Epsilon-Maschine
Englisch: epsilon-machine
Deterministischer Automat aus einem System von Kausalzuständen und deren Übergängen, der als kleinstmögliches maximal prädiktives Modell eines stochastischen Prozesses fungiert.
Epsilon-Machine: Das sparsamste Modell für die Vorhersage des nächsten Ereignisses
Eine Epsilon-Machine ist ein zustandsbasiertes Rechenmodell, das die Vorhersagestruktur eines zufälligen oder teilweise zufälligen Prozesses mit der minimal erforderlichen Anzahl von Zuständen erfasst. Sie entfernt alle Redundanzen und Störungen und behält nur die kausalen Informationen, die nötig sind, um zukünftiges Verhalten vorherzusagen. Ingenieure und Forscher nutzen sie, um Ereignisfolgen zu verstehen und vorherzusagen: Fehlermuster in der Fertigung, Signalverschlechterung, Thermowechselfehler oder jeden Prozess, der weder rein deterministisch noch rein zufällig ist.
Die Machine funktioniert, indem sie die Vorgeschichte eines Prozesses in unterschiedliche kausale Zustände aufteilt. Jeder Zustand stellt eine Konfiguration dar, die für die Zukunft die gleiche Vorhersagekraft hat. Aus jedem Zustand finden Übergänge zu anderen Zuständen mit definierten Wahrscheinlichkeiten statt. Die Schlüsseleigenschaft ist die Maximalität: Wenn zwei Vorgeschichten zum gleichen Zustand führen, müssen sie identische Wahrscheinlichkeitsverteilungen für alle zukünftigen Ergebnisse haben. Entfernt man einen Zustand aus dem Modell, verliert man Vorhersagegenauigkeit; fügt man einen Zustand hinzu, führt man künstliche Unterscheidungen ein, die Rechenressourcen verschwenden.
Konstruktion und Anwendung
Eine Epsilon-Machine zu bauen erfordert historische Daten aus dem zu untersuchenden Prozess. Der Algorithmus erkennt wiederkehrende Muster und gruppiert sie in Äquivalenzklassen, wobei jede Klasse ein Zustand wird. In industriellen Anwendungen gilt das für Schwingungsüberwachung, Korrosionsfortschritt, Fehlermodusfolgen und Prozessdriftdetektion. Die Größe der Machine (Anzahl der Zustände) quantifiziert die Komplexität des Prozesses: Ein einfaches deterministisches System hat einen Zustand; reines Rauschen erzeugt unendlich viele. Echte industrielle Prozesse erfordern typischerweise zwischen drei und fünfzig Zuständen für eine genaue Modellierung.
Die Epsilon-Machine unterscheidet sich grundlegend von Black-Box-Neuronalen Netzen oder Polynomanpassungen, weil sie interpretierbar ist: Jeder Zustand und jeder Übergang hat eine kausale Bedeutung, die in der Prozessdynamik verwurzelt ist. Ein Bediener oder Ingenieur kann den Zustandsgraph untersuchen und verstehen, welche Bedingungen zu welchen Ergebnissen führen. Diese Transparenz macht sie wertvoll für Fehlerursachenanalyse und für die Gestaltung von Interventionen, die spezifische Fehlerablauf-Pfade gezielt ansprechen, anstatt pauschal vorzugehen.
Die Berechnung von Epsilon-Machines skaliert mit Datenlänge und Alphabetgröße (Anzahl der unterschiedlichen Symbole oder Ergebnisse im Prozess). Für Sequenzen der Länge 10.000 mit moderater Komplexität ist die Konstruktion auf gewöhnlicher Hardware machbar. Die Methode gehört zu einer Familie von Techniken namens Computational Mechanics, entwickelt hauptsächlich in statistischer Physik und Informationstheorie statt in klassischer Regelungstechnik, aber ihre industrielle Nutzung ist gewachsen, da Überwachung und Datenerfassung routinemäßig geworden sind.