Cyber-physical systems are a class of technical systems that integrate mechanical components
with intelligent, adaptable control devices and software. Nowadays, this integration
enables high-performance, modular, and parameterized systems with high complexity, but
low operating cost. Typical examples of cyber-physical systems are production machinery,
cars, aeroplanes, and smart home appliances. In this thesis, the focus is on diagnosing faults
within cyber-physical systems used in industrial production contexts. Faults occurring
during production quickly lead to degrading product quality or production stops, which
can be costly and may endanger human lives. Existing approaches to automated fault
diagnosis are mostly defined on narrow use-cases or require a significant amount of expert
knowledge. In this thesis, three different algorithms to automatically identify faults in
cyber-physical systems are presented to mitigate these drawbacks. Therefore, this thesis
makes four main contributions: (i) It introduces a novel diagnosis algorithm HySD to find
faults in cyber-physical systems. (ii) It presents a new uninformed algorithm DDRC to learn
diagnosis models from process data, using correlations in time-series data. (iii) It presents
the new algorithm DDGD, which learns diagnosis models from time-series data supervised,
using Granger Causality. (iv) It provides a novel theory to describe fault propagation in
cyber-physical systems. More precise, the algorithm HySD uses satisfiability modulo linear
arithmetic to combine process data with traditional symbolic consistency-based diagnosis
algorithms. However, the algorithm heavily relies on models formulated by experts.
Therefore, the algorithms DDRC and DDGD are introduced to learn diagnosis models from
process data automatically. All algorithms build on the foundation of the theory of fault
propagation. The algorithms were evaluated on internationally accepted benchmarks of
tank systems, the well-known Tennessee Eastman Process, and two industrial use-cases.
Throughout all empirical results, the algorithms exhibit good performance in learning
suitable models and in diagnosing faults in synthetic and real fault scenarios.

Die automatische Diagnose von Fehlern ist eine wichtige Fähigkeit moderner cyberphysischer
Systeme. Cyber-physische Systeme wie Produktionsanlagen, Fahrzeuge, Smart
Home Geräte und viele andere zeichnen sich durch eine hohe Komplexität, Modularität und
Parametrisierbarkeit aus. Diese Komplexität lässt jedoch den Aufwand, Fehler manuell zu
suchen und zu beheben, ständig steigen. Daher werden intelligente Algorithmen benötigt,
welche ein cyber-physisches System so analysieren können, dass Fehler automatisch diagnostiziert
werden können. Ziel dieser Arbeit ist es, solch einen Algorithmus für cyberphysische
Systeme im Bereich der industriellen Produktion zu entwickeln. Dabei soll der
Algorithmus traditionelle Diagnosealgorithmen aus dem Bereich der Schaltkreisdiagnose
nutzen und diese an heterogene Prozessdaten anbinden. Weiterhin soll der Algorithmus
in der Lage sein, Modelle von Systemen selbstständig zu lernen und zu verwenden. Um
dieses Ziel zu erreichen, werden in dieser Arbeit die folgenden Beiträge vorgestellt: Erstens,
ein neuartiger Diagnosealgorithmus für cyber-physische Systeme (HySD). Der Algorithmus
nutzt hierbei Satisfiability Modulo Linear Arithmetic, um Prozessdaten mit bekannten
Algorithmen der konsistenzbasierten Diagnose zu kombinieren. Zweitens, ein von Expertenwissen
weitgehend unabhängiger Algorithmus (DDRC), welcher auf Korrelationserkennung
beruht, um Diagnosemodelle aus Daten zu lernen. Drittens, ein auf am dem Ansatz der
Granger Causality beruhender Algorithmus (DDGD), um Diagnosemodelle mithilfe von
Fehlerannotationen zu lernen. Viertens, eine neuartige Theorie, um Fehlerfortpflanzung
in cyber-physischen Systemen zu behandeln und zu beschreiben. Insgesamt wird mit
diesen Algorithmen eine Methode beschrieben, mit der automatisch Diagnosemodelle aus
Prozessdaten gelernt und dem Algorithmus HySD zur Verfügung gestellt werden können.
HySD liest aktuelle Prozessdaten ein, vergleicht sie mit der Modellvorhersage und ermittelt
bei Diskrepanzen zwischen Modell und Prozessdaten eine Menge von möglichen Fehlerursachen.
Alle entwickelten Algorithmen wurden mit Hilfe von frei verfügbaren Datensätzen
von Tanksystemen, dem bekannten Tennessee Eastman Process, sowie zwei industriellen
Anwendungsfällen getestet. Dabei zeigt sich sowohl in der Fehlerdiagnose, als auch im
Modelllernen eine gute Performance.