Der vorliegende Beitrag skizziert ein interdisziplina¨res Forschungsvorhaben im Rahmen einer Doktorarbeit. Einer der Forschungsbeitra¨ge ist die Kombination von Echtzeitu¨berwachung und Langzeitanalyse. Diese Kombination basiert auf existierenden Ansa¨tzen und umfasst Event-ConditionAction-Regeln (ECA-Regeln), Data-Mining-Technologien sowie Complex Event Processing (CEP). Im vorliegenden Beitrag werden zuna¨chst drei grundlegende Annahmen und fu¨nf U¨ berwachungsanforderungen erarbeitet. Darauf aufbauend wird die Forschungsfrage detailliert betrachtet. Die Grundlage fu¨r die vorgestellte Idee bildet ein mathematisches Modell (der Zustandsraum), welches das Wissen u¨ber das zu u¨berwachende System repra¨sentiert. Mit Hilfe dieses Zustandsraums werden durch die Anwendung von Data-Mining-Technologien ECA-Regeln erzeugt und an eine CEP-Anwendung, die sich auf einem eingebetteten System befindet, u¨bertragen. Dieser Teilschritt bezieht sich auf die Langzeitanalyse. Die CEP-Anwendung wertet anschließend die u¨bertragenen ECA-Regeln auf einem kontinuierlichen Strom von Sensordaten aus und erzeugt Aktionen. Dieser Teilschritt bezieht sich auf die Echtzeitu¨berwachung. Weiterhin wird eine Prozesskette vorgestellt, die zyklisch durchlaufen wird und zur Kombination von Echtzeitu¨berwachung und Langzeitanalyse dient. Hier wird ein dynamischer und flexibler U¨ berwachungsansatz vorgestellt.
U¨ berwachung technischer Systeme ist ein sehr weit
verbreitetes Forschungsfeld und bezieht sich auf viele heterogene
Anwendungsdoma¨nen. Ha¨ufig werden U¨
berwachungssysteme fu¨r spezielle Anwendungen entworfen, entwickelt und
implementiert. Dies fu¨hrt zu erho¨hten Entwicklungskosten
und gleichzeitig zur Abnahme der Flexibilita¨t bzw. der
Wiederverwendbarkeit. Bedeutende Anwendungen sind z.B. die
U¨ berwachung von Raumfahrzeugen [
Aufgrund der steigenden Komplexita¨t heutiger
Produkte werden verbesserte U¨ berwachungsansa¨tze beno¨tigt, die
heutige und zuku¨nftige Anforderungen beru¨cksichtigen. Im
vorliegenden Beitrag steht die U¨ berwachung des zu
u¨berwachenden Systems, welches im Weiteren als Produkt
bezeichnet wird, im Vordergrund. Das Produkt besteht aus einer
Menge von Systemkomponenten. Nur aufgrund des
Zusammenspiels der einzelnen Systemkomponenten untereinander
genu¨gt das Produkt einer vorher definierten Funktion bzw.
Aufgabe. Zusa¨tzlich wirken externe Einflu¨sse aus der
umgebenden Produktumwelt auf das Produkt (vgl. [
Der vorliegende Beitrag skizziert ein interdisziplina¨res
Forschungsvorhaben im Rahmen einer Doktorarbeit. Einer der
Forschungsbeitra¨ge ist die Kombination von existierenden,
gut bekannten und bereits praktisch angewendeten
Ansa¨tzen, die fu¨r die Kombination von Echtzeitu¨berwachung und
Langzeitanalyse eingesetzt werden ko¨nnen. Anhand des
Einsatzes von existierenden Ansa¨tzen sind Einsparungen im
Bereich der Entwicklungskosten mo¨glich. Das
Forschungsvorhaben umfasst die Erstellung von
Event-Condition-ActionRegeln (ECA-Regeln) [
Der Rest des vorliegenden Beitrags ist wie folgt organisiert. Kapitel 2 beschreibt ein Anwendungsbeispiel. In Kapitel 3 wird der Begriff eines eingebetteten Systems definiert, so wie es fu¨r die Forschungsarbeit verwendet wird. Kapitel 4 fasst Anforderungen an die U¨ berwachung zusammen und aufbauend darauf wird in Kapitel 5 die Forschungsfrage detailliert betrachtet. Kapitel 6 beschreibt das Systemmodell, welches dem vorgeschlagenen U¨ berwachungsansatz zu Grunde liegt. In Kapitel 7 wird der vorgeschlagene U¨ berwachungsansatz detailliert beschrieben. Kapitel 8 fasst existierende Lo¨sungen zusammen und schließlich wird in Kapitel 9 eine Zusammenfassung gegeben.
Das Zugunglu¨ck vom ICE 884 in Eschede ist ein sehr
praxisnahes Anwendungsbeispiel. Die Hauptursache des
katastrophalen Zugunglu¨cks war der Bruch eines
gummigefederten Radreifens. Dieser Bruch war die Folge von
langfristigen Verschleißerscheinungen (z.B. Verringerung der
Radreifendicke und Korrosion). Bereits einige Monate vor dem
Unglu¨ck wurden wa¨hrend der Wartung anomale
Messwerte an dem besagten Radreifen festgestellt. Die
detaillierte Bruchfla¨chenanalyse stellte heraus, dass die langfristigen
Verschleißerscheinungen zu einem Riss in dem Radreifen,
lange vor dem Unglu¨ck, fu¨hrten. Der Bruch des Radreifens
fu¨hrte zur Entgleisung des Zuges ([
Durch die Langzeitanalyse ko¨nnen langfristige Verschleißerscheinungen erkannt, analysiert und bewertet werden. Der Bruch des Radreifens und die nachfolgende Entgleisung des Drehgestells haben zu einer plo¨tzlichen und signifikanten Vera¨nderung des Systemverhaltens gefu¨hrt (bspw. Schlingerbewegung des entgleisten Drehgestells). Anhand der Anwendung der Echtzeitu¨berwachung mittels eines eingebetteten Systems kann diese plo¨tzliche Vera¨nderung des Systemverhaltens erkannt und in einem angemessenen Zeitraum eine Aktion (z.B. Notbremsung) durchgefu¨hrt werden.
Abbildung 1 skizziert die abstrakte Architektur eines eingebetteten Systems, wie sie hier Einsatz findet. Eingebettete Systeme sind in ein umgebendes Produkt eingebettet. Das Produkt ist in eine Produktumgebung eingebettet. Eingebettete Systeme enthalten elektronische Baugruppen (Hardware), die die Systemkomponenten repra¨sentieren. Zusa¨tzlich sind diese elektronischen Baugruppen mit Software ausgestattet. Eingebettete Systeme unterliegen eingeschra¨nkten Systemressourcen wie z.B. Prozessorleistung, Strom- und Speicherverbrauch. Das eingebettete System steht mittels
Sensoren und Aktoren mit dem Produkt und der
Produktumgebung in Interaktion. Die elektronischen Baugruppen
ko¨nnen mittels eines internen Netzwerkes miteinander
verbunden sein. Zusa¨tzlich kann eine tempora¨re Verbindung zu
einem externen Informationssystem vorhanden sein. Weitere
Informationen zu eingebetteten Systemen finden sich u.a. in
[
ÜBERWACHUNGSANFORDERUNGEN Entsprechend des vorgestellten Anwendungsbeispiels und in Anbetracht der abstrakten Architektur eines eingebetteten Systems werden hier folgende fu¨nf U¨ berwachungsanforderungen erarbeitet: Zeit, Lokalita¨t, Wissen, Systemressourcen und Scha¨rfe. Abbildung 2 fasst die genannten Anforderungen zusammen.
Zeit: Diese Anforderung bezieht sich auf die zeitliche und kontinuierliche Vera¨nderung der Bauteile.
• kurzfristig: Es ko¨nnen plo¨tzliche A¨ nderungen der Bauteile (z.B. Bruch des Radreifens) auftreten. Es ist notwendig, diese in Echtzeit zu erkennen. • langfristig: Zur Erkennung langfristiger Einflussfaktoren und Vera¨nderungen (z.B. Verschleiß und Alterung) sind Langzeitanalysen notwendig.
Lokalit¨at: Diese Anforderung bezieht sich auf Wechselwirkungen der Einflussfaktoren und die ra¨umliche Lokalita¨t der U¨ berwachung.
• lokal : Fehler, die sich z.B. auf wenige Bauteile beziehen, mu¨ssen durch eine lokale U¨ berwachung erkannt werden. • global : Aufgrund der steigenden Komplexita¨t von Produkten und eingebetteter Systeme korrelieren die Einflussfaktoren zunehmend. Somit entstehen komplexe Zusammenha¨nge zwischen den Bauteilen, die durch eine globale Analyse erfasst und erkannt werden mu¨ssen. Wissen: Diese Anforderung bezieht sich auf das vorhandene Wissen u¨ber das eingebettete System, das Produkt und die Produktumwelt.
• bekannt: Es ist notwendig das bekannte Wissen u¨ber das eingebettete System, das Produkt und die Produktumwelt mo¨glichst umfassend und zielorientiert fu¨r die U¨ berwachung einzusetzen. • unbekannt: Aufgrund unbekannter bzw. unvorhersehbarer Umsta¨nde ist ein dynamischer und flexibler U¨ berwachungsprozess notwendig.
Systemressourcen: Diese Anforderung bezieht sich auf die vorhandenen Ressourcen, die fu¨r die U¨ berwachung zur Verfu¨gung stehen.
• uneingeschra¨nkt: Die U¨ berwachung von Systemen
beno¨tigt a¨ußerst viele Systemressourcen. Somit ist eine
Kombination von interner und externer U¨ berwachung
(hybrides U¨ berwachungssystem [
Sch¨arfe: Diese Anforderung bezieht sich auf die Auswertung
von Bedingungen (vgl. [
• scharf : Systemzusta¨nde mu¨ssen exakt und zuverla¨ssig durch eine exakte bina¨re Auswertung von Bedingungen (Boolesches Modell) erkannt werden. • unscharf : Diese scharfe Grenze zwischen Systemzusta¨nden ist nicht immer gegeben. Um dies zu beru¨cksichtigen, wird die exakte bina¨re Auswertung mittels Zugeho¨rigkeitsgrade zwischen 0 und 1 verallgemeinert. Der Wert 1 wird als volle Zugeho¨rigkeit und der Wert 0 als nicht zugeho¨rig interpretiert.
Es gibt eine Lu¨cke zwischen Echtzeitu¨berwachung und Langzeitanalyse von Ereignissen, die die Zuverla¨ssigkeit von Produkten beeintra¨chtigen. Dies ist die Motivation fu¨r unsere Forschung an der Kombination von Echtzeitu¨berwachung und Langzeitanalyse von Ereignissen. In dem ersten Schritt werden hier alle U¨ berwachungsanforderungen außer der Scha¨rfe betrachtet. Abbildung 3 fasst die Forschungsfrage grafisch zusammen.
Langzeitanalyse beno¨tigt meist sehr viele Systemressourcen. Zusa¨tzlich sind Data-Mining-Technologien semi-manuell und mu¨ssen durch Fachpersonal betreut und gepflegt werden. Aus diesem Grund ist eine Offlineverarbeitung auf einem externen Informationssystem mit nahezu uneingeschra¨nkten Systemressourcen notwendig. Data-Mining-Technologien werden hier fu¨r das Erlernen von Klassifikatoren eingesetzt, die anschließend durch ECA-Regeln repra¨sentiert werden. Die persistent gespeicherten Daten umfassen alle gesammelten Attribute und geben eine globale Sicht u¨ber das gesamte zu u¨berwachende Produkt. Dabei ist die Anzahl der Attribute je nach Anwendungsdoma¨ne und U¨ berwachungsziel unterschiedlich. Diese Daten ko¨nnen zur Identifikation von relevanten Wechselwirkungen Verwendung finden. DataMining-Technologien werden eingesetzt, um das Wissen u¨ber das Produkt mit der Zeit zu erho¨hen.
In Bezug zum genannten Anwendungsbeispiel werden die
Daten mittels eines externen Informationssystems
gesammelt. Diese persistent gespeicherten Daten werden
eingesetzt, um einen Klassifikator zu erlernen, der zwischen
bekanntem und unbekanntem Verhalten des Zuges
unterscheiden kann. Dies wird in [
In Bezug zum genannten Anwendungsbeispiel stellen das Brechen des Radreifens und die anschließende Entgleisung signifikante und plo¨tzliche A¨ nderungen der Fahreigenschaften des Zuges dar. Nachfolgend wird in Bezug zum Anwendungsbeispiel der ECA-Ansatz kurz erla¨utert. Ein Ereignis (Event) ist hier das Verhalten des Zuges zu einer bestimmten Zeit. Die Bedingung (Condition) bezieht sich auf die gelernten Klassifikatoren bzw. die Regeln, die ermittelt wurden, um das Verhalten des Zuges zu einem bestimmten Zeitpunkt zu klassifizieren. Eine Aktion (Action) kann bspw. die Verringerung der Geschwindigkeit des Zuges oder das Auslo¨sen der Notbremse sein, um materielle Scha¨den und menschliche Opfer zu vermeiden. 6.
Ein wesentlicher Punkt ist das Versta¨ndnis der
Eingangsdaten. Sensoren erzeugen kontinuierliche Daten. Diese
kontinuierlichen Sensordaten werden hier als Datenstro¨me
interpretiert. Ein Datenstrom besteht aus einer Sequenz von
Datenelementen. Ha¨ufig ist diese Sequenz sehr lang. Ein
System, welches Datenstro¨me verarbeitet, hat keine
A-PrioriKontrolle u¨ber die Reihenfolge der eintreffenden
Datenelemente. Die erneute U¨ bertragung von verlorenen
Datenelementen ist nicht mo¨glich. Weitere Informationen u¨ber
Datenstro¨me finden sich u.a. in [
Die Menge von Eigenschaften, die das Zielsystem beschreiben, wird hier als eine Menge von Attributen A1, ... , An interpretiert. Diese Attribute ko¨nnen u.a. nominal, ordinal oder metrisch sein. Attributwerte sind Funktionen der Zeit, so dass Werte von Ai einer Funktion ai : T → R entsprechen. Dabei ist T die Zeit und R die Menge der reellen Zahlen. Somit ist ein Zustand in Bezug zur Zeit ein Zustandsvektor ~a(t) = a1(t) a2(t) . .
.
an(t)
.
Der Raum, der durch die Attribute aufgespannt wird, heißt
Zustandsraum. Die Anzahl der Attribute definiert die
Anzahl der Dimensionen des Zustandsraums. Eine Menge von
Zustandsvektoren im Zustandsraum, die a¨hnliche Arten von
Zusta¨nden repra¨sentieren, ko¨nnen geometrisch interpretiert
werden. Diese geometrische Interpretation wird im Rahmen
von Data-Mining-Technologien als Cluster bezeichnet ([
Abbildung 4 veranschaulicht den Zustandsraum in einem
Zeitfenster unter Beru¨cksichtigung der zwei Attribute A1
und A2. Zur besseren U¨ bersichtlichkeit sind die
Zustandsvektoren als Punkte dargestellt. Sei S die Menge aller
mo¨glichen Systemzusta¨nde bzw. der gesamte Zustandsraum, Ck
die Menge der bekannten Cluster und Cu die Menge aller
unbekannten Cluster, so dass Ck S Cu = S und Ck T Cu = ∅.
Somit sind bekannte Cluster komplementa¨r zu
unbekannten Clustern. In Abbildung 4 repra¨sentieren die Cluster Ck1
und Ck2 Mengen von bekannten Systemzusta¨nden. Der
Cluster Cu1 sowie die Punkte pu1 und pu2 stehen exemplarisch
fu¨r unbekannte Systemzusta¨nde. In [
Wie bereits beschrieben, liegt die Kombination von Echtzeitu¨berwachung und Langzeitanalyse im Fokus des Interesses. Ziel ist es, ein Modell bzw. einen Zustandsraum zu
erlernen, der das Wissen u¨ber das Produkt repra¨sentiert. Zuna¨chst wird in diesem Kapitel eine Prozesskette fu¨r die U¨ berwachung beschrieben. Anschließend wird diese Prozesskette in eine abstrakte U¨ berwachungsarchitektur u¨berfu¨hrt.
Die Prozesskette ist in Abbildung 5 grafisch verdeutlicht. Sie ist in zwei Teile gegliedert. Der obere Teil repra¨sentiert die Echtzeitu¨berwachung auf dem eingebetteten System. Der untere Teil repra¨sentiert die Langzeitanalyse auf einem externen Informationssystem. Zur besseren U¨ bersichtlichkeit ist die untere Teilkette in umgekehrter Reihenfolge dargestellt.
Im ersten Schritt startet die Prozesskette mit Ereignissen bzw. Zustandsvektoren. Die Vorverarbeitung ist der zweite Schritt. Dieser kann u.a. zur Filterung, zur Selektion oder fu¨r Fensterfunktionen, zur Verringerung des Verarbeitungsaufwands, Verwendung finden. Die Ausfu¨hrung der Regeln ist der dritte Schritt. In diesem dritten Schritt werden die im Voraus definierten Regeln auf dem Datenstrom angewendet. Der vierte Schritt umfasst das Senden von Nachrichten zu den Aktoren. Der fu¨nfte Schritt wird fu¨r die tempora¨re Speicherung verwendet. Das schließt Datenaggregation zur Minimierung des Speicherbedarfs sowie angemessene Speicherstrategien wie z.B. Ringpuffer oder eingebettete Datenbanken mit ein. Der letzte Schritt der obersten Teilkette bezieht sich auf das Senden der Daten vom eingebetteten System zum stationa¨ren System. Aufgrund der tempora¨ren Verbindung mittels des externen Netzwerkes ko¨nnen die Daten nur von Zeit zu Zeit an das externe Informationssystem gesendet werden. Die genannten Schritte sind automatisch. Es ist notwendig, dass jeder Teilschritt austauschbar und konfigurierbar (z.B. Plug-in-System) ist, um einen dynamischen und flexiblen U¨ berwachungsansatz bereitzustellen. Somit ist es mo¨glich, das CEP-System auf die vorhandene Hardware und den beabsichtigten U¨ berwachungszweck zuzuschneiden.
Der erste Schritt der Langzeitanalyse betrifft das Laden der empfangenen Daten vom eingebetteten System in ein persistentes Datenverzeichnis wie z.B. ein Data Warehouse (DWH). Der zweite Schritt umfasst die Erstellung der Regeln mittels Data-Mining-Technologien. Dazu geho¨rt die Integration der empfangenen Daten in den Zustandsraum. Dabei steigt das Wissen u¨ber das Produkt durch die Integration von neuen und noch unbekannten Zustandsvektoren in den Zustandsraum. Aktuell werden hier folgende Algorithmen zur Klassifikation bzw. u¨berwachtes Lernen eingeschlossen: Regelinduktion, Support Vector Machine und kna¨chste Nachbarn. In vielen Fa¨llen mu¨ssen die genannten Algorithmen ebenfalls kombiniert werden, um einen ange
messenen Klassifikator bereitzustellen ([
Die komplette Prozesskette wird zyklisch durchlaufen. So kann mit der Zeit das Wissen u¨ber das zu u¨berwachende Produkt gesteigert werden.
Die vorgeschlagene U¨ berwachungsarchitektur ist in Abbildung 6 grafisch verdeutlicht. Sie basiert auf der Prozesskette, die bereits beschrieben wurde. Sensoren erzeugen kontinuierlich Datenstro¨me, die u¨ber das interne Netzwerk u¨bertragen werden. Es ist notwendig, diese Ereignisse bzw. Zustandsvektoren kontinuierlich unter Beru¨cksichtigung von Echtzeitbedingungen zu verarbeiten. Das CEP-System muss entsprechend der festgelegten Regeln Aktionen auslo¨sen. Weiterhin wird der Datenstrom aggregiert und tempora¨r gespeichert, bevor er zum externen Informationssystem u¨bermittelt wird. Das externe Informationssystem wird fu¨r die Langzeitanalyse und zur Ermittlung neuer bzw. zur Verfeinerung bestehender Regeln eingesetzt. Anschließend ist die Evaluierung der Regeln und die U¨ bertragung zum eingebetteten System notwendig.
Fu¨r das beschriebene Forschungsvorhaben ko¨nnen folgende zwei Herausforderungen identifiziert werden.
1. U¨ bersetzung der erlernten Klassifikatoren in verfu¨gbare Anfragesprachen bzw. Funktionen. 2. Erstellung einer dynamischen und flexiblen CEP-Anwendung, die stetig an neue Anforderungen anpassbar ist. Weiterhin muss unter Beru¨cksichtigung der eingeschra¨nkten Systemressourcen und Echtzeitanforderungen ein kontinuierlicher Strom von Zustandsvektoren zuverla¨ssig klassifiziert werden ko¨nnen. 8.
Zur Analyse von Datenstro¨men werden
Datenstrom-Management-Systeme (DSMS), z.B. STREAM [
NanoMon [
VEDAS [
Es besteht ein Bedarf an neuen Lo¨sungen fu¨r die U¨ berwachung von Systemen, die heutige und zuku¨nftige Anforderungen in Betracht ziehen. Der vorliegende Beitrag skizziert ein interdisziplina¨res Forschungsvorhaben im Rahmen einer Doktorarbeit. Einer der Forschungsbeitra¨ge ist die Kombination von Echtzeitu¨berwachung und Langzeitanalyse mittels eingebetteter Systeme, ECA-Regeln, Data-Mining-Technologien und CEP. Drei Annahmen bilden die Basis fu¨r den beschriebenen U¨ berwachungsansatz. Weiterhin wurden hier fu¨nf U¨ berwachungsanforderungen erarbeitet. Die Analyse bestehender Lo¨sungen zeigt, dass die dargestellten U¨ berwachungsanforderungen nur unzureichend in Betracht gezogen werden. Aufbauend darauf wurde hier ein dynamischer und flexibler U¨ berwachungsansatz vorgestellt. Der hier vorgestellte U¨ berwachungsansatz basiert auf einem mathematischen Modell, welches als Zustandsraum bezeichnet wird. Dieser Zustandsraum repra¨sentiert das Wissen u¨ber das Produkt, welches im laufenden Betrieb u¨berwacht wird. Weiterhin wurde eine Prozesskette erla¨utert. Diese Prozesskette wird zyklisch durchlaufen und somit das Wissen u¨ber das Produkt mit der Zeit gesteigert. Der Zustandsraum wird mit der Hilfe von Data-Mining-Technologien in ECA-Regeln u¨bersetzt und an eine CEP-Anwendung, die sich auf einem eingebetteten System befindet, u¨bertragen. Durch die CEPAnwendung werden die ECA-Regeln verwendet, um die kontinuierlich eintreffenden Zustandsvektoren als bekannt oder unbekannt zu klassifizieren. 10.