5. Entwicklung des Konzepts eines echtzeitfähigen, zustandsorientierten
5.2. Konfiguration und Optimierung
5.2.2. Konzept der Regelextraktion aus der Offline-Datenanalyse
Das Konzept zur Regelextraktion aus den ML-Modellaufbauphasen ist in Abbil-dung 37 dargestellt. Ziel ist es, auf Basis von Ereignisanfragesprache die Ereig-nismuster auf einer hohen Abstraktionsebene deklarativ zu erkennen. Hierbei wird ein Konzept für die (teil-)automatisierte Generierung bzw. adaptive Anpas-sung von Ereignisregeln aus den verschiedenen Modellaufbauphasen entwickelt.
Dabei gilt es, die Störungsereignisse mit Basisereignissen bzw. auch anderen komplexeren Ereignissen in Beziehung zu setzen. Sofern dies möglich ist, kön-nen Störungen über das Eintreten der in Beziehung stehenden Ereignisse detek-tiert werden. Diese Beziehungen werden durch einfache „Wenn-Dann-Regeln―
und SQL-ähnliche Abfragen ausgedrückt, die sich direkt durch Ereignisverarbei-tungssprachen umsetzen lassen. Zur Aufbauphase des ML-Modells werden im ersten Schritt die Ereignisregeln aus der Datenvorverarbeitungsphase hergeleitet.
Wie bereits erwähnt, werden hier die Eingangsdaten nach Redundanzen und Fehlern gefiltert. Diese Operationen werden basierend auf der ersten Definition des Ereignismodells in entsprechende Ereignisregeln transformiert, die gegeben-falls auch neue Filterereignisse erstellen können. Ein neuer Filterereignisstrom wird dementsprechend kontinuierlich generiert. Im zweiten Schritt werden die Ereignisregeln aus der Datenaufbereitungsphase extrahiert. Genau wie beim ers-ten Schritt werden hier alle durchgeführers-ten Operationen aus dem Filterereignis-strom in Ereignisregeln transformiert, die neue Ereignisse auf einer höheren Abstraktionsstufe und einen neuen aggregierten Ereignisstrom generieren. Im Anschluss erfolgt die Herleitung der Ereignisregeln aus der Modellaufbauphase, die zur Erkennung von Störungsereignissen einen wichtigen Beitrag leistet.
Durch die Anwendung des ML-Modells aus den Ereignissen des aggregierten Ereignisstroms entsteht der ML-Ereignisstrom, dessen Interpretation verschie-dene Störungsereignisse des Systems erkennen kann.
Abbildung 37: Konzept zur Extraktion von Ereignisregeln aus dem ML-Modell
5.2.2.1. Herleitung der Ereignisregeln aus der Vorverarbeitungsphase Die Abbildung 38 stellt die Logik zur Extraktion der Ereignisregeln aus der Vor-verarbeitungsphase dar. Die Ereignisregeln sind grundsätzlich auf Basis des entwickelten Ereignismodells und des extrahierten ML-Modells definiert. Basie-rend auf der Kategorisierung von Ereignissen in verschiedenen Klassen sind zu-nächst die Basisereignisse aus der Datenvorverarbeitungsphase zu definieren.
Diese Basisereignisse stellen die unterste Abstraktionsebene der Ereignishierar-chie dar.
Zuerst wird geprüft, ob die Eingangsdaten, welche durch den Ereignisadapter in einem einfachen Ereignisstrom transformiert wurden, einigen Filteroperationen unterzogen worden sind. Falls die Filterung der Eingangsdaten stattgefunden hat, werden diese Operationen dementsprechend in Ereignisregeln übermittelt.
Einfacher Basisereignisstrom
Rohdaten Start:
Regelextraktion
Herleitung der Ereignisregeln aus der
Datenvorverarbeitungsphase
Herleitung der Ereignisregeln aus der
Datenaufbereitungsphase
Herleitung der Ereignisregeln aus der
ML-Modellaufbauphase
Ende:
Regelextraktion Filter
Ereignisstrom
Aggregierter Ereignisstrom
ML-Ereignisstrom
Komplexer Ereignisstrom (Störungsklassifikation)
Abbildung 38: Regelextraktion aus der Datenvorverarbeitungsphase des ML-Modells
Durch diese Ereignisregeln entstehen neue Ereignisse auf einer höheren Abs-traktionsstufe. Es handelt sich wiederum um einen neuen Ereignistyp, der nicht in dem Ereignismodell definiert wurde – es wird ein neuer Ereignistyp generiert und im Ereignismodell hinzugefügt. Folglich werden die entstehenden Ereignis-regeln in der Ereignisregel-Datenbank hinzugefügt. Ist der Ereignistyp schon im Ereignismodell enthalten und die Ereignisregel in der Datenbank vorhanden, wird geprüft, ob die Regelbedingungen der Ereignisregel geändert wurden. Ist das der Fall, wird dies dementsprechend in der Datenbank angepasst. Dieser Vorgang wird solange wiederholt, bis alle in der Vorverarbeitungsphase durchge-führten Operationen behandelt wurden.
5.2.2.2. Herleitung der Ereignisregeln aus der Datenaufbereitungsphase Die Logik zur Regelextraktion folgt, wie in Abbildung 39 veranschaulicht, der-selben Logik, die auch bei der Regelextraktion aus der Datenvorverarbeitungs-phase zugrunde gelegt wird. Auf Basis der Struktur des Ereignismodells sind die entstehenden Ereignisse aus der vorherigen Phase unter einer räumlichen
Di-Datenvorverarbeitung:
Werden Eingangsdaten gefiltert?
Definition des Filterereignisses, das in der
Datenvorverarbeitungs-phase verwendet wurde Ja
Rohdaten Start:
Regelextraktion
Existiert dieses Filterereignis im Ereignismodell?
Ereignismodell
Ereignisregel-DB
Hinzufügen des neuen Filterereignisses im
Ereignismodell Nein
Hinzufügen der neuen Ereignisregel in Ereignisregeln-DB
mit der Filterbedingung Ist die
Filterbedingung geändert oder
angepasst?
Ja
Hinzufügen der neuen Ereignisregel in Ereignisregel-DB mit
der Filterbedingung Ja
Herleitung der Ereignisregeln aus der Datenaufbereitungsphase
Nein
Nein
mension gruppiert. Bei dieser Logik wird geprüft, ob Aggregatfunktionen aus den in der ersten Phase gefilterten Daten berechnet werden. Werden solche Ope-rationen durchgeführt, ist damit zu rechnen, dass sowohl die räumliche als auch temporale Gruppierung der Daten in einem bestimmten Zeitfenster liegen.
Abbildung 39: Regelextraktion aus der Datenaufbereitungsphase des ML-Modells
Die Operationen mit Aggregatfunktionen fassen diese Datengruppierung zu ei-nem temporalen bzw. räumlichen Aggregatereignis zusammen. Wird dadurch ein neuer Ereignistyp generiert, wird das Aggregatereignis dementsprechend im Er-eignismodell hinzugefügt. Die Ereignisregel wird weiterhin der Ereignisregel-DB hinzugefügt. Handelt es sich um eine Änderung einer bestehenden Ereignis-regel, wird diese angepasst. Wie in der vorherigen Phase wird dieser Vorgang wiederholt, bis alle in der Aufbereitungsphase durchgeführten Operationen be-handelt wurden.
5.2.2.3. Herleitung der Ereignisregeln aus der Aufbauphase des ML-Modells
Die grundlegende Logik ist der Logik der Regelextraktion aus der Datenvorver-arbeitungsphase relativ ähnlich, wie in Abbildung 40 veranschaulicht. Zunächst
Datenaufbereitung:
werden Aggregatfunktionen
berechnet?
Definition des Aggregatereignisses, das in
der Aggregatberechnung verwendet wurde Ja
Herleitung der Regeln aus der Datenvorverarbeitungsphase
Existiert dieses Aggregatereignis im
Ereignismodell?
Ereignismodell
Ereignisregel-DB
Hinzufügen des neuen Aggregatereignisses
im Ereignismodell Nein
Hinzufügen der neuen Ereignisregel in Ereignisregel-DB mit der Ereignisbedingung Ist die
Ereignisbedingung (Zeitfenster) geändert oder angepasst worden?
Ja
Anpassung der existierenden Ereignisregel
mit der neuen Ereignisbedingung
Ja Herleitung der
Regeln aus der ML-Modellaufbauphase
Nein
Nein
wird geprüft, ob ein ML-Modell in der Offline-Datenanalyse eingesetzt wurde.
Der Aufbau des ML-Modells bedeutet, dass ein neues Ereignis von Typ „ma-schinelles Lernereignis― im Ereignismodell hinzugefügt werden muss.
In diesem Zusammenhang wird zuerst geprüft, ob das ML-Ereignis bereits im Ereignismodell existiert. Ist dies nicht der Fall, werden das neu entstandene Er-eignis dem ErEr-eignismodell sowie die neue ErEr-eignisregel hinzugefügt. Ansonsten wird geprüft, ob die Struktur des ML-Modells geändert wurde. Falls ja, wird die bereits existierende Ereignisregel dementsprechend angepasst.
Abbildung 40: Regelextraktion aus der Aufbauphase des ML-Modells