten Programme.

2.Stand der Forschung im Bereich wissensbasierter Systeme

In diesem Kapitel werden zuerst die Grundlagen wissensbasierter Systeme, insbe- sondere die der Expertensystemtechnologie beschrieben und darauf aufbauend der Einsatz dieser Systeme auf dem Gebiet der technischen Diagnostik vorgestellt. Unterschiedliche Ansätze und Systeme werden angeführt, untersucht und bewertet. Daran schließt sich eine kritische Betrachtung der Expertensystemtechnologie an. Zum Abschluß wird eine "intelligente" Robotersteuerung für einen autonomen mobilen Roboter vorgestellt, welche die Ausgangsbasis dieser Arbeit bildet. Dieses Kapitel soll die grundlegenden Kenntnisse wissensbasierter Systeme vermitteln, die für das Verständnis der folgenden Kapitel nötig sind.

2.1 Grundlagen wissensbasierter Systeme / Expertensysteme

Wissensbasierte Systeme und Expertensysteme sind ein Teilgebiet der künstlichen Intelligenz, einem aktuellen Forschungsbereich der Informatik. Diese befaßt sich ne- ben den Expertensystemen auch mit den Themen Robotik, Sprach- und Muster- erkennungssysteme, Neuronale Netze und Systeme zum Verstehen und Übersetzen natürlicher Sprache ([KONO 94 - S.2]).

Eine Definition eines Expertensystems findet sich in [PUPP 88 - S.1]:

” Expertensysteme sind Programme, mit denen das Spezialwissen und die Schlußfolgerungsfähigkeit qualifizierter Fachleute auf eng begrenzten Auf- gabengebieten nachgebildet werden soll. “

Um dieses Ziel zu verwirklichen, ist es nötig, das Wissen zu formalisieren, compu- tergerecht zu repräsentieren und mit einer geeigneten Problemlösungsstrategie zu manipulieren. Für diese Art der Wissensverarbeitung existiert dabei ein für Exper- tensysteme charakteristischer Architekturunterschied zu konventionellen Program- men, nämlich die Trennung von Wissen und Problemlösungsstrategie. Dieser Unter- schied macht Expertensysteme wesentlich änderungsfreundlicher, was der Wartung und Wiederverwendbarkeit des Programms zugute kommt.

Für weitere, detailliertere Definitionen zu Begriffen aus dem Themengebiet wissens- basierter Systeme sei an dieser Stelle auf das Glossar verwiesen.

2.1.1 Komponenten eines Expertensystems

Die für Expertensysteme typische funktionale Trennung von Expertenwissen und Problemlösungsstrategie spiegelt sich nach [PUPP 88 - S.12] in der Architektur (Abb. 2.2) durch die nachfolgend erläuterten Teilsysteme Wissensbasis (anwen- dungsspezifisch) und Steuersystem (anwendungsneutral) wieder. Unter Architektur eines Expertensystem werden die einzelnen Programmmodule und ihre Beziehun- gen zueinander verstanden. Der vom Anwendungsgebiet meist unabhängige Aufbau eines klassischen Expertensystems (mit Benutzerdialog) hat folgendes Aussehen:

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2.2: Architektur und Komponenten eines Expertensystems (nach [PUPP 88])

Das Fundament eines jeden Expertensystems bildet die Wissensbasis, die aus drei verschiedenen Teilen besteht. Je nach Herkunft des Wissens unterscheidet man dabei zwischen statischem bereichsbezogenen Wissen von Experten, dynamischem fallspezifischen Wissen von Benutzern und Zwischen- und Endergebnissen (eben- falls dynamisch), die von der Problemlösungskomponente hergeleitet worden sind.

Eine andere Unterteilung des Wissens orientiert sich am Gebrauch des Wissens. Die daraus resultierenden Wissensarten sind Faktenwissen (auch deklaratives Wis- sen genannt), Ableitungswissen und Steuerungs- oder Kontrollwissen (beide Wis-

sensarten werden auch als prozedurales Wissen bezeichnet. [FIED 90 - S.22]). Während Ableitungswissen (z.B. Regeln) den Gebrauch des Faktenwissens steuert, steuert das Kontrollwissen (z.B. sog. Meta-Regeln) den Gebrauch des Ableitungs- wissens.

Fallspezifisches Wissen vom Benutzer (eingegebene Daten) und Zwischen- und Endergebnisse sind typischerweise Faktenwissen, während das Expertenwissen sowohl aus Faktenwissen (z.B. Katalogwissen) als auch aus Ableitungs- und Kon- trollwissen besteht. In der Zusammenfassung der Architektur eines Expertensystems in Abb. 2.2 werden nur die nach ihrer Herkunft unterschiedlichen Teile der Wissens- basis aufgeführt.

Das Steuersystem enthält den Programmcode für die Problemlösungsstrategien und für die Schnittstellenkomponenten, wobei sich letztere in drei relativ eigen- ständige Teile für den Benutzerdialog, für die Generierung von Erklärungen und für den Wissenserwerb aufteilen lassen. Daraus ergeben sich folgende Untermodule:

- Die Problemlösungskomponente (oft auch Inferenzkomponente genannt) wendet das in der Wissensbasis gespeicherte Expertenwissen zur Lösungsfindung auf das vom Benutzer gestellte Problem an. Hierzu sind intelligente Problem- lösungsstrategien (Inferenzmechanismen) erforderlich.
- Die Interviewerkomponente (oder Dialogkomponente) führt den Dialog mit dem Benutzer und/oder liest automatisch erhobene Meßdaten ein. Falls kein Benut- zerdialog stattfindet, nennt man das Expertensystem auch eingebettetes System, ansonsten interaktives System.
- Die Erklärungskomponente macht die Vorgehensweise des Expertensystems transparent. Sie hilft sowohl dem Benutzer, der für die vorgeschlagene Problem- lösung eine Begründung oder Rechtfertigung sucht, als auch dem Experten, der evtl. vorhandene Fehler in der Wissensbasis lokalisieren will.
- Die Wissenserwerbskomponente ermöglicht es dem Experten, sein Wissen in das Expertensystem einzugeben und später zu ändern. Je nach der Qualität der Wissenserwerbskomponente muß der Experte dabei durch einen Wissensinge- nieur unterstützt werden, oder durch Lerntechniken, die z.B. Falldatenbanken auswerten, entlastet werden.

Ein weiterer sehr wichtiger Aspekt bei Expertensystemen ist die Darstellung des Wissens, die sog. Wissensrepräsentation. Um Probleme eines Anwendungsgebie- tes lösen zu können, muß das entsprechende Wissen dazu in der Wissensbasis in einer für den Computer verarbeitbaren Form gespeichert sein.

Es gibt mehrere Möglichkeiten zur Darstellung von Wissen, die eine jeweils speziell darauf zugeschnittene Problemlösungsstrategie erfordern. Man unterscheidet haupt- sächlich zwischen folgenden Wissensrepräsentationsformen ( [FREY 93 - S.10], [HERD 92 - S.31 ff.], [ZINN 90 - S.13 ff.]):

- (Produktions-) Regeln: Hier erfolgt die Beschreibung von kausalen oder heuristi- schen Zusammenhängen in Form von Relationen zwischen Vorbedingungen ("Prämissen") und einer Konsequenz bzw. Schlußfolgerung ("Konklusion") oder einem Aktionsteil. Dargestellt werden diese Zusammenhänge durch "WENN ... Ð DANN ..."-Beziehungen, evtl. mit einer Prioritätszuordnung.
- Objekte (auch Frames genannt) : Diese Wissensrepräsentationsform beinhaltet die Angabe einer Datenstruktur (Objekt-Attribut-Wert-Tripel) zusammen mit den dazugehörigen Operationen (Prozeduren). Durch Vererbungsmechanismen wird das Aufbauen von hierarchischen Klassenstrukturen ermöglicht.
- Prädikatenlogik: Hierbei wird eine formale, symbolisierte Sprache mit syntakti- schen Ableitungsregeln verwendet. Aus Elementaraussagen werden mittels logi- scher Operatoren und Quantoren neue Aussagen abgeleitet.
- Constraints: Diese Wissensrepräsentationstechnik beschreibt eine wechsel- seitige Beziehung mehrerer Ausdrücke, die sich untereinander gleichzeitig Be- dingung und Konsequenz sind. Sie werden vor allem für Randbedingungen, die von der Lösung eingehalten werden müssen, und zur Darstellung von negativem Wissen ("was nicht sein darf") verwendet.
- Semantische (oder kausale) Netze: Diese basieren auf gerichteten Graphen, die aus Knoten und Kanten bestehen. Die Knoten repräsentieren dabei Objekte, Ergebnisse, Begriffe u.a. Die Kanten beschreiben die Beziehungen zwischen den Knoten. Häufig verwendete Beziehungen sind "ist ein" (stellt die Verbindung zwi- schen zwei Knoten dar) und "hat" (weist einem Knoten eine Eigenschaft zu).

In [ALTE 92 - S.6 ff.] werden diese und noch weitere Wissensrepräsentationsarten ausführlich beschrieben und ihre jeweiligen Stärken bzw. Schwächen aufgezeigt.

Da zur Darstellung realen Expertenwissens der alleinige Einsatz einer bestimmten Wissensrepräsentationsart nicht ausreichend ist, verwenden moderne Experten- systeme meist mehrere Wissensrepräsentationsformen; so ist z.B. die Kombination von objekt- und regelorientierter Wissensdarstellung weit verbreitet. Solche Systeme werden im allgemeinen als hybride Expertensysteme bezeichnet.

Die für die verschiedenen Wissensrepräsentationsarten jeweils erforderlichen spe- ziellen Wissensverarbeitungsstrategien (oder auch Inferenztechniken genannt) werden nachfolgend kurz vorgestellt.

So kommen z.B. folgende Strategien bei einem regelbasierten Expertensystem zur Anwendung ( [PUPP 88 - S.78]):

- Vorwärtsverkettung: ausgehend von den eingegebenen Symptomen (Fakten) werden alle anwendungsbereiten Regeln ausgewertet (d.h. diejenigen, deren Vorbedingung im WENN-Teil der Regel erfüllt ist) und somit alle Schlußfolge- rungen gezogen, die möglich sind. Die Symptomerfassung muß durch zusätz- liches Wissen oder durch den Benutzer gesteuert werden.
- Rückwärtsverkettung: ausgehend von einem Ziel (z.B. die Ursache eines Fehlers zu finden) werden alle Regeln ausgewertet, die zum Erreichen des Zieles bei- tragen können (d.h. das Ziel ist im DANN-Teil dieser Regeln enthalten). Falls Rohdaten zur Auswertung der Regeln unbekannt sind, werden sie vom Benutzer erfragt.
- Hypothesize-and-Test: aus den eingegebenen Symptomen werden durch Vor- wärtsverkettung Verdachtshypothesen generiert, die anschließend durch Rück- wärtsverkettung gezielt überprüft werden.
- Establish-and-Refine: in einer strengen Diagnosehierarchie wird eine Diagnose- klasse zunächst durch Rückwärtsverkettung bestätigt und dann verfeinert, indem versucht wird, einen Nachfolger zu bestätigen, der wiederum verfeinert wird, usw.
Bei der Suche nach anwendbaren Regeln gibt es eine ganze Reihe von unter- schiedlichen Suchstrategien, auf die im Rahmen dieser Arbeit jedoch nicht näher eingegangen werden soll, da ein Expertensystementwicklungswerkzeug verwendet wird, das keine Wahl der Suchstrategie erlaubt. Exemplarisch seien hier nur die bekanntesten Strategien aufgeführt:
- Depth-First (Tiefensuchstrategie): Bei dieser Suchstrategie wird zuerst eine Regel oder ein Objekt auf der höchsten Stufe untersucht und unmittelbar danach die Regeln oder Objekte auf der nächsttieferen Ebene. Auf diese Weise wird immer ein Ast des Entscheidungsbaumes bis zu dessen Ende durchsucht. Da- nach wird zum ersten unbearbeiteten Ast zurückgegangen und dieser durchsucht usw.
- Breadth-First (Breitensuchstrategie): Bei dieser Suchstrategie werden zuerst alle Regeln oder Objekte einer Entscheidungsebene untersucht, bevor die erste Regel oder das erste Objekt der nächsttieferen Stufe an die Reihe kommt.
- Best-First: Dies ist eine heuristische Suchstrategie, bei der zusätzliches Wissen dazu benutzt wird, den Such- oder Lösungsraum einzugrenzen und so versucht, "sinnloses" Suchen zu vermeiden.

Eine ausführliche Abhandlung zu diesem Thema findet sich z.B. in [ALTE 92 -

S.119 ff.].

Für weitere und tiefergehende Informationen zu den Grundlagen von Experten- systemen wird auf die im Literaturverzeichnis angegebenen Werke zu diesem Thema verwiesen.

2.1.2 Verschiedene Arten und Einsatzgebiete von Expertensystemen

Mittlerweile sind so viele unterschiedliche Anwendungen von Expertensystemen möglich, daß sich eine Klasseneinteilung der verschiedenen Systeme zur besseren Übersicht anbietet.

Eine mögliche Klassifizierung von Expertensystemen ist die Unterscheidung bezüg- lich ihres Einsatzgebietes [KONO 94 - S.5], siehe Tab. 2.1:

Abbildung in dieser Leseprobe nicht enthalten

Tab. 2.1: Expertensystemklassen

Eine andere, etwas allgemeinere Möglichkeit ist die Einteilung der Systeme nach der jeweiligen, vom Einsatzgebiet jedoch unabhängigen Vorgehensweise, mit der sie ein ihnen gestelltes Problem lösen. In [PUPP 90] werden die unterschiedlichen Pro- blemlösungsstrategien in drei grundlegende, sog. Problemlösungstypen eingeteilt, die dort folgendermaßen charakterisiertwerden:

- Diagnostik (Klassifikation, Selektion, Auswahl):

Die Lösung entsteht durch Auswahl aus einer Menge vorgegebener Alter- nativen. Typisch ist das Schließen von Beobachtungen (Symptomen) auf Systemzustände, wobei nicht immer alle Symptome erhoben werden kön- nen. Dann müssen plausible Hypothesen erstellt werden, die bei gegen- teiliger Evidenz wieder zurückgezogen werden.

- Konstruktion (Planung, Konfiguration, Design):

Ein Problemraum wird aus einem Anfangszustand in einen Endzustand überführt. Die Lösung wird aus kleinen Bausteinen zusammengesetzt, muß dabei vorgegebene Randbedingungen einhalten.

- Simulation (Vorhersage):

Das Verhalten eines Systems wird prognostiziert. Bekannt sind Ausgangs- zustände und Prozesse, gesucht werden Folgezustände und mögliche Auswirkungen.

Diese Einteilung hat gegenüber der Klassifizierung der Expertensysteme nach deren Einsatzgebiet den Vorteil, daß einer Menge von verschiedenen Problemgebieten, die mit denselben Problemlösungsmethoden gelöst werden können, ein Problem- lösungstyp zugeordnet wird. Dadurch wird die Suche nach der geeigneten Problem- lösungsstrategie bei der Erstellung eines neuen Expertensystems wesentlich erleichtert.

Eine ausführliche Darstellung und eine Liste von betrieblichen Expertensystem- anwendungen findet sich in [MERT 90]. Eine profunde Zusammenstellung über Anwendungspotentiale von Expertensystemen speziell in CIM enthält [WARN 91].

2.2 Wissensbasierte Diagnose und Fehlerbehandlung

Aus den in Kap. 2.1.2 aufgeführten vielfältigen Anwendungsgebieten wird nun die Klasse der Diagnostik-Expertensysteme herausgegriffen, da diese Systeme die Grundlage für die nachfolgenden Kapitel bilden. Dazu werden zuerst einige Begriffe des Themengebiets "Diagnose" erläutert, anschließend verschiedene Ansätze der wissensbasierten Diagnose vorgestellt und zum Schluß die Aufgabe der Diagnose im Rahmen der Fehlerbehandlung beschrieben.

2.2.1 Begriffe und Grundlagen

Ursprünglich wurden Diagnosesysteme vor allem im medizinischen Bereich einge- setzt und erzielten dort auch beachtliche Erfolge (der wohl bekannteste Vertreter dieser Klasse ist MYCIN). Ermutigt durch diese Erfolge werden Diagnosesysteme zunehmend auch in den technischen Bereichen wie z.B. zur Überwachung und Dia- gnose von automatisierten Montagesystemen oder verfahrenstechnischen Prozes- sen eingesetzt.

Bevor jedoch auf verschiedene Ansätze eingegangen wird, sollen zuerst einige Begriffe konkretisiertwerden.

Diagnose bedeutet im umgangssprachlichen Gebrauch meist das Erkennen von Krankheiten anhand dafür typischer Symptome.

Analog dazu versteht man unter dem Begriff der technischen Diagnose i.a. das Erkennen von irregulären Zuständen (Überwachung) und die Entscheidung, welche Ursachen für die irregulären Zustände verantwortlich sind (Diagnosevorgang). ([HART 89 - S.685])

Überwachung ist ein Soll-Ist-Vergleich, bei dem Diskrepanzen zwischen dem regu- lären Verhalten und dem tatsächlichen, aktuellen Verhalten des Systems erkannt werden. Die Abweichungen vom Soll-Zustand äußern sich als Symptome (z.B. Grenzwertüberschreitung, Überlastung, Blockierung, ...).

Der eigentliche Diagnosevorgang besteht in der Ableitung der Störungsursache aus den beobachteten Symptomen zur gezielten Problembeseitigung.

Das prinzipiell allen Diagnoseansätzen zugrundeliegende Schema zeigt Ab- bildung 2.3.

Eine tiefergehende Präzisierung des Diagnosebegriffes findet man z.B. in [HERN 86-S.39 ff.] .

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2.3: Grundschema der technischen Diagnose (nach [HERN 86])

Am Ende des vorherigen Kapitels wurde ein spezieller Problemlösungstyp vorge- stellt, der die allgemeine Vorgehensweise beim Lösen diagnostischer Probleme be- schreibt. Dieser von [PUPP 88 - S.74] als Diagnostik bezeichnete Lösungsprozeß konkretisiert den allgemeineren Begriff der Diagnose und wird durch folgende Eigen- schaften charakterisiert:

- Der Problembereich besteht aus zwei gegebenen, disjunkten Mengen von Sym- ptomen und Diagnosen, und aus typischerweise unsicherem Wissen über die Beziehung zwischen diesen Mengen.
- Ein Problem wird durch eine evtl. unvollständig gegebene Teilmenge der Sym- ptome beschrieben.
- Die Lösung eines Problems besteht aus einer oder mehreren Diagnosen.
- Wenn die Qualität der Lösung d urch Erfassung zusätzlicher Symptome verbes- sert werden kann, so ist es eine Teilaufgabe der Diagnostik zu bestimmen, ob und welche weiteren Symptome angefordert werden sollen.

Unter Diagnostik versteht man also den Problemlösungsprozeß, zu einem oder meh- reren (gegebenen) Symptomen die Fehlerursachen (Diagnosen) zu finden.

Die technische Diagnostik, auf deren Betrachtung sich der folgende Teil der Arbeit beschränkt, ist das Fachgebiet, das sich prinzipiell mit der Diagnose und Behand- lung von Fehlern und Störungen in technischen Systemen beschäftigt.

Einige wissensbasierte Diagnoseverfahren, die bei dem oben beschriebenen Problemlösungstyp "Diagnostik" zur Anwendung kommen, werden in den folgenden Abschnitten vorgestellt.

In [PUPP 88 - S.80 ff.] werden vier grundlegende Ansätze zur Lösung diagnostischer Probleme beschrieben, deren Unterschiede in der Art des verwendeten Wissens bestehen.

1. Der statistische Ansatz beruht auf der Anwendung statistischer Methoden (Theorem von Bayes, Dempster-Shafer-Theorie), die eine Berechnung bedingter Wahrscheinlichkeiten für die einzelnen Diagnosen durchführen, und als Lösung dann diejenige Diagnose mit der höchsten Wahrscheinlichkeit vorschlagen. Die Vorteile dieses Ansatzes sind die Behandlung von unsicherem Wissen und die Möglichkeit, dieses Wissen (Daten) direkt aus einer evtl. schon vorhandenen Datenbank übernehmen zu können. Als Nachteile sind zu nennen, daß die Be- gründung einer gefundenen Lösung wegen der komplexen Berechnung sehr schwierig ist; daß keine alternative Lösung bestimmt wird und somit keine Be- handlung mehrerer nebeneinander existierender Lösungen möglich ist. Nach- teilig für den praktischen Einsatz wirken sich auch die Forderungen nach der Vollständigkeit der Symptome und nach fundierten statistischen Auswertungen (keine Schätzwerte oder gar korrelierte Daten) aus. Sogar ausgeschlossen ist der Einsatz bei neuen zu diagnostizierenden Problemen, für die noch keine sta- tistischen Ausgangsdaten vorliegen. Außerdem beschränkt sich dieser Ansatz auf einen Formalismus, der nur einen geringen Teil des von Menschen zur Dia- gnose verwendeten Wissens berücksichtigt. Aufgrund dieser Einschränkungen ist dieser Ansatz nur für den Vergleich zwischen wenigen Diagnosen (sog. Diffe- rentialdiagnostik), für die gutes statistisches Datenmaterial vorhanden ist, ge- eignet.

2. Der fallbasierte Ansatz geht ebenso wie der statistische Ansatz von gesammel- ten Falldaten aus. Diese Daten stellen das Wissen in Form einer Sammlung von gelösten Diagnoseproblemen dar, wobei diese die Punkte Problemstellung, Lösungsweg und Lösung beinhalten. Das neue Problem wird dann durch das

Heraussuchen eines ähnlichen Falles aus der Sammlung (z.B. eine Datenbank) und evtl. noch nötiges Anpassen gelöst. Der zur aktuellen Problemstellung ähn- liche Fall wird durch einen Vergleich ausgewählter Kriterien (z.B. gewisse Sym- ptome) ermittelt, die die abgespeicherten Fälle mit dem vorliegenden Problem gemeinsam haben müssen. Die Vorteile dieses Ansatzes bestehen im einfachen Wissenserwerb durch das Sammeln von Fällen, und der Angabemöglichkeit einer begründeten Lösung. Nachteile sind die erforderliche Formalisierung, Stan- dardisierung und Vollständigkeit der abgespeicherten Fälle (möglichst große Anzahl) sowie das unverzichtbare Wissen zur Bestimmung des Ähnlichkeits- maßes, das über die Qualität der Lösung entscheidet. Auch hier ist kein Einsatz bei neuen Problemen möglich, für die noch keine vergleichbaren Falldaten vor- liegen.

3. Assoziative (oder heuristische) Ansätze basieren auf heuristischem Erfah- rungswissen von Experten, das sich durch Assoziationen der Form "Symptom- Diagnose" darstellen läßt. Dieses (oft mit Unsicherheiten behaftete) Wissen wird meistens durch Produktionsregeln und/oder Frames (Objekte) repräsentiert, das mit den zugehörigen (in Kap. 2.1.1 beschriebenen) Strategien verarbeitet wird. Zu den wesentlichen Vorteilen dieser Ansätze gehören, daß sie alle Aspekte des diagnostischen Problemlösens behandeln können und breit einsetzbar sind, da kaum prinzipielle Voraussetzungen (im Gegensatz zu statistischen Ansätzen) erfüllt sein müssen. Dazu kommen noch die Fähigkeiten zur Bewertung von Symptomkombinationen in Regeln und zur Repräsentation von Symptom- und Diagnosehierarchien. Als Hauptproblem ist der aufwendige Wissenserwerb zu nennen, der die korrekte Transformation des erhobenen Wissens in die gewählte Wissensrepräsentationsform beinhaltet. Ferner ist die Verifizierung, Vollständig- keits- und Konsistenzprüfung des gespeicherten Wissens aufgrund fehlender Wissensstrukturierung (z.B. Vorverarbeitung, Fakten- bzw. Kontrollwissen) sowie die Pflege großer Wissensbasen schwierig. Trotz der Nachteile basieren die meisten existierenden Diagnose-Expertensysteme auf dem assoziativen Ansatz.

4. Schließlich gibt es noch den modellbasierten Ansatz, der als Grundlage kausale Modelle der Struktur und des Verhaltens eines zu diagnostizierenden Systems sowie analytische Beschreibungen verwendet. Dieses Wissen stellt den kausalen Zusammenhang von Ursache (Diagnose) und Wirkung (Symptome) dar. Der Dia- gnostikprozeß besteht darin, eine Erklärung für die beobachteten Symptome durch Simulation der Auswirkungen einer vermuteten Störung zu finden. In einem anschließenden Vergleich wird die Diagnose ausgewählt, die das beobachtete Verhalten am besten erklärt. Es gibt dabei zwei Phasen der Problemlösung, nämlich eine analytische (zur Fehlererkennung bzw. Symptomgewinnung) und

eine heuristische (zur Fehlerdiagnose und Symptomverarbeitung), in der aber im Gegensatz zum assoziativen Ansatz keine probabilistischen Methoden verwen- det werden. Bei den Modellen unterscheidet man zwischen einem "funktionalen Modell", das die korrekte Funktion und Struktur eines Systems unter Normal- bedingungen beschreibt; und einem "Fehlermodell", das das Fehlverhalten eines Systems (Symptome und Ausfallarten) beschreibt. Die Vorteile dieses Ansatzes bestehen darin, daß das während der Konstruktion und Erstellung eines tech- nischen Systems entstandene Wissen direkt für das funktionale Modell über- nommen werden kann und daß durch die Verwendung von Modellen tiefer- gehende Erklärungen als bei anderen Ansätzen möglich sind. Hinzu kommen die weitgehende Unabhängigkeit von Erfahrungswissen (vorteilhaft vor allem bei neuen Systemen) und die Fähigkeit zum bedingten Umgang mit vorher nicht berücksichtigten Situationen. Komplexere Ansätze können sogar mehrere, sich überlagernde Ursachen aus den beobachteten Wirkungen ableiten (Mehrfach- diagnosen). Als Nachteile sind anzuführen, daß ein vollständiges Verständnis des zu diagnostizierenden Systems notwendig ist und daß man eine sehr um- fangreiche und aufwendige Wissensrepräsentation benötigt, die einen berech- nungsintensiven Schlußfolgerungsprozeß nach sich zieht. Außerdem wird Erfah- rungswissen von Experten, mit dem sich häufig eine schnellere Lösung eines bestimmten Problems erzielen läßt, nicht genutzt. Zur Zeit werden modell basierte Diagnoseansätze intensiv weiterentwickelt, aber bisher wurden nur Er folge für kleine und wenig komplexe zu diagnostizierende Systeme erzielt.

Tabelle 2.2 stellt die vier vorgestellten Diagnoseansätze zum Abschluß vergleichend gegenüber:

Abbildung in dieser Leseprobe nicht enthalten

Tab. 2.2: Vergleich der Diagnoseansätze (nach [PUPP 88])

Der Vollständigkeit halber seien hier noch weitere (Fehler-) Diagnoseansätze aufge- listet, die in der Automatisierungstechnik Anwendung finden und in [FRAN 94 -

S.49 ff.] ausführlicher beschrieben werden:

- konventionellesignalgestützte Verfahren (z.B. Grenzwertüberwachung, Spektral- analyse, Einsatz spezieller Sensoren, ... )
- analytisch modellgestützte Verfahren (quantitative mathematische Modelle, z.B. Differentialgleichungen, ... )
- wissensgestützte Verfahren (heuristisch qualitative Modelle)

Dabei ist zu beachten, daß die Verfahren der ersten beiden Kategorien zu den kon- ventionellen, nicht wissensbasierten Diagnoseverfahren zählen, während den Ver- fahren der dritten Kategorie neben den Diagnoseexpertensystemen auch Neuronale Netze und Fuzzy-Logic-Techniken zugerechnet werden. Die Diagnosetiefe und die Fehlerursachenbestimmung der signalgestützten Verfahren hält sich sehr in Gren- zen, da hier keine eigentliche Wissensverarbeitung erfolgt. Sie finden daher haupt- sächlich in sicherheitsgerichteten Notabschaltungen Einsatz. Diese Verfahren kön- nen jedoch auch zur Datenvorverarbeitung verwendet werden, indem sie aus vielen Symptomen einige, wenige Fehlersituationen ableiten, die anschließend in einem wissensbasierten System verarbeitet werden.

Nach den verschiedenen Diagnoseansätzen wird nun noch kurz auf die grundsätz- liche Behandlung von Fehlern eingegangen, da die Diagnose einen wichtigen Teil- bereich der Fehlerbehandlung darstellt.

Die Fehlerbehandlung besitzt nach [SCHÖ 92 - S.16 ff.] im allgemeinen die Phasen Fehlererkennung, Fehlerlokalisierung und Fehlerbehebung. Sie läßt sich aber durch sinnvolle Zusatzfunktionen zur Notreaktion und Fehleranzeige, zur Fehlerdaten- erfassung und Wissensbildung erheblich ausbauen. Abbildung 2.4 zeigt die grund- sätzliche Struktur der Fehlerbehandlung.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2.4: Phasen der Fehlerbehandlung (nach [SCHÖ 92])

In der Phase der Fehlererkennung findet die Detektion eines Fehlers statt. Dies kann entweder aktiv durch Überwachung von Zuständen und Signalen, oder passiv durch Empfang einer expliziten Fehlermeldung oder das Feststellen fehlender oder falscher Rückmeldungen erfolgen. Bei beiden Verfahren werden durch einen Ver- gleich des Ist-Zustandes des technischen Systems mit dem Wissen über den Soll- Zustand sog. Symptome (festgestellte Abweichungen) generiert, die die Grundlage für die folgende Diagnose bilden.

An die Fehlererkennung kann sich direkt eine Notreaktion ohne vorherige Bewertung des Fehlers anschließen, mit dem Ziel, daß Folgefehler und evtl. mögliche Schäden für Mensch und Maschine verhindert werden. Im Falle eines sicherheitskritischen Fehlers entspricht dies dem sog. "Fail-safe"-Verhalten, was meist durch ein Über- führen des fehlerhaften Systems in einen energielosen Zustand per "Notaus"-Ab- schaltung erreicht wird. Zusätzlich kann das Auftreten eines erkannten Fehlers noch durch Signallampen, blinkende Anzeigen oder einem Signalton visuell bzw. aku- stisch kenntlich gemacht werden.

Als nächste Phase folgt die Fehlerlokalisierung, in der die oben beschriebenen wissensbasierten Diagnoseansätze neben konventionellen Methoden zur Bestim- mung des Fehlerortes und der Fehlerursache eingesetzt werden. Oft wird diese Phase auch als Fehlerdiagnose bezeichnet, da hier gemäß dem Grundschema der Diagnose (vgl. Abb. 2.3) nach der Erfassung der Symptome des erkannten Fehlers in einem Diagnosevorgang die Analyse aller Symptom-Ursache-Beziehungen und der Rückschluß auf die letztendliche Fehlerursache erfolgt. Hierzu benötigt man in

der Regel einen Experten oder, im Falle einer Automatisierung, ein wissensbasiertes Diagnosesystem.

Das während der Fehlerlokalisierung entstandene Wissen in Form neuer Fehler- kausalitäten und weitere Informationen über aufgetretene Fehler (Zeitpunkt, Kompo- nente, ...) können durch eine geeignete Fehlerdatenauswertung dem Wissenser- werb für die Diagnose dienen.

Als letzte Phase der Fehlerbehandlung hat die Fehlerbehebung eine Beseitigung der Fehlerursachen sowie der Fehlerauswirkungen durch das Ausführen geeigneter Gegenmaßnahmen zum Ziel. Diese Gegenmaßnahmen können vom System selbst ausgeführt werden, wenn es sich dabei um Fehler handelt, die z.B. keinen Kompo- nentenaustausch durch einen Reparaturmechaniker erfordern. Im Erfolgsfall schließt sich der Wiederanlauf des Systems an. Dieses Wiederaufnahme des Normalbe- triebs wird bei Ablauffehlern in Roboterzellen oftmals auch als " Recovery" bezeich- net. Als Besonderheit bei autonomen Fertigungs- und Montagezellen ist es auch noch praktikabel, nur solche Aufträge weiter auszuführen, die ein ausgefallenes System, dessen Fehlerursache nicht beseitigt werden kann, nicht benötigen. Hier spricht man dann von partieller Fehlerbehebung.

Zusammenfassend kann man also generell diejenigen Expertensysteme, welche das Ziel verfolgen, fehlerhaftes Verhalten in anderen Systemen aufzuspüren, als Dia- gnosesysteme bezeichnen. Dabei müssen sie in der Lage sein, Verhaltensfehler oder Unregelmäßigkeiten zu erkennen, diese über eine Hypothesenbildung den möglichen Fehlerursachen zuzuordnen und schließlich geeignete Behebungsstra- tegien zu ermitteln und vorzuschlagen bzw. auszuführen. Dazu benötigen sie um- fangreiches Wissen über das jeweilige Systemkonzept und über mögliche Fehler. Dieses Wissen wird in [SCHÖ 92] noch in folgende diagnoserelevante Wissensarten unterteilt: auf der einen Seite sog. Diagnosegrunddaten (bestehend aus Konfigura- tionsdaten, komponenten-, auftrags- und ablaufspezifischen Daten) und auf der anderen Seite explizites Fehlersuchwissen. Dargestellt und verarbeitet wird dieses Wissen durch die in Kap. 2.1.1 beschriebenen Wissensrepräsentationsformen und den zugehörigen Wissensverarbeitungsstrategien.

In den nächsten beiden Unterkapiteln sollen nun zwei unterschiedliche Arten von Diagnosesystemen betrachtet werden, die sich durch ihre Betriebsweise voneinan- der abheben.

[...]