Under CopyrightWindmann, StefanStefanWindmann2022-05-062024-02-262022-05-062022https://publica.fraunhofer.de/handle/publica/415753https://doi.org/10.24406/publica-272310.1515/auto-2021-010110.24406/publica-2723Petri nets are a common modeling approach for parallel processes such as transport operations in conveying systems. In industrial applications, the Petri net models are usually created manually, which involves a lot of effort, especially if the modeled systems change frequently. This paper introduces a new learning method to automatically generate Petri nets from sensor data acquired in conveying systems. The underlying approach is to create prefix and postfix trees of possible event sequences and to merge them into a compact graph, which can be transformed into a deterministic Petri net model of the conveying system. Experimental results show that the proposed method produces realistic Petri net models even for conveying systems with ambiguous events.Petri-Netze sind ein gängiger Modellierungs-Ansatz für parallele Prozesse wie z. B. Transportvorgänge in Fördersystemen. In industriellen Anwendungen werden die verwendeten Petri-Netz-Modelle in der Regel manuell erstellt, was mit hohem Engineering-Aufwand verbunden ist, insbesondere wenn sich die modellierten Systeme häufig ändern. In diesem Beitrag wird eine neue Lernmethode zur automatischen Erzeugung von Petri-Netzen aus Sensordaten vorgestellt. In dem vorgeschlagenen Ansatz werden Prefix- und Postfix-Trees möglicher Ereignisfolgen generiert und zu einem kompakten Graphen verschmolzen, welcher in ein deterministisches Petri-Netz-Modell des Transportsystems transformiert werden kann. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode auch für Fördersysteme mit mehrdeutigen Ereignissen realitätsnahe Petri-Netz-Modelle erzeugt.enconveying systempetri netmodel learningindustrielle TransportsystemePetri NetzeModell-Lernen004629670journal article