Info
TSU Update! Künstliches Neuronales Netz – Innovatives Konzept zur Realisierung diversitärer Redundanz
TSU beschäftigt sich mit der Anwendung von Künstlichen Neuronalen Netzen (KNN) in sicherheitsbezogenen Applikationen. TSU hat unter Beachtung sicherheitstechnischer und ökonomischer Aspekte ein Konzept entwickelt, mit dem erstmalig eine KI-Methode in Form eines Künstlichen Neuronalen Netzes (KNN) zur Realisierung einer diversitären Architektur verwendet wird. Der Lösung wird vorgestellt.
Online-Seminar
Montag, den 02.05.2022, 11:00 - 12:30 Uhr
Leitung und Einführung: Prof. Dr. Günther Apel, TSU
Künstliches Neuronales Netz – Innovatives Konzept zur Realisierung diversitärer Redundanz
Prof. Dr. Alfred Gerlach, Leiter Sicherheitssysteme, TSU e.V.
Methoden Künstlicher Intelligenz (KI) sind Stand der Technik. Industrielle KI-Anwendungen verbessern Produktqualität, Produktivität und optimieren Prozessabläufe. KI-Methoden werden auch in Bereichen mit Sicherheitsansprüchen wie beispielsweise dem autonomen Fahren oder der IT-Sicherheit bereits angewendet. In sicherheitsbezogenen Applikationen der industriellen Automatisierungstechnik im Geltungsbereich der DIN EN 61508 hingegen kommen KI-Methoden bisher nicht zum Einsatz. Zur Realisierung Funktionaler Sicherheit werden Sicherheitsfunktionen u.a. mit Architekturen in Form von homogenen, teildiversitären und diversitären Redundanzstrukturen ausgeführt. In der Praxis werden diversitäre Lösungen aus ökonomischen Gründen eher verhalten eingesetzt. TSU hat unter Beachtung sicherheitstechnischer und ökonomischer Aspekte ein Konzept entwickelt, mit dem eine KI-Methode in Form eines Künstlichen Neuronalen Netzes (KNN) zur Realisierung einer diversitär redundanten Architektur verwendet wird.
Das TSU-Konzept stellt die Anwendungsmöglichkeit einer KI-Methode für sicherheitsbezogene Automatisierungssysteme im Geltungsbereich der DIN EN 61508 in Form der technischen Ausführung einer zweikanaligen, diversitär redundanten Prozessüberwachung dar, wobei einer der beiden Kanäle in konventioneller Technologie und der andere in Form eines Künstlichen Neuronalen Netzes (KNN) ausgeführt ist. Die beiden Kanäle lösen die Überwachungsaufgabe über unterschiedliche Lösungswege mit verschiedenartigen Mitteln. Diversität wird im Zusammenhang mit dem vorgestellten Konzept als ausreichend wirksame Maßnahme zur Beherrschung von gefährlichen systematischen Ausfällen sowie von Ausfällen mit gemeinsamer Ursache angenommen.
Der konventionelle Kanal steuert den Prozess und überwacht die Prozessreaktionen auf Plausibilität. Bei Verletzung der Plausibilität wird durch Abschaltung der Energie der sichere Prozesszustand beibehalten oder eingenommen. Die korrekte und fehlerfreie Funktion des konventionellen Kanals wurde zur Durchführung eines Lernprozesses auf der Basis einer validierten Spezifikation in der Entwicklungs-, Implementierungs- und Inbetriebnahmephase einem Prüfungsverfahren unterzogen.
Der KNN-Kanal überwacht Signale, die einen Prozesszustand im Prozessbetrieb eindeutig kennzeichnen, auf Übereinstimmung mit Signalen von Prozesszuständen, die von dem auf Grund erfolgreicher Prüfungen nachweislich fehlerfrei funktionierenden konventionellen Kanal während der Durchführung eines Lernprozesses erzeugt wurden. Hierzu klassifiziert das KNN die während des Lernprozesses generierten Signale als Repräsentanten „sicherer“ Prozesszustände. Repräsentanten aktueller Zustände, die sich während des Prozessbetriebes von den gelernten Repräsentanten unterscheiden, werden als „nicht sicher“ klassifiziert und führen zu einer Meldung oder zur Abschaltung.
Ein dynamischer Fehlertest ist in Form einer failsafe ausgeführten Selbstüberwachung als Maßnahme zur Aufdeckung und Beherrschung eines Ausfalls des KNN-Kanals implementiert.
Es wird ein KNN mit speziellen Eigenschaften wie FeedForward-Dynamik, Begrenzung der Anzahl an Hiddenschichten, Verwendung ausschließlich deterministischer, nicht stochastischer oder randomisierter Algorithmen verwendet. Die Algorithmen selbst sind transparent, ihre Ergebnisse nachvollziehbar und reproduzierbar.
Das KNN ist verwendbar zur Klassifizierung sicherer und nicht sicherer Zustände von Sicherheitsfunktionen, Nichtsicherheitsfunktionen und Gesamtprozessen. Weitere Aspekte hinsichtlich seiner Verwendung sind Entwicklungs-, Prüfungs-, Zertifizierungsaufwände einerseits und Flexibilität bei Prozessmodifizierung und Prozessoptimierung andererseits.
