DE102019131456A1 - Method for determining a property of a machine, in particular a machine tool, without measuring the property - Google Patents

Method for determining a property of a machine, in particular a machine tool, without measuring the property Download PDF

Info

Publication number
DE102019131456A1
DE102019131456A1 DE102019131456.9A DE102019131456A DE102019131456A1 DE 102019131456 A1 DE102019131456 A1 DE 102019131456A1 DE 102019131456 A DE102019131456 A DE 102019131456A DE 102019131456 A1 DE102019131456 A1 DE 102019131456A1
Authority
DE
Germany
Prior art keywords
machine
time series
pattern sequence
property
parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102019131456.9A
Other languages
German (de)
Inventor
Michael Fehr
Kaustubh Pathak
Cedric Oette
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Schaeffler Technologies AG and Co KG
Original Assignee
Schaeffler Technologies AG and Co KG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Schaeffler Technologies AG and Co KG filed Critical Schaeffler Technologies AG and Co KG
Priority to DE102019131456.9A priority Critical patent/DE102019131456A1/en
Publication of DE102019131456A1 publication Critical patent/DE102019131456A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Computerimplementiertes Verfahren zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft, mit den folgenden Verfahrensschritten:- Erfassen einer oder mehrerer erster Zeitreihen einer oder mehrerer physikalischer Messgrößen der Maschine;- Detektieren von Veränderungsstellen in der oder den ersten Zeitreihen;- Extrahieren von Mustersequenz-Instanzen aus den ersten Zeitreihen basierend auf den detektierten Veränderungsstellen;- Erzeugen mehrerer Mustersequenz-Klassen in Abhängigkeit von den extrahierten Mustersequenz-I nstanzen;- Ermitteln mindestens einer Kenngröße mehrerer Mustersequenz-Instanzen derselben Mustersequenz-Klasse und eines ersten zeitlichen Verlaufs der Kenngröße;- Erzeugen einer oder mehrerer virtueller Zeitreihen in Abhängigkeit von dem ermittelten ersten zeitlichen Verlauf der Kenngröße;- Trainieren eines selbstlernenden Bestimmungsmoduls mittels der virtuellen Zeitreihen und des ermittelten ersten zeitlichen Verlaufs der Kenngröße;- Erfassen einer oder mehrerer zweiter Zeitreihen einer oder mehrerer physikalischer Messgrößen;- Bestimmen eines zweiten zeitlichen Verlaufs der Kenngröße durch das trainierte Bestimmungsmodul in Abhängigkeit von der oder den zweiten Zeitreihen;- Bestimmen einer Eigenschaft der Maschine anhand des ermittelten zweiten zeitlichen Verlaufs der Kenngröße.The invention relates to a computer-implemented method for determining a property of a machine, in particular a machine tool, without measuring the property, with the following method steps: Detecting one or more first time series of one or more physical measured variables of the machine; Detecting change points in the or the first time series; - extracting pattern sequence instances from the first time series based on the detected change points; - generating several pattern sequence classes depending on the extracted pattern sequence instances; - determining at least one parameter of several pattern sequence instances of the same pattern sequence class and a first time course of the parameter; - generating one or more virtual time series as a function of the determined first time course of the parameter; - training a self-learning determination module by means of the virtual time series hen and the determined first temporal course of the parameter; - recording one or more second time series of one or more physical measured variables; - determining a second temporal course of the parameter by the trained determination module as a function of the second time series (s); - determining a property of the machine based on the second time course of the parameter determined.

Description

Die Erfindung betrifft ein computerimplementiertes Verfahren zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft. Ferner betrifft die Erfindung ein System zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft. Ein weiterer Gegenstand der Erfindung ist ein computerimplementiertes Verfahren zum Bestimmen eines voraussichtlichen Qualitätszustands eines mit einer Maschine gefertigten Bauteils.The invention relates to a computer-implemented method for determining a property of a machine, in particular a machine tool, without measuring the property. The invention also relates to a system for determining a property of a machine, in particular a machine tool, without measuring the property. Another object of the invention is a computer-implemented method for determining a probable quality status of a component manufactured with a machine.

Anwendung finden kann die Erfindung beim Betrieb von Maschinen, insbesondere im Umfeld der industriellen Fertigung von Bauteilen. Bei derartigen Anwendungen müssen die Maschinen, insbesondere Werkzeugmaschinen, nicht nur eine hohe Leistungsfähigkeit, sondern auch eine hohe Verfügbarkeit aufweisen. Allerdings kommt es, beispielsweise aufgrund von Abnutzungserscheinungen, oftmals zu überraschenden Ausfällen der Maschinen und/oder zu Qualitätsdefiziten der hergestellten Produkte. Die Gründe für solche Ausfälle liegen oftmals darin, dass Betriebspunkte der Maschinen ungünstig gewählt sind oder der Zustand von Verschleißteilen der Maschine nicht unmittelbar überwacht werden kann.The invention can be used in the operation of machines, in particular in the field of the industrial production of components. In such applications, the machines, in particular machine tools, not only have to have high performance, but also high availability. However, due to wear and tear, for example, there are often unexpected failures of the machines and / or quality deficits in the manufactured products. The reasons for such failures are often that the operating points of the machines have been chosen unfavorably or the condition of wear parts of the machine cannot be monitored directly.

Vor diesem Hintergrund ist es wünschenswert, Eigenschaften einer Maschine zu bestimmen, die messtechnisch nicht erfasst werden, um daraus Handlungsempfehlungen, beispielsweise zur Wartung der Maschine oder zur Optimierung des Betriebsmodus, abzuleiten. Dies kann beispielsweise durch statistische Berechnungen erfolgen. Allerdings erschweren sich ändernde Betriebsmodi bzw. das Fertigen verschiedener Bauteile auf derselben Maschine die, insbesondere dynamische, Berechnung von Abnutzungszuständen und der Lebensdauern der Komponenten der Maschinen.Against this background, it is desirable to determine properties of a machine that are not recorded by measurement in order to derive recommendations for action, for example for maintenance of the machine or for optimizing the operating mode. This can be done, for example, by statistical calculations. However, changing operating modes or the production of different components on the same machine make it more difficult, especially dynamic, calculation of wear conditions and the lifetimes of the components of the machines.

Zudem besteht das Problem, dass die Maschine, deren Eigenschaft bestimmt werden soll, im normalen Betrieb oftmals nicht sämtliche denkbaren Betriebspunkte durchläuft. Daher ist es in der Regel nur schwer möglich, Betriebsdaten der Maschine zu erheben, die es ermöglichen, ein Modell abzuleiten, welches eine umfassende Repräsentation der Maschine darstellt. Durch diese geringe Datenlage wird das Bestimmen einer Eigenschaft einer Maschine ohne messtechnisches Erfassen der Eigenschaft zusätzlich erschwert.In addition, there is the problem that the machine, the property of which is to be determined, often does not run through all conceivable operating points during normal operation. It is therefore usually difficult to collect operating data for the machine that makes it possible to derive a model that represents a comprehensive representation of the machine. This small amount of data makes it even more difficult to determine a property of a machine without measuring the property.

Aufgabe der vorliegenden Erfindung ist es, ein zuverlässiges Verfahren zum Bestimmen einer Eigenschaft einer Maschine ohne messtechnisches Erfassen der Eigenschaft anzugeben.The object of the present invention is to provide a reliable method for determining a property of a machine without measuring the property.

Die Aufgabe wird gelöst durch ein computerimplementiertes Verfahren zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft, mit den folgenden Verfahrensschritten:

  • - Erfassen einer oder mehrerer erster Zeitreihen einer oder mehrerer physikalischer Messgrößen der Maschine;
  • - Detektieren von Veränderungsstellen in der oder den ersten Zeitreihen;
  • - Extrahieren von Mustersequenz-Instanzen aus den ersten Zeitreihen basierend auf den detektierten Veränderungsstellen;
  • - Erzeugen mehrerer Mustersequenz-Klassen in Abhängigkeit von den extrahierten Mustersequenz-I nstanzen;
  • - Ermitteln mindestens einer Kenngröße mehrerer Mustersequenz-Instanzen derselben Mustersequenz-Klasse und eines ersten zeitlichen Verlaufs der Kenngröße;
  • - Erzeugen einer oder mehrerer virtueller Zeitreihen in Abhängigkeit von dem ermittelten ersten zeitlichen Verlauf der Kenngröße;
  • - Trainieren eines selbstlernenden Bestimmungsmoduls mittels der virtuellen Zeitreihen und des ermittelten ersten zeitlichen Verlaufs der Kenngröße;
  • - Erfassen einer oder mehrerer zweiter Zeitreihen einer oder mehrerer physikalischer Messgrößen;
  • - Bestimmen eines zweiten zeitlichen Verlaufs der Kenngröße durch das trainierte Bestimmungsmodul in Abhängigkeit von der oder den zweiten Zeitreihen;
  • - Bestimmen einer Eigenschaft der Maschine anhand der ermittelten zweiten Kenngröße und/oder anhand des ermittelten zweiten zeitlichen Verlaufs der Kenngröße.
The object is achieved by a computer-implemented method for determining a property of a machine, in particular a machine tool, without measuring the property, with the following method steps:
  • - Acquisition of one or more first time series of one or more physical measured variables of the machine;
  • - Detecting points of change in the first time series or series;
  • - Extracting pattern sequence instances from the first time series based on the detected change points;
  • - Generating several pattern sequence classes as a function of the extracted pattern sequence instances;
  • - Determination of at least one parameter of several pattern sequence instances of the same pattern sequence class and a first time course of the parameter;
  • - Generating one or more virtual time series as a function of the determined first time course of the parameter;
  • - Training a self-learning determination module by means of the virtual time series and the determined first time course of the parameter;
  • - Acquisition of one or more second time series of one or more physical measured variables;
  • - Determination of a second time course of the parameter by the trained determination module as a function of the second time series or series;
  • - Determination of a property of the machine on the basis of the determined second parameter and / or on the basis of the determined second time course of the parameter.

Bei dem erfindungsgemäßen Verfahren werden zunächst eine oder mehrere Zeitreihen einer oder mehrerer physikalischer Messgrößen der Maschine erfasst. Unter einer solchen Zeitreihe wird im Sinne der Erfindung ein zeitlicher Verlauf einer physikalischen Messgröße verstanden. In der oder den einzelnen Zeitreihen werden dann Veränderungsstellen detektiert, also Punkte oder Intervalle, in denen eine Veränderung im zeitlichen Verlauf der jeweiligen Messgröße eintritt. Diese Veränderungsstellen können als Markierung für Schnittpunkte in der Zeitreihe eingesetzt werden, welche die Zeitreihe in einzelne Sequenzen unterteilen. Anhand der detektierten Veränderungsstellen werden dann in der oder den einzelnen Zeitreihen Mustersequenz-Instanzen extrahiert. Diese Mustersequenz-Instanzen können beispielsweise durch die Veränderungsstellen begrenzt sein. Eine Mustersequenz-Instanz kann somit durch den zeitlichen Verlauf der jeweiligen Messgröße zwischen zwei detektierten Veränderungsstellen gebildet sein. Anhand der extrahierten Mustersequenz-Instanzen werden mehrere von Mustersequenz-Klassen erzeugt, d.h. in der Menge der extrahierten Mustersequenz-Instanzen identifiziert. Diese Mustersequenz-Klassen umfassen jeweils eine Vielzahl von Mustersequenz-Instanzen, die eine gewisse Ähnlichkeit bzw. eine bestimmte Gemeinsamkeit aufweisen. Dann wird mindestens eine Kenngröße mehrerer Mustersequenz-Instanzen derselben, insbesondere ausgewählten, Mustersequenz-Klasse ermittelt sowie ein zeitlicher Verlauf dieser Kenngröße. Auf Basis dieses zeitlichen Verlauf der Kenngröße werden dann eine oder mehrere virtuelle Zeitreihen erzeugt, also nicht durch eine Messung einer physikalischen Messgröße erfasste sondern künstlich erzeugte Daten, welche solche Messdaten einer physikalischen Messgröße ersetzen können. Mit den virtuellen Zeitreihen können die erfassten ersten Zeitreihen der physikalischen Messgröße ergänzt werden, beispielsweise um in den ersten Zeitreihen nicht enthaltene Betriebszustände der Maschine abzudecken, ohne dass die Maschine diese Betriebszustände tatsächlich einnehmen muss. Ein selbstlernendes Bestimmungsmodul wird dann mittels dieser virtuellen Zeitreihen und mittels des ermittelten zeitlichen Verlaufs der Kenngröße trainiert. Nachfolgend werden dann eine oder mehrere zweite Zeitreihen einer oder mehrerer physikalischer Messgrößen erfasst. Das trainierte Bestimmungsmodul wird dazu genutzt, einen zweiten zeitlichen Verlauf der Kenngröße im Betrieb der Maschine allein anhand der erfassten zweiten Zeitreihen zu bestimmen. Der zweite zeitliche Verlauf der Kenngröße kann eine Ergänzung des ersten zeitlichen Verlaufs sein. Anhand des ermittelten zweiten zeitlichen Verlaufs der Kenngröße wird dann die Eigenschaft der Maschine ermittelt, die messtechnisch nicht erfasst werden muss. Somit wird es möglich, einen nicht durch eine Messung erfassten physikalischen Effekt, insbesondere eine physikalische Größe oder eine Zustandsangabe, wie zum Beispiel einen Abnutzungsgrad einer Komponente der Maschine, zu bestimmen. Hierdurch kann z. B. die Wartung der Maschine genauer geplant werden, so dass die Verfügbarkeit der Maschine erhöht wird. Zudem ermöglicht die Erfindung, es Betriebszustände zum Training des selbstlernenden Bestimmungsmoduls zu verwenden, die im Betrieb der Maschine nur selten oder gar nicht eingenommen werden.In the method according to the invention, one or more time series of one or more physical measured variables of the machine are first recorded. In the context of the invention, such a time series is understood to mean a time course of a physical measured variable. Change points are then detected in the individual time series (s), that is to say points or intervals in which a change occurs in the course of the respective measured variable over time. These change points can be used as markers for intersections in the time series, which divide the time series into individual sequences. Using the detected change points, pattern sequence instances are then created in the individual time series or series extracted. These pattern sequence instances can be limited, for example, by the change points. A pattern sequence instance can thus be formed by the time course of the respective measured variable between two detected change points. On the basis of the extracted pattern sequence instances, several of pattern sequence classes are generated, ie identified in the set of extracted pattern sequence instances. These pattern sequence classes each include a multiplicity of pattern sequence instances which have a certain similarity or a certain commonality. Then at least one parameter of several pattern sequence instances of the same, in particular selected, pattern sequence class is determined, as well as a time profile of this parameter. On the basis of this temporal progression of the parameter, one or more virtual time series are then generated, that is, data not captured by a measurement of a physical measured variable but artificially generated data that can replace such measured data of a physical measured variable. The recorded first time series of the physical measured variable can be supplemented with the virtual time series, for example in order to cover operating states of the machine that are not contained in the first time series without the machine actually having to adopt these operating states. A self-learning determination module is then trained by means of these virtual time series and by means of the determined time course of the parameter. One or more second time series of one or more physical measured variables are then recorded. The trained determination module is used to determine a second time course of the parameter during operation of the machine solely on the basis of the recorded second time series. The second time profile of the parameter can be a supplement to the first time profile. The characteristic of the machine that does not have to be measured using the measurement technology is then determined on the basis of the second time course of the parameter. It is thus possible to determine a physical effect that is not recorded by a measurement, in particular a physical variable or a status information, such as, for example, the degree of wear of a component of the machine. This z. B. the maintenance of the machine can be planned more precisely, so that the availability of the machine is increased. In addition, the invention makes it possible to use operating states for training the self-learning determination module which are only rarely or not at all assumed when the machine is in operation.

Das selbstlernende Bestimmungsmodul ist bevorzugt dazu konfiguriert, ein Verfahren zum überwachten maschinellen Lernen (engl. supervised machine learning) durchzuführen. Als Verfahren zum überwachten maschinellen Lernen eigenen sich besonders Verfahren, die neuronale Netze verwenden, insbesondere Verfahren des Deep Learnings oder multivariate Analysemethoden, insbesondere Verfahren der Regression. Bei einem solchen Training können die virtuellen Zeitreihen als Eingangswerte und der ermittelte erste Verlauf der Kenngröße als (vermutete) Ausgangswerte eines Trainingsdatensatzes vorgegeben werden. Dabei können dem selbstlernenden Bestimmungsmodul zum Trainieren zusätzlich auch die ermittelten Mustersequenz-Instanzen und/oder eine für die jeweilige Mustersequenz-Klasse repräsentative Mustersequenz und/oder Angaben zu der zu ermittelnden Eigenschaft vorgegeben werden.The self-learning determination module is preferably configured to carry out a method for supervised machine learning. Methods that use neural networks, in particular deep learning methods or multivariate analysis methods, in particular regression methods, are particularly suitable as methods for monitored machine learning. In such a training, the virtual time series can be specified as input values and the determined first course of the parameter can be specified as (presumed) output values of a training data set. The self-learning determination module can also be given the determined pattern sequence instances and / or a pattern sequence representative of the respective pattern sequence class and / or information on the property to be determined for training purposes.

Optional kann das selbstlernende Bestimmungsmodul zusätzlich mittels der ersten Zeitreihen und mittels des ermittelten Verlaufs der Kenngröße trainiert werden. Hierdurch kann die Genauigkeit der Bestimmung des Verlaufs der Kenngröße und der Eigenschaft der Maschine erhöht werden.Optionally, the self-learning determination module can also be trained using the first time series and using the determined course of the parameter. This allows the accuracy of the determination of the course of the parameter and the property of the machine to be increased.

Die Maschine kann als Werkzeugmaschine ausgebildet sein. Alternativ ist es möglich, dass es sich bei der Maschine um einen Roboter, beispielsweise einen Fertigungsroboter, oder eine Windkraftanlage, ein Automobil, ein Luftfahrzeug, ein Wasserfahrzeug, ein Schienenfahrzeug, ein medizintechnisches Gerät handelt. Bei physikalischen Messgrößen derartiger Maschinen existieren Abschnitte, die kaum Störungsinformationen enthalten bzw. die allgemein kaum Überlagerungen durch verschiedene Informationen haben und sich dadurch besonders gut eignen, um indirekte Informationen bzgl. einer Eigenschaft der Maschine zu extrahieren, sofern geeignete Sensorsignale genutzt werden, hinsichtlich der Eigenschaft der Maschine.The machine can be designed as a machine tool. Alternatively, it is possible that the machine is a robot, for example a manufacturing robot, or a wind power plant, an automobile, an aircraft, a watercraft, a rail vehicle, a medical device. In the case of physical measured variables of such machines, there are sections that contain hardly any malfunction information or that generally have hardly any overlap with different information and are therefore particularly well suited to extracting indirect information regarding a property of the machine, provided that suitable sensor signals are used with regard to the property the machine.

Gemäß einer vorteilhaften Ausgestaltung der Erfindung ist vorgesehen, dass die Eigenschaft der Maschine eine Angabe zu einem Abnutzungszustand der Maschine oder eines Bauteils der Maschine ist. Beispielsweise kann die Eigenschaft ein Abnutzungszustand eines Werkzeugs der Maschine, insbesondere einer Wendeschneidplatte, eines Bohrers oder eines Fräsers, bevorzugt an einem Tool Center Point (TCP) der Maschine sein. Derartige Angaben sind messtechnisch oftmals nicht unmittelbar erfassbar oder sind abhängig von einer Vielzahl physikalischer Messgrößen. Durch das erfindungsgemäße Verfahren wird es möglich, solche Angaben zuverlässig zu bestimmen. Alternativ bevorzugt ist es, wenn die Eigenschaft der Maschine eine Angabe zu einer Temperatur in einem vorgegebenen Bereich der Maschine ist, beispielsweise in einem Bereich, in dem ein Temperatursensor zum Messen der Temperatur nicht angeordnet werden kann.According to an advantageous embodiment of the invention, it is provided that the property of the machine is an indication of a state of wear of the machine or a component of the machine. For example, the property can be a state of wear of a tool of the machine, in particular an indexable insert, a drill or a milling cutter, preferably at a tool center point (TCP) of the machine. Such information is often not directly detectable by measurement technology or is dependent on a large number of physical measured variables. The method according to the invention makes it possible to reliably determine such information. Alternatively, it is preferred if the property of the machine is an indication of a temperature in a predetermined area of the machine, for example in an area in which a temperature sensor for measuring the temperature cannot be arranged.

Gemäß einer vorteilhaften Ausgestaltung der Erfindung ist vorgesehen, dass die eine oder die mehreren physikalischen Messgrößen der Maschine ein Drehmoment und/oder eine Drehgeschwindigkeit und/oder ein elektrischer Strom und/oder eine elektrische Spannung und/oder eine Energie und/oder eine Temperatur und/oder eine Beschleunigung und/oder eine Geschwindigkeit und/oder eine Kraft und/oder eine Lageposition ist.According to an advantageous embodiment of the invention, it is provided that the one or more physical measured variables of the machine a torque and / or a rotational speed and / or an electric current and / or an electric voltage and / or an energy and / or a temperature and / or an acceleration and / or a speed and / or a force and / or a position .

Bevorzugt werden die eine oder die mehreren physikalischen Messgrößen der Maschine durch eine Sensoreinrichtung der Maschine erfasst. Bevorzugt umfasst die Sensoreinrichtung einen Drehmomentsensor und/oder einen Drehgeschwindigkeitssensor und/oder einen Stromsensor und/oder einen Spannungssensor und/oder einen Energiesensor und/oder einen Temperatursensor und/oder einen Beschleunigungssensor und/oder einen Geschwindigkeitssensor und/oder einen Kraftsensor und/oder einen Lagesensor. Die Sensoreinrichtung ist bevorzugt eine Sensoreinrichtung der Maschine, die konfiguriert ist, im Betrieb der Maschine erfasste Messgrößen an eine Steuereinrichtung der Maschine zu übermitteln. Es ist daher nicht erforderlich, eine zusätzliche Sensoreinrichtung an der Maschine vorzusehen, um die zur Ausführung des Verfahrens erforderlichen Messgröße zu ermitteln. Beispielsweise kann die Sensoreinrichtung eine Sensoreinrichtung an einem elektrischen Antrieb der Maschine sein, die im Betrieb der Maschine zum Steuern des Antriebs eingesetzt wird.The one or more physical measured variables of the machine are preferably detected by a sensor device of the machine. The sensor device preferably comprises a torque sensor and / or a rotational speed sensor and / or a current sensor and / or a voltage sensor and / or an energy sensor and / or a temperature sensor and / or an acceleration sensor and / or a speed sensor and / or a force sensor and / or a Position sensor. The sensor device is preferably a sensor device of the machine which is configured to transmit measured variables recorded during operation of the machine to a control device of the machine. It is therefore not necessary to provide an additional sensor device on the machine in order to determine the measured variable required to carry out the method. For example, the sensor device can be a sensor device on an electric drive of the machine, which is used to control the drive when the machine is in operation.

Gemäß einer vorteilhaften Ausgestaltung der Erfindung umfasst das Detektieren von Veränderungsstellen in der oder den ersten Zeitreihen das Detektieren von Wechselpunkten. Solche Wechselpunkte (engl. change point) werden bevorzugt durch einen Algorithmus zur Wechselpunkterkennung (engl. change point detection) ermittelt. Alternativ oder zusätzlich kann das Detektieren von Veränderungsstellen in der oder den ersten Zeitreihen das Detektieren von vorgegebenen Wechselsequenzen umfassen. Die vorgegebenen Wechselsequenzen können in einem Wechselsequenz-Speicher gespeichert sein, welcher bevorzugt in einer von der Maschine separat, insbesondere entfernt angeordneten Vorrichtung vorgesehen ist, beispielsweise in einer Cloud-Speichereinrichtung, die mit der Maschine über eine Kommunikationsverbindung, insbesondere ein Kommunikationsnetzwerk, verbunden ist. Die vorgegeben Wechselsequenzen können beispielsweise aus mindestens drei Punkten bestehen, die eine vorgegebene Abfolge von Steigungen der Zeitreihe definieren.According to an advantageous embodiment of the invention, the detection of change points in the first time series or series includes the detection of change points. Such change points are preferably determined by an algorithm for change point detection. Alternatively or additionally, the detection of change points in the first time series or series can include the detection of predetermined change sequences. The predetermined change sequences can be stored in a change sequence memory, which is preferably provided in a device that is separate from the machine, in particular remotely, for example in a cloud storage device that is connected to the machine via a communication link, in particular a communication network. The predetermined alternation sequences can consist, for example, of at least three points which define a predetermined sequence of slopes of the time series.

Gemäß einer vorteilhaften Ausgestaltung der Erfindung ist vorgesehen, dass das Detektieren von Veränderungsstellen in der oder den ersten Zeitreihen direkt anhand der Zeitreihe erfolgt, d.h. im Zeitbereich, beispielsweise durch Bilden einer Ableitung der Zeitreihe und/oder mittels des Douglas-Peucker-Algorithmus. Alternativ oder zusätzlich kann das Detektieren von Veränderungsstellen in der oder den ersten Zeitreihen indirekt anhand einer Transformation der Zeitreihe erfolgen, beispielsweise anhand einer Fourier-Transformation oder einer Wavelet-Transformation. Bevorzugt erfolgt vor dem Detektieren von Veränderungsstellen eine Vorverarbeitung der ersten Zeitreihen und/oder es erfolgt nach dem Detektieren von Veränderungsstellen eine Nachverarbeitung der detektierten Veränderungsstellen.According to an advantageous embodiment of the invention, it is provided that the detection of change points in the first time series or series takes place directly on the basis of the time series, i.e. in the time domain, for example by deriving the time series and / or using the Douglas-Peucker algorithm. Alternatively or additionally, the detection of change points in the first time series or series can take place indirectly using a transformation of the time series, for example using a Fourier transformation or a wavelet transformation. Pre-processing of the first time series is preferably carried out before the detection of change points and / or post-processing of the detected change points takes place after the detection of change points.

Bevorzugt umfasst das Extrahieren von Mustersequenz-Instanzen aus den ersten Zeitreihen basierend auf den detektierten Veränderungsstellen ein Ermitteln einer Kandidaten-Sequenz zwischen zwei Veränderungsstellen. Eine solche Kandidaten-Sequenz ist eine Sequenz der Zeitreihe, die möglicherweise eine Mustersequenz-Instanz darstellt. Die Länge der jeweiligen Kandidaten-Sequenz kann mit einer vorgegebenen Mindest-Sequenzlänge verglichen werden. Alternativ kann überprüft werden, ob die Länge der jeweiligen Kandidaten-Sequenz in einem vorgegebenen Sequenzlängenbereich liegt. Bevorzugt wird die Kandidaten-Sequenz nur dann als Mustersequenz-Instanz angesehen, wenn die Länge der Kandidaten-Sequenz größer oder gleich der vorgegebenen Mindest-Sequenzlänge ist bzw. wenn die Länge der Kandidaten-Sequenz in dem vorgegebenen Sequenzlängenbereich liegt.The extraction of pattern sequence instances from the first time series based on the detected change points preferably includes determining a candidate sequence between two change points. Such a candidate sequence is a sequence of the time series which possibly represents a sample sequence instance. The length of the respective candidate sequence can be compared with a predetermined minimum sequence length. Alternatively, it can be checked whether the length of the respective candidate sequence lies in a predetermined sequence length range. The candidate sequence is preferably only viewed as a pattern sequence instance if the length of the candidate sequence is greater than or equal to the predefined minimum sequence length or if the length of the candidate sequence lies in the predefined sequence length range.

Als vorteilhaft hat es sich erwiesen, wenn das Erzeugen mehrerer Mustersequenz-Klassen durch ein Verfahren zum unüberwachten maschinellen Lernen (engl. unsupervised machine learning) erfolgt. Bei einem derartigen Verfahren zum unüberwachten maschinellen Lernen werden in Eingangsdaten, die die Mustersequenz-Instanzen umfassen, Mustersequenz-Klassen erkannt, so dass die Zuordnung einzelner Mustersequenz-Instanzen zu Mustersequenz-Klassen anschließend bekannt ist. Beispielsweise kann das Erzeugen mehrerer Mustersequenz-Klassen durch eine Hauptkomponentenanalyse oder durch einen k-means-Algorithmus erfolgen.It has proven to be advantageous if a number of pattern sequence classes are generated using a method for unsupervised machine learning. In such a method for unsupervised machine learning, pattern sequence classes are recognized in input data that comprise the pattern sequence instances, so that the assignment of individual pattern sequence instances to pattern sequence classes is then known. For example, several pattern sequence classes can be generated by a principal component analysis or by a k-means algorithm.

Vorteilhaft ist es, wenn das Erzeugen von Mustersequenz-Klassen ein Vergleichen mehrerer Kandidaten-Sequenzen umfasst. Bevorzugt wird ein Verlauf mehrerer Kandidaten-Sequenzen, insbesondere eine Abfolge von Abschnitten mit unterschiedlicher Steigung, miteinander verglichen. Das Vergleichen umfasst bevorzugt die Ermittlung eines Ähnlichkeitsgrads zwischen mehreren Kandidaten-Sequenzen. Bevorzugt werden mehrere Kandidaten-Sequenzen derselben Mustersequenz-Klasse zugeordnet, wenn der ermittelte Ähnlichkeitsgrad größer ist als ein vorgegebener Ähnlichkeits-Schwellenwert. Zur Ermittlung des Ähnlichkeitsgrads kann mindestens ein mathematischer Abstand zweier Kandidaten-Sequenzen bestimmt werden, beispielsweise ein Wasserstein-Abstand (Kantorovich-Monge-Rubinstein Metrik) und/oder ein Total Variation-Abstand und/oder ein Kolmogorov-Smirnov-Abstand und/oder ein Dynamic-Time-Warping-Abstand.It is advantageous if the generation of pattern sequence classes includes a comparison of several candidate sequences. A course of several candidate sequences, in particular a sequence of sections with different slopes, is preferably compared with one another. The comparison preferably includes the determination of a degree of similarity between a plurality of candidate sequences. A plurality of candidate sequences are preferably assigned to the same pattern sequence class if the determined degree of similarity is greater than a predefined similarity threshold value. To determine the degree of similarity, at least one mathematical distance between two candidate sequences can be determined, for example a Wasserstein distance (Kantorovich-Monge-Rubinstein metric) and / or a total variation distance and / or a Kolmogorov-Smirnov distance and / or a dynamic time warping distance.

Alternativ oder zusätzlich kann das Vergleichen die Ermittlung einer Verteilung von Daten in den Kandidaten-Sequenzen umfassen, beispielsweise einen Histogramm-Vergleich oder eine Korrelation. Weiter alternativ kann das Vergleichen zweier Kandidaten-Sequenzen das Vergleichen folgender Kenngrößen umfassen: Mean, Anzahl Peaks.Alternatively or additionally, the comparison can include the determination of a distribution of data in the candidate sequences, for example a histogram comparison or a correlation. As a further alternative, the comparison of two candidate sequences can include the comparison of the following parameters: mean, number of peaks.

Bevorzugt erfolgt das Erzeugen mehrerer Mustersequenz-Klassen in zwei Teilschritten: In einem erstem Teilschritt werden mehrere, insbesondere alle, Kandidaten-Sequenzen miteinander verglichen, um eine Ähnlichkeit jeweils zweier Kandidaten-Sequenzen zu ermitteln. In einem zweiten Teilschritt werden mehrere ähnliche Kandidaten-Sequenzen in einer neuen Mustersequenz-Klasse aggregiert sofern es nicht schon eine existierende und auf Grund der Ähnlichkeit passende Mustersequenz-Klasse gibt, der sie zugeordnet werden können. Um möglichst schnell ähnliche Mustersequenz-Klassen zu ermitteln, wird bevorzugt zunächst mit den in der letzten Zeit am häufigsten vorkommenden Mustersequenz-Klassen verglichen.A plurality of pattern sequence classes are preferably generated in two sub-steps: In a first sub-step, several, in particular all, candidate sequences are compared with one another in order to determine a similarity between two candidate sequences. In a second sub-step, several similar candidate sequences are aggregated in a new pattern sequence class, unless there is already an existing pattern sequence class that is suitable due to the similarity and to which they can be assigned. In order to determine similar pattern sequence classes as quickly as possible, a comparison is preferably first made with the pattern sequence classes that have occurred most frequently recently.

Gemäß einer vorteilhaften Ausgestaltung der Erfindung wird anschließend an das Erzeugen der Mustersequenz-Klassen der folgende Verfahrensschritt durchgeführt:

  • - Zuordnen der Mustersequenz-Klassen zu Betriebszuständen der Maschine und/oder einer Komponente der Maschine und/oder einem Werkzeug der Maschine in Abhängigkeit von durch eine Steuereinheit der Maschine bereitgestellten Betriebszustandsinformationen.
According to an advantageous embodiment of the invention, the following method step is carried out after the generation of the pattern sequence classes:
  • - Assignment of the pattern sequence classes to operating states of the machine and / or a component of the machine and / or a tool of the machine as a function of operating state information provided by a control unit of the machine.

In diesem weiteren Verfahrensschritt werden die erzeugten Mustersequenz-Klassen verschiedenen Betriebszuständen der Maschine zugeordnet, wobei dies in Abhängigkeit von Betriebszustandsinformationen erfolgen kann, die korrespondierend zu der Zeitreihe der jeweiligen Messgröße den zeitlichen Verlauf des Betriebszustands der Maschine abbilden. Diese Betriebszustandsinformationen werden durch eine Steuereinheit der Maschine bereitgestellt und erlauben es, einen Kontextbezug zwischen den Mustersequenz-Klassen und dem Betriebszustand der Maschine herzustellen. Die Steuereinheit der Maschine kann die Betriebszustandsinformationen anhand eines Programmcodes zur Steuerung der Maschine ermitteln, beispielsweise anhand eines CNC-Programmcodes (CNC, engl. computerized numerical control). Bevorzugt wird eine Mustersequenz-Klasse ausgewählt, die einem Betriebszustand zugeordnet ist, der charakteristisch für die zu bestimmende Eigenschaft der Maschine ist.In this further process step, the generated pattern sequence classes are assigned to different operating states of the machine, this being able to take place as a function of operating state information which, corresponding to the time series of the respective measured variable, depicts the temporal course of the operating state of the machine. This operating status information is provided by a control unit of the machine and allows a contextual relationship to be established between the pattern sequence classes and the operating status of the machine. The control unit of the machine can determine the operating status information using a program code for controlling the machine, for example using a CNC program code (CNC, computerized numerical control). A pattern sequence class is preferably selected which is assigned to an operating state that is characteristic of the property of the machine to be determined.

Bevorzugt wird geprüft, ob die Mustersequenz-Klasse, insbesondere sämtliche Mustersequenz-Instanzen einer Mustersequenz-Klasse, genau einem Betriebszustand der Maschine und/oder einer Komponente der Maschine und/oder einem Werkzeug der Maschine, beispielsweise einem Betrieb der Maschine mit demselben Werkzeug, zugeordnet werden kann. Falls die Mustersequenz-Klasse bzw. die Mustersequenz-Instanzen der Mustersequenz-Klasse mehreren Betriebszuständen zugeordnet werden können, wird die Mustersequenz-Klasse bevorzugt in mehrere neue Mustersequenz-Klassen unterteilt, wobei jede dieser neuen Mustersequenz-Klassen genau einem Betriebszustand zugeordnet ist.It is preferably checked whether the pattern sequence class, in particular all pattern sequence instances of a pattern sequence class, is assigned to exactly one operating state of the machine and / or a component of the machine and / or a tool of the machine, for example an operation of the machine with the same tool can be. If the pattern sequence class or the pattern sequence instances of the pattern sequence class can be assigned to several operating states, the pattern sequence class is preferably divided into several new pattern sequence classes, each of these new pattern sequence classes being assigned to exactly one operating state.

Bevorzugt wird den Mustersequenz-Klassen jeweils ein Bezeichner vergeben und es werden in den ersten Zeitreihen Sequenzen von Mustersequenz-Klassen ermittelt. Diese Sequenzen von Mustersequenz-Klassen werden durch Sequenzen ihrer Bezeichner beschrieben, durch so genannte Bezeichnungssequenzen. Bevorzugt werden in den Bezeichnungssequenzen Muster ermittelt, insbesondere durch z.B. string clustering und/oder durch Lösungsverfahren für das Common Approximate Subsequence Problem. Das Ermitteln der Muster kann hierarchisch, also wiederholt auf das Ergebnis, geschehen und ermöglicht dadurch auch die Erkennung von Sequenzen von Betriebszuständen der Maschine und/oder einer Komponente der Maschine und/oder einem Werkzeug der Maschine. Hierdurch können mit der Maschine gefertigte Produkte bzw. durch die Maschine durchgeführte Fertigungsabläufe erkannt werden.An identifier is preferably assigned to each of the pattern sequence classes and sequences of pattern sequence classes are determined in the first time series. These sequences of pattern sequence classes are described by sequences of their identifiers, so-called identifying sequences. Patterns are preferably determined in the designation sequences, in particular through e.g. string clustering and / or through solution methods for the Common Approximate Subsequence Problem. The determination of the pattern can be done hierarchically, that is to say repeatedly on the result, and thereby also enables sequences of operating states of the machine and / or a component of the machine and / or a tool of the machine to be recognized. In this way, products manufactured with the machine or manufacturing processes carried out by the machine can be recognized.

Gemäß einer alternativen vorteilhaften Ausgestaltung der Erfindung wird anschließend an das Erzeugen der Mustersequenz-Klassen der folgende Verfahrensschritt durchgeführt:

  • - Zuordnen der Mustersequenz-Klassen zu Betriebszuständen der Maschine und/oder einer Komponente der Maschine und/oder einem Werkzeug der Maschine in Abhängigkeit von durch einen Bediener der Maschine oder ein der Maschine übergeordnetes System bereitgestellten Betriebszustandsinformationen.
According to an alternative advantageous embodiment of the invention, the following method step is carried out after the generation of the pattern sequence classes:
  • - Assignment of the pattern sequence classes to operating states of the machine and / or a component of the machine and / or a tool of the machine as a function of operating state information provided by an operator of the machine or a system superordinate to the machine.

In diesem weiteren Verfahrensschritt werden die erzeugten Mustersequenz-Klassen verschiedenen Betriebszuständen der Maschine und/oder einer Komponente der Maschine und/oder einem Werkzeug der Maschine zugeordnet, wobei dies in Abhängigkeit von Betriebszustandsinformationen erfolgen kann, die korrespondierend zu der Zeitreihe der jeweiligen Messgröße den zeitlichen Verlauf des Betriebszustands der Maschine abbilden. Diese Betriebszustandsinformationen werden durch einen Bediener der Maschine oder ein der Maschine übergeordnetes System bereitgestellt. Ein solches System kann beispielsweise ein Manufacturing Execution System (MES) sein.In this further method step, the generated pattern sequence classes are assigned to different operating states of the machine and / or a component of the machine and / or a tool of the machine, whereby this can be done as a function of operating state information that corresponds to the time series of the respective measured variable map the operating status of the machine. This operating status information is provided by an operator of the machine or a system superordinate to the machine. One such The system can be, for example, a Manufacturing Execution System (MES).

Gemäß einer vorteilhaften Ausgestaltung ist die ermittelte Kenngröße der mehreren Mustersequenz-Instanzen ein Mittelwert einer Mustersequenz-Instanz und/oder ein Maximalwert einer Mustersequenz-Instanz und/oder ein Minimalwert einer Mustersequenz-Instanz. Alternativ oder zusätzlich kann die Kenngröße anhand einer Transformation der Mustersequenz-Instanzen erfolgen, beispielsweise anhand einer Transformation in den Frequenzraum, insbesondere einer Fourier-Transformation oder einer Wavelet-Transformation. Die Kenngröße kann somit eine im Zeitbereich ermittelte Kenngröße sein oder eine in einem Transformationsraum, insbesondere im Frequenzbereich, ermittelte Kenngröße oder eine Kombination aus einer im Zeitbereich ermittelte Kenngröße und einer in einem Transformationsraum, insbesondere im Frequenzbereich, ermittelten Kenngröße. Die Kenngröße kann mit der Eigenschaft der Maschine gemäß einer Zielfunktion korrelieren. Bevorzugt wird diese Zielfunktion definiert, indem sie durch einen Bediener der Maschine eingegeben wird oder sie wird, z.B. über eine Regression, über ein Neuronales Netz oder ähnliches, automatisiert ermittelt.According to an advantageous embodiment, the determined parameter of the plurality of pattern sequence instances is an average value of a pattern sequence instance and / or a maximum value of a pattern sequence instance and / or a minimum value of a pattern sequence instance. Alternatively or additionally, the parameter can take place using a transformation of the pattern sequence instances, for example using a transformation into the frequency space, in particular a Fourier transformation or a wavelet transformation. The parameter can thus be a parameter determined in the time domain or a parameter determined in a transformation space, in particular in the frequency domain, or a combination of a parameter determined in the time domain and a parameter determined in a transformation space, in particular in the frequency domain. The parameter can correlate with the property of the machine according to an objective function. This objective function is preferably defined in that it is entered by an operator of the machine or it is determined automatically, e.g. via a regression, a neural network or the like.

Eine bevorzugte Ausgestaltung sieht vor, dass zusätzlich zu dem Ermitteln mindestens einer (ersten) Kenngröße mehrerer Mustersequenz-Instanzen einer (ersten) Mustersequenz-Klasse und eines zeitlichen Verlaufs der (ersten) Kenngröße ein Ermitteln mindestens einer weiteren (zweiten) Kenngröße mehrerer Mustersequenz-Instanzen einer weiteren (zweiten) Mustersequenz-Klasse und eines zeitlichen Verlaufs dieser weiteren (zweiten) Kenngröße erfolgt.A preferred embodiment provides that in addition to determining at least one (first) parameter of several pattern sequence instances of a (first) pattern sequence class and a temporal course of the (first) parameter, at least one further (second) parameter of several pattern sequence instances is to be determined a further (second) pattern sequence class and a time course of this further (second) parameter takes place.

Gemäß einer vorteilhaften Ausgestaltung der Erfindung werden zum Erzeugen der einen oder mehreren virtuellen Zeitreihen eine oder mehrere virtuelle Mustersequenzen erzeugt. Die virtuellen Mustersequenzen können unbeobachtete Betriebspunkte der Maschine betreffen. Die virtuellen Mustersequenzen werden bevorzugt in Abhängigkeit von dem ermittelten ersten zeitlichen Verlauf der Kenngröße erzeugt. Eine virtuelle Zeitreihe kann dabei eine oder mehrere virtuelle Mustersequenzen umfassen.According to an advantageous embodiment of the invention, one or more virtual pattern sequences are generated to generate the one or more virtual time series. The virtual pattern sequences can relate to unobserved operating points of the machine. The virtual pattern sequences are preferably generated as a function of the determined first time profile of the parameter. A virtual time series can include one or more virtual pattern sequences.

Gemäß einer vorteilhaften Ausgestaltung ist vorgesehen, dass das Erzeugen der einen oder mehreren virtuellen Zeitreihen, insbesondere virtuellen Mustersequenzen, zusätzlich in Abhängigkeit von einer Mustersequenz-Klasse und/oder mehreren Mustersequenz-Instanzen derselben Mustersequenz-Klasse erfolgt. Hierdurch können die virtuellen Zeitreihen derart erzeugt werden, dass die in ihnen enthaltenen virtuellen Mustersequenzen statistische Merkmale und/oder Kenngrößen der jeweiligen Mustersequenz-Klasse aufweisen.According to an advantageous embodiment, it is provided that the generation of the one or more virtual time series, in particular virtual pattern sequences, also takes place as a function of a pattern sequence class and / or several pattern sequence instances of the same pattern sequence class. As a result, the virtual time series can be generated in such a way that the virtual pattern sequences contained in them have statistical features and / or parameters of the respective pattern sequence class.

Eine vorteilhafte Ausgestaltung sieht vor, dass das Erzeugen der einen oder mehreren virtuellen Zeitreihen zusätzlich in Abhängigkeit einer vorgegebenen Eigenschaft des Verlaufs erfolgt, insbesondere von einem vorgegebenen Monotonieverhalten des Verlaufs und/oder von einem vorgegebenen Minimum und/oder von einem vorgegebenen Maximum. Durch die vorgegebene Eigenschaft kann a-priori-Wissen betreffend den Verlauf der Kenngröße zur Erzeugung der virtuellen Zeitreihen eingebracht werden. Beispielsweise kann ein vorgegebenes Monotonieverhalten herangezogen werden, wenn bekannt ist, dass der zeitliche Verlauf der Kenngröße durch Verschleiß monoton steigend ist. Alternativ ist es möglich, dass der Verlauf der Kenngröße durch Verschleiß monoton fallend ist. Alternativ oder zusätzlich kann eine vorgegebene Eigenschaft des Verlaufs in einem Maximum oder einem Minimum bestehen, wenn bekannt ist, dass die entsprechende Kenngröße typischerweise größer ist als dieses Minimum und/oder typischerweise kleiner ist als dieses Maximum. Die vorgegebene Eigenschaft kann ferner eine vorgegebene Größenordnung der Kenngröße sein, wenn bekannt ist, dass die Kenngröße typischerweise eine vorgegebene Größenordnung aufweist.An advantageous embodiment provides that the one or more virtual time series are also generated as a function of a predefined property of the curve, in particular a predefined monotonic behavior of the curve and / or a predefined minimum and / or a predefined maximum. A priori knowledge relating to the course of the parameter for generating the virtual time series can be introduced through the specified property. For example, a predefined monotonic behavior can be used if it is known that the time course of the parameter is monotonically increasing due to wear. Alternatively, it is possible for the characteristic variable to decrease monotonically due to wear. As an alternative or in addition, a predetermined property of the profile can consist of a maximum or a minimum if it is known that the corresponding parameter is typically greater than this minimum and / or is typically less than this maximum. The predefined property can also be a predefined order of magnitude of the parameter if it is known that the parameter typically has a predefined order of magnitude.

In diesem Zusammenhang ist es vorteilhaft, wenn die vorgegebene Eigenschaft durch einen Benutzer vorgegeben wird. Der Benutzer kann beispielsweise ein Technologe oder ein Maschinenführer sein. Beispielsweise kann der Benutzer das Monotonieverhalten des Verlaufs aufgrund seiner Erfahrung vorgeben.In this context it is advantageous if the predefined property is predefined by a user. The user can be, for example, a technologist or a machine operator. For example, the user can specify the monotony behavior of the course based on his experience.

Alternativ kann vorgesehen sein, dass die vorgegebene Eigenschaft durch eine Simulation von Abläufen in der Maschine erhalten wird. Anhand der Simulation kann ein Monotonieverhalten, ein Maximum, ein Minimum oder eine Größenordnung des Kennwerts ermittelt werde. Beispielsweise kann der Verlauf einer an einem Bauteil der Maschine angreifenden Kraft simuliert werden, z. B. an einer Werkzeugschneide. Das Ergebnis der Simulation kann herangezogen werden, um das Monotonieverhalten, ein Maximum, ein Minimum oder die Größenordnung der Kenngröße „Kraft“ vorzugeben.Alternatively, it can be provided that the predefined property is obtained by simulating processes in the machine. The simulation can be used to determine a monotonic behavior, a maximum, a minimum or an order of magnitude of the characteristic value. For example, the course of a force acting on a component of the machine can be simulated, e.g. B. on a tool cutting edge. The result of the simulation can be used to specify the monotony behavior, a maximum, a minimum or the order of magnitude of the "force" parameter.

Eine alternative, vorteilhafte Ausgestaltung sieht vor, dass die vorgegebene Eigenschaft durch Beobachtung einer weiteren Maschine erhalten wird. Bei der weiteren Maschine handelt es sich vorteilhafterweise um eine ähnliche oder baugleiche Maschine oder eine Maschine, die einen ähnlichen oder identischen Prozess ausführt. Beispielsweise können Beobachtungen zum Verschließ an einer ersten Maschine auf eine zweite Maschine übertragen werden.An alternative, advantageous embodiment provides that the predefined property is obtained by observing another machine. The further machine is advantageously a similar or identical machine or a machine that carries out a similar or identical process. For example, observations on the closure on a first machine can be transferred to a second machine.

Gemäß einer vorteilhaften Ausgestaltung ist vorgesehen, dass das Erzeugen der einen oder mehreren virtuellen Zeitreihen mittels eines Gaußprozessmodells erfolgt. Bevorzugt wird dabei zunächst für eine oder mehrere Mustersequenz-Klassen ein Gaußprozessmodell angelernt, wobei bevorzugt die extrahierten Mustersequenz-Instanzen einer gemeinsamen Mustersequenz-Klasse zum Anlernen des Gaußprozessmodells verwendet werden. Bevorzugt wird das angelernte Gaußprozessmodell in dem Anlernen nachfolgenden Schritt zur Erzeugung virtueller Zeitreihen, insbesondere zur Erzeugung virtueller Mustersequenzen, verwendet. Bevorzugt werden statistische Eigenschaften durch Vorgeben eines Hyperparameters einer Kovarianzfunktion des Gaußprozessmodells eingestellt.According to an advantageous embodiment, it is provided that the one or more virtual time series are generated by means of a Gaussian process model. Preferably, a Gaussian process model is first learned for one or more pattern sequence classes, the extracted pattern sequence instances of a common pattern sequence class preferably being used to learn the Gaussian process model. The learned Gaussian process model is preferably used in the subsequent learning step for generating virtual time series, in particular for generating virtual pattern sequences. Statistical properties are preferably set by specifying a hyper parameter of a covariance function of the Gaussian process model.

Gemäß einer alternativen, vorteilhaften Ausgestaltung ist vorgesehen, dass das Erzeugen der einen oder mehreren virtuellen Zeitreihen durch Auswahl einer Mustersequenz-Instanz und nachfolgendes Verändern der ausgewählten Mustersequenz-Instanz erfolgt. Das Verändern der Mustersequenz-Instanz kann das Einfügen von Rauschen und/oder das Durchführen einer Glättung und/oder ein Upsampling und/oder ein Downsampling und/oder das Einfügen eines Maximums und/oder das Einfügen eines Minimums und/oder das Verstärken eines Maximums und/oder das Verstärken eines Minimums umfassen.According to an alternative, advantageous embodiment, it is provided that the one or more virtual time series are generated by selecting a pattern sequence instance and then changing the selected pattern sequence instance. Changing the pattern sequence instance can insert noise and / or carry out smoothing and / or upsampling and / or downsampling and / or insert a maximum and / or insert a minimum and / or amplify a maximum and / or reinforcing a minimum.

Gemäß einer alternativen, vorteilhaften Ausgestaltung ist vorgesehen, dass das Erzeugen der einen oder mehreren virtuellen Zeitreihen mittels eines künstlichen neuronalen Netzwerks erfolgt. Insofern kann ein erzeugendes neuronales Netz (eng. generative neuralnetwork, kurz GN) zur Anwendung kommen. Alternativ ist es möglich, dass das Erzeugen der einen oder mehreren virtuellen Zeitreihen mittels einer Regression erfolgt.According to an alternative, advantageous embodiment, it is provided that the one or more virtual time series are generated by means of an artificial neural network. In this respect, a generating neural network (eng. Generative neural network, GN for short) can be used. Alternatively, it is possible for the one or more virtual time series to be generated by means of a regression.

Vorteilhaft ist es, wenn die erzeugten virtuellen Zeitreihen eine oder mehrere Mustersequenzen aufweisen und vor dem Trainieren des selbstlernenden Bestimmungsmoduls mittels der virtuellen Zeitreihen eine Wahrscheinlichkeit bestimmt wird, dass die eine oder mehreren virtuellen Mustersequenzen der erzeugten virtuellen Zeitreihen einer Mustersequenz-Klasse zugehören. Bevorzugt wird zur Ermittlung der Wahrscheinlichkeit ein Ähnlichkeitsgrad zwischen einer virtuellen Mustersequenz und einer (realen) Mustersequenz-Instanz einer Mustersequenz-Klasse berechnet. Zur Berechnung des Ähnlichkeitsgrads kann mindestens ein mathematischer Abstand zwischen der virtuellen Mustersequenz und der realen Mustersequenz-Instanz bestimmt werden, beispielsweise ein Wasserstein-Abstand (Kantorovich-Monge-Rubinstein Metrik) und/oder ein Total Variation-Abstand und/oder ein Kolmogorov-Smirnov-Abstand und/oder ein Dynamic-Time-Warping-Abstand.It is advantageous if the generated virtual time series have one or more pattern sequences and prior to training the self-learning determination module using the virtual time series, a probability is determined that the one or more virtual pattern sequences of the generated virtual time series belong to a pattern sequence class. To determine the probability, a degree of similarity between a virtual pattern sequence and a (real) pattern sequence instance of a pattern sequence class is preferably calculated. To calculate the degree of similarity, at least one mathematical distance between the virtual pattern sequence and the real pattern sequence instance can be determined, for example a Wasserstein distance (Kantorovich-Monge-Rubinstein metric) and / or a total variation distance and / or a Kolmogorov-Smirnov Distance and / or a dynamic time warping distance.

In diesem Zusammenhang ist es bevorzugt, wenn die Bestimmung der Wahrscheinlichkeit mittels einer Likelihood-Funktion oder mittels eines weiteren, künstlichen neuronalen Netzwerks erfolgt. Wird ein weiteres, künstliches neuronales Netzwerk verwendet, so kann ein erzeugendes generisches Netzwerk (engl. generative adversarial network, kurz GAN) gebildet werden.In this context it is preferred if the determination of the probability takes place by means of a likelihood function or by means of a further, artificial neural network. If a further, artificial neural network is used, a generating generic network (generative adversarial network, GAN for short) can be formed.

Alternativ kann das Erzeugen der virtuellen Zeitreihen, insbesondere virtuellen Mustersequenzen, nach dem Prinzip des reinforcement learning erfolgen. Hierbei die bestimmte Wahrscheinlichkeit, beispielsweise ein Ergebnis der likelihood-Funktion, als Feedback zum Anlernen des erzeugenden neuronalen Netzes oder der Regression verwendet werden.Alternatively, the virtual time series, in particular virtual pattern sequences, can be generated according to the principle of reinforcement learning. Here, the specific probability, for example a result of the likelihood function, can be used as feedback for teaching the generating neural network or the regression.

Ein weiterer Gegenstand der Erfindung ist ein System zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft, umfassend einen Prozessor, der zur Ausführung eines vorstehend beschriebenen Verfahrens zum Bestimmen einer Eigenschaft einer Maschine konfiguriert ist.Another object of the invention is a system for determining a property of a machine, in particular a machine tool, without measuring the property, comprising a processor which is configured to carry out a method described above for determining a property of a machine.

Bei dem System können dieselben Vorteile erreicht werden, wie sie im Zusammenhang mit dem Verfahren zum Bestimmen einer Eigenschaft einer Maschine beschrieben worden sind.The same advantages can be achieved with the system as have been described in connection with the method for determining a property of a machine.

Gemäß einer vorteilhaften Ausgestaltung weist das System eine erste Einheit auf, die zur Anordnung im Bereich der Maschine konfiguriert ist, und eine zweite Einheit aufweist, die zur Anordnung separat von der Maschine, insbesondere als Teil einer Cloud, konfiguriert ist, wobei die zweite Einheit eine Speichereinrichtung aufweist, in welcher die erzeugten Mustersequenz-Klassen gespeichert werden. Durch die Anordnung der Speichereinrichtung für die Mustersequenz-Klassen wird es möglich, eine gemeinsame Speichereinrichtung für eine Vielzahl von Maschinen zu verwenden. Die Mustersequenz-Klassen können als Teil einer gemeinsamen Datenbank für mehrere baugleiche oder verschiedenen Maschinen gespeichert werden, wobei den Mustersequenz-Klassen bevorzugt Betriebszustände der Maschine und/oder einer Komponente der Maschine und/oder einem Werkzeug der Maschine zugeordnet sind.According to an advantageous embodiment, the system has a first unit which is configured for arrangement in the area of the machine, and a second unit which is configured for arrangement separately from the machine, in particular as part of a cloud, the second unit being a Having memory device in which the generated pattern sequence classes are stored. The arrangement of the memory device for the pattern sequence classes makes it possible to use a common memory device for a large number of machines. The pattern sequence classes can be stored as part of a common database for several identical or different machines, the pattern sequence classes preferably being assigned operating states of the machine and / or a component of the machine and / or a tool of the machine.

In diesem Zusammenhang hat es sich als vorteilhaft erwiesen, wenn die erste Einheit eine Puffer-Speichereinrichtung aufweist, in welcher eine Teilmenge der in der Speichereinrichtung der zweiten Einheit gespeicherten Mustersequenz-Klassen gespeichert sind. Bevorzugt sind in der Puffer-Speichereinrichtung häufig genutzte Mustersequenz-Klassen gespeichert, beispielsweise solche Mustersequenz-Klassen, die in einem abgelaufenen Zeitraum genutzt wurden. Hierdurch kann der Zugriff auf häufig genutzte Mustersequenz-Klassen beschleunigt werden.In this context, it has proven to be advantageous if the first unit has a buffer storage device in which a subset of the pattern sequence classes stored in the storage device of the second unit are stored. Frequently used pattern sequence classes are preferably stored in the buffer storage device, for example those pattern sequence classes. Classes that have been used in an elapsed period. This can speed up access to frequently used pattern sequence classes.

Beschrieben wird ferner die Verwendung eines vorstehend genannten Systems zum Bestimmen eines Abnutzungszustands einer als Werkzeugmaschine oder als Industrieroboter ausgebildeten Maschine.The use of a system mentioned above for determining a state of wear of a machine designed as a machine tool or as an industrial robot is also described.

Ein weiterer Gegenstand der Erfindung ist ein Computerprogramm umfassend Befehle, die bei der Ausführung des Computerprogramms durch einen Computer diesen veranlassen, ein vorstehend erläutertes Verfahren zum Bestimmen einer Eigenschaft einer Maschine auszuführen.Another subject matter of the invention is a computer program comprising instructions which, when the computer program is executed by a computer, cause the computer to execute a method explained above for determining a property of a machine.

Ein weiterer Gegenstand der Erfindung ist ein computerlesbares Medium umfassend Befehle, die bei der Ausführung der Befehle durch einen Computer diesen veranlassen, ein vorstehend erläutertes Verfahren zum Bestimmen einer Eigenschaft einer Maschine auszuführen.Another subject matter of the invention is a computer-readable medium comprising instructions which, when the instructions are executed by a computer, cause the computer to carry out a method explained above for determining a property of a machine.

Weitere Einzelheiten und Vorteile der Erfindung sollen nachfolgend anhand des in den Zeichnungen dargestellten Ausführungsbeispiels erläutert werden. Die Zeichnungen illustrieren dabei lediglich eine beispielhafte Ausführungsform der Erfindung, welche den Erfindungsgedanken nicht einschränkt. Hierin zeigt:

  • 1 ein Ablaufdiagramm eines Verfahrens zum Bestimmen einer Eigenschaft einer Maschine gemäß einem Ausführungsbeispiel der Erfindung;
  • 2 eine beispielhafte Zeitreihe einer physikalischen Messgröße einer Maschine;
  • 3 die beispielhafte Zeitreihe mit markierten Veränderungsstellen;
  • 4 eine beispielhafte Zeitreihe mit extrahierten Mustersequenz-Instanzen;
  • 5 eine beispielhafte Zeitreihe mit extrahierten Mustersequenz-Instanzen derselben Mustersequenz-Klasse und ein zeitlicher Verlauf einer beispielhaften Kenngröße der Mustersequenz-Instanzen; und
  • 6 ein Ablaufdiagramm eines Verfahrens zum Bestimmen einer Eigenschaft einer Maschine gemäß einem weiteren Ausführungsbeispiel der Erfindung.
Further details and advantages of the invention are to be explained below with reference to the exemplary embodiment shown in the drawings. The drawings only illustrate an exemplary embodiment of the invention, which does not restrict the inventive concept. Herein shows:
  • 1 a flowchart of a method for determining a property of a machine according to an embodiment of the invention;
  • 2 an exemplary time series of a physical measured variable of a machine;
  • 3rd the exemplary time series with marked change points;
  • 4th an exemplary time series with extracted sample sequence instances;
  • 5 an exemplary time series with extracted pattern sequence instances of the same pattern sequence class and a time course of an exemplary parameter of the pattern sequence instances; and
  • 6th a flowchart of a method for determining a property of a machine according to a further exemplary embodiment of the invention.

In der 1 ist ein schematisches Ablaufdiagramm eines Ausführungsbeispiels eines erfindungsgemäßen Verfahrens zum Bestimmen einer Eigenschaft einer als Werkzeugmaschine ausgebildeten Maschine 1, gezeigt, wobei die Eigenschaft nicht durch Messungen erfasst werden muss. Im vorliegenden Ausführungsbeispiel wird als Eigenschaft ein Abnutzungszustand insbesondere am Tool Center Point ermittelt.In the 1 FIG. 3 is a schematic flow diagram of an embodiment of a method according to the invention for determining a property of a machine designed as a machine tool 1 , where the property need not be detected by measurements. In the present exemplary embodiment, a state of wear is determined as a property, in particular at the tool center point.

Bei diesem Verfahren werden durch an der Maschine 1 angeordnete Sensoreinrichtungen eine oder mehrere Zeitreihen einer oder mehrerer physikalischer Messgrößen erfasst. Die Sensoreinrichtungen umfassen bevorzugt Sensoren, die in der Maschine 1 installiert sind, um im Betrieb der Maschine 1 einen Soll-Ist-Vergleich zu ermöglichen und/oder die Maschine 1 zu steuern. Insofern ist es zur Durchführung des Verfahrens nicht erforderlich, zusätzliche Sensoren an der Maschine vorzusehen. Geleichwohl kann das Verfahren mit solchen Sensoren durchgeführt werden, die zusätzlich zu den ohnehin an der Maschine 1 vorhandenen Sensoren vorgesehen werden.In this process, you are on the machine 1 arranged sensor devices detected one or more time series of one or more physical measured variables. The sensor devices preferably include sensors in the machine 1 installed to operate the machine 1 to enable a target / actual comparison and / or the machine 1 to control. In this respect, it is not necessary to provide additional sensors on the machine in order to carry out the method. At the same time, the method can be carried out with such sensors that are in addition to those already on the machine 1 existing sensors are provided.

Eine beispielhafte Zeitreihe einer Messgröße ist in 2 gezeigt. Bei der Messgröße kann es sich beispielsweise um eine Amplitude eines Stroms in einem Elektromotor handeln, der zum Antrieb einer Komponente der Maschine 1 konfiguriert ist, beispielsweise zum Antrieb eines Werkzeugs der Maschine 1. So kann der Elektromotor z.B. der Motor einer Spindel mit einem Werkzeughalter für ein Werkzeug der Maschine 1 sein.An exemplary time series of a measured variable is in 2 shown. The measured variable can be, for example, an amplitude of a current in an electric motor that drives a component of the machine 1 is configured, for example to drive a tool of the machine 1 . For example, the electric motor can be the motor of a spindle with a tool holder for a tool on the machine 1 be.

Die erfassten Zeitreihen werden ausgewertet, um den Abnutzungszustand zu ermitteln. Dabei werden in einem Detektionsschritt 11 Veränderungsstellen in der oder den ersten Zeitreihen detektiert. Bevorzugt wird ein Algorithmus zur Wechselpunkterkennung (engl. change point detection) verwendet, um Veränderungsstellen, insbesondere Wechselpunkte, in den Zeitreihen zu ermitteln, an denen sich der Verlauf der jeweiligen Zeitreihe verändert. Derartige Wechselpunkte sind durch vertikale Linien in 3 repräsentiert.The recorded time series are evaluated in order to determine the state of wear. This is done in one detection step 11 Change points detected in the or the first time series. An algorithm for change point detection is preferably used in order to determine change points, in particular change points, in the time series at which the course of the respective time series changes. Such turning points are indicated by vertical lines in 3rd represents.

In einem dem Detektionsschritt 11 nachfolgenden Extraktionsschritt 12 werden basierend auf den detektierten Veränderungsstellen Mustersequenz-Instanzen aus der jeweiligen Zeitreihe extrahiert. Hierzu werden zunächst sogenannte Kandidaten-Sequenzen zwischen zwei Veränderungsstellen identifiziert. Es wird geprüft, ob eine solche Kandidaten-Sequenz mindestens eine vorgegebenen Mindest-Sequenzlänge aufweist. Kandidaten-Sequenzen, deren Länge geringer ist als die Mindest-Sequenzlänge, werden verworfen. Die übrigen Kandidaten-Sequenzen werden als Mustersequenz-Instanzen angesehen.In one of the detection step 11 subsequent extraction step 12th pattern sequence instances are extracted from the respective time series based on the detected change points. For this purpose, so-called candidate sequences are first identified between two change points. It is checked whether such a candidate sequence has at least a predetermined minimum sequence length. Candidate sequences whose length is less than the minimum sequence length are discarded. The remaining candidate sequences are regarded as sample sequence instances.

In einem nachfolgenden Klassen-Erzeugungsschritt 13 werden dann mehrere Mustersequenz-Klassen in Abhängigkeit von den extrahierten Mustersequenz-Instanzen erzeugt. Hierbei kommt ein Verfahren zum unüberwachten maschinellen Lernen zur Anwendung, bei welchem in der Menge der Mustersequenz-Instanzen selbsttätig Mustersequenz-Klassen erkannt werden, ohne dass die Zuordnung einzelner Mustersequenz-Instanzen zu Mustersequenz-Klassen im Vorhinein bekannt ist. 4 zeigt eine Zeitreihe, in welcher zwei erste Mustersequenz-Instanzen erkannt worden sind, die einer ersten Mustersequenz-Klasse A zugeordnet sind und fünf zweite Mustersequenz-Instanzen, die einer zweiten Mustersequenz-Klasse B zugeordnet sind. Diesen Mustersequenz-Klassen A, B können Bezeichner, sogenannte Labels zugeordnet werden, die allein durch das Verfahren zum unüberwachten maschinellen Lernen erzeugt sind. Ferner ist es möglich, apriorisches Wissen und/oder menschliches Wissen zu verwenden, um geeignete Bezeichner für die ermittelten Mustersequenz-Klassen zu erhalten, die eine semantische Bedeutung haben. Menschliches Wissen kann beispielsweise im Rahmen eines Abfrageschritts eingebracht werden, in welchem ein Benutzer der Maschine den ermittelten Mustersequenz-Klassen einen Bezeichner, insbesondere mit semantischer Bedeutung, zuordnet.In a subsequent class generation step 13th Then several pattern sequence classes are generated depending on the extracted pattern sequence instances. Here comes a method to the unsupervised machine Learning about the application in which pattern sequence classes are automatically recognized in the set of pattern sequence instances without the assignment of individual pattern sequence instances to pattern sequence classes being known in advance. 4th shows a time series in which two first pattern sequence instances that are assigned to a first pattern sequence class A and five second pattern sequence instances that are assigned to a second pattern sequence class B have been recognized. Identifiers, so-called labels, which are generated solely by the method for unsupervised machine learning, can be assigned to these pattern sequence classes A, B. It is also possible to use a priori knowledge and / or human knowledge in order to obtain suitable identifiers for the determined pattern sequence classes that have a semantic meaning. Human knowledge can be introduced, for example, as part of a query step in which a user of the machine assigns an identifier, in particular with a semantic meaning, to the determined pattern sequence classes.

Optional ist es möglich, dass in einem weiteren Verfahrensschritt die erzeugten Mustersequenz-Klassen verschiedenen Betriebszuständen der Maschine zugeordnet werden. Diese Zuordnung erfolgt bevorzugt in Abhängigkeit von Betriebszustandsinformationen, die korrespondierend zu der Zeitreihe der jeweiligen Messgröße den zeitlichen Verlauf des Betriebszustands der Maschine abbilden. Solche Betriebszustandsinformationen werden durch eine Steuereinheit der Maschine bereitgestellt und erlauben es, einen Kontextbezug zwischen den Mustersequenz-Klassen und dem Betriebszustand der Maschine herzustellen. Die Steuereinheit der Maschine kann die Betriebszustandsinformationen anhand eines Programmcodes zur Steuerung der Maschine ermitteln, beispielsweise anhand eines CNC-Programmcodes. Auf diese Weise kann beispielsweise ermittelt werden, dass die in 4 gezeigte Mustersequenz-Klasse B einem Betriebszustand entspricht, in welchem ein Werkzeug der Maschine 1 gedreht wird und die Mustersequenz-Klasse A einem dem Drehen des Werkzeugs vorhergehenden Vorbereitungsschritt entspricht.It is optionally possible for the generated pattern sequence classes to be assigned to different operating states of the machine in a further method step. This assignment is preferably carried out as a function of operating state information which, corresponding to the time series of the respective measured variable, depicts the temporal course of the operating state of the machine. Such operating status information is provided by a control unit of the machine and allows a contextual relationship to be established between the pattern sequence classes and the operating status of the machine. The control unit of the machine can determine the operating status information using a program code for controlling the machine, for example using a CNC program code. In this way it can be determined, for example, that the in 4th The shown pattern sequence class B corresponds to an operating state in which a tool of the machine 1 is rotated and the pattern sequence class A corresponds to a preparatory step preceding the turning of the tool.

Den Mustersequenz-Klassen wird jeweils ein Bezeichner vergeben - hier die Bezeichner A und B. Optional kann in der Zeitreihe eine Sequenz dieser Mustersequenz-Klassen A, B ermittelt werden. Diese Sequenzen von Mustersequenz-Klassen werden durch Sequenzen ihrer Bezeichner beschrieben, durch so genannte Bezeichnungssequenzen. Bevorzugt werden in den Bezeichnungssequenzen Muster ermittelt, insbesondere durch z.B. string clustering und/oder durch Lösungsverfahren für das Common Approximate Subsequence Problem. Das Ermitteln der Muster kann hierarchisch, also wiederholt auf das Ergebnis, geschehen und ermöglicht dadurch auch die Erkennung von Sequenzen von Betriebszuständen der Maschine und/oder einer Komponente der Maschine und/oder einem Werkzeug der Maschine. Hierdurch können mit der Maschine gefertigte Produkte bzw. durch die Maschine durchgeführte Fertigungsabläufe erkannt werden.An identifier is assigned to each of the pattern sequence classes - here the identifiers A and B. Optionally, a sequence of these pattern sequence classes A, B can be determined in the time series. These sequences of pattern sequence classes are described by sequences of their identifiers, so-called identifying sequences. Patterns are preferably determined in the designation sequences, in particular through e.g. string clustering and / or through solution methods for the Common Approximate Subsequence Problem. The determination of the pattern can be done hierarchically, that is to say repeatedly on the result, and thereby also enables sequences of operating states of the machine and / or a component of the machine and / or a tool of the machine to be recognized. In this way, products manufactured with the machine or manufacturing processes carried out by the machine can be recognized.

In einem Ermittlungsschritt 14 wird dann mindestens eine Kenngröße mehrerer Mustersequenz-Instanzen derselben Mustersequenz-Klasse, insbesondere aller Mustersequenz-Instanzen derselben Mustersequenz-Klasse, ermittelt und ein zeitlicher Verlauf dieser Kenngröße erstellt, vgl. 1. Bei der Kenngröße kann es sich beispielweise um einen Mittelwert der Mustersequenz-Instanzen oder die Standardabweichung handeln. Denkbar sind aber auch andere Kenngrößen, wie beispielsweise ein Maximalwert, ein Minimalwert oder eine anhand einer Fourier- oder Wavelet-Transformation ermittelte Größe. Ein beispielhafter Verlauf einer solchen Kenngröße ist schematisch in 5 gezeigt. Die zu bestimmende Eigenschaft, hier der Abnutzungsgrad insbesondere am Tool Center Point, ist abhängig von dieser Kenngröße. Somit kann dann anhand der ermittelten Kenngröße und/oder anhand des zeitlichen Verlaufs der ermittelten Kenngröße die Eigenschaft der Maschine bestimmt werden.In one determination step 14th at least one parameter of several pattern sequence instances of the same pattern sequence class, in particular of all pattern sequence instances of the same pattern sequence class, is then determined and a time profile of this parameter is created, cf. 1 . The parameter can be, for example, an average value of the pattern sequence instances or the standard deviation. However, other parameters are also conceivable, such as, for example, a maximum value, a minimum value or a variable determined using a Fourier or wavelet transformation. An exemplary course of such a parameter is shown schematically in 5 shown. The property to be determined, here the degree of wear, especially at the tool center point, depends on this parameter. Thus, the property of the machine can then be determined on the basis of the determined parameter and / or on the basis of the time course of the determined parameter.

Gemäß der Erfindung werden in einem Erzeugungsschritt 15 eine oder mehrere virtuelle Zeitreihen in Abhängigkeit von dem ermittelten ersten zeitlichen Verlauf der Kenngröße erzeugt. Diese virtuellen Zeitreihen sind nicht durch eine Messung einer physikalischen Messgröße erfasst, sondern bestehen u.a. aus künstlich erzeugten Daten, die geeignet sind, Messdaten einer physikalischen Messgröße zu ersetzen und/oder zu ergänzen. Gemäß dem Ausführungsbeispiel werden in dem Erzeugungsschritt 15 eine oder mehrere virtuelle Mustersequenzen erzeugt, die Teil der virtuellen Zeitreihe sind.According to the invention, in a generation step 15th one or more virtual time series is generated as a function of the determined first time course of the parameter. These virtual time series are not recorded by a measurement of a physical measured variable, but instead consist of artificially generated data that are suitable for replacing and / or supplementing measured data of a physical measured variable. According to the exemplary embodiment, the generation step 15th generates one or more virtual pattern sequences that are part of the virtual time series.

Zum Erzeugen wird zunächst eine Regressionsanalyse des ersten zeitlichen Verlaufs durchgeführt, wobei a-priori-Wissen genutzt wird, beispielsweise a-priori-Wissen im Hinblick auf das erwartete Monotonieverhalten des zeitlichen Verlaufs und/oder dessen Minimum und/oder Maximum. Das a-priori-Wissen wird bevorzugt durch einen Benutzer, beispielsweise einen Technologen bereitgestellt. Alternativ oder zusätzlich kann a-priori-Wissen aus einer Simulation der Maschine und/oder a-priori-Wissen, welches durch Beobachten einer weiteren Maschine erhalten wurde, genutzt werden.To generate it, a regression analysis of the first time profile is first carried out, using a priori knowledge, for example a priori knowledge with regard to the expected monotonic behavior of the time profile and / or its minimum and / or maximum. The a priori knowledge is preferably provided by a user, for example a technologist. Alternatively or additionally, a priori knowledge from a simulation of the machine and / or a priori knowledge which was obtained by observing a further machine can be used.

Gemäß dem Ausführungsbeispiel erfolgt die Erzeugung der virtuellen Zeitreihen mittels eines Gaußprozessmodells. Dabei wird zunächst für eine oder mehrere Mustersequenz-Klassen ein Gaußprozessmodell angelernt, wobei extrahierte Mustersequenz-Instanzen einer gemeinsamen Mustersequenz-Klasse zum Anlernen des Gaußprozessmodells verwendet werden. Nach dem Anlernen wird Gaußprozessmodell zur Erzeugung virtueller Zeitreihen, insbesondere zur Erzeugung virtueller Mustersequenzen, verwendet. Die virtuellen Mustersequenzen der virtuellen Zeitreihen werden einer Prüfung unterzogen, wobei die Wahrscheinlichkeit bestimmt wird, dass die virtuellen Mustersequenzen einer bekannten Mustersequenz-Klasse angehören. Diese Prüfung kann beispielsweise dadurch erfolgen, dass die erzeugte virtuelle Zeitreihe dem Algorithmus der Schritte 11 bis 15 zugeführt wird, und geprüft wird, ob ein zeitlicher Verlauf der Kenngröße erhalten wird, der dem ursprünglichen ersten zeitlichen Verlauf ähnlich ist. Zudem wird geprüft, ob die jeweilige erzeugte Mustersequenz ähnlich den Mustersequenz-Instanzen der jeweiligen Mustersequenz-Klasse ist.According to the exemplary embodiment, the virtual time series is generated by means of a Gaussian process model. First, a Gaussian process model is learned for one or more pattern sequence classes, with extracted Pattern sequence instances of a common pattern sequence class can be used to teach the Gaussian process model. After learning, the Gaussian process model is used to generate virtual time series, in particular to generate virtual pattern sequences. The virtual pattern sequences of the virtual time series are subjected to a test, the probability being determined that the virtual pattern sequences belong to a known pattern sequence class. This check can be carried out, for example, in that the virtual time series generated corresponds to the algorithm of the steps 11 to 15th is supplied, and it is checked whether a time course of the parameter is obtained which is similar to the original first time course. In addition, it is checked whether the respective generated pattern sequence is similar to the pattern sequence instances of the respective pattern sequence class.

Alternativ kann das Erzeugen der einen oder mehreren virtuellen Zeitreihen durch Auswahl einer Mustersequenz-Instanz und nachfolgendes Verändern der ausgewählten Mustersequenz-Instanz erfolgen. Weiter alternativ kann zur Erzeugung der virtuellen Mustersequenzen ein erzeugendes neuronales Netz verwendet werden. Die erzeugten Muster werden anhand einer Likelihood-Funktion ausgewertet. Diese berechnet die Wahrscheinlichkeit, dass die erzeugten Muster der gegebenen Klasse gehören und die erwünschten statistischen Merkmale aufweisen. Alternativ kann die Likelihood-Funktion durch ein Diskriminator-Netz ersetzt werden, um ein erzeugendes generisches Netzwerk zu bilden. Eine weitere Alternative ist die Erzeugung von virtuellen Mustersequenzen nach dem Prinzip des reinforcementlearning. Dabei wird eine Erzeugerstruktur, die z.B. ein neuronales Netz oder auch eine Regression sein kann, durch das bestärkende Feedback einer Likelihood-Funktion antrainiert.Alternatively, the one or more virtual time series can be generated by selecting a pattern sequence instance and then changing the selected pattern sequence instance. As a further alternative, a generating neural network can be used to generate the virtual pattern sequences. The generated patterns are evaluated using a likelihood function. This calculates the probability that the generated patterns belong to the given class and have the desired statistical characteristics. Alternatively, the likelihood function can be replaced by a discriminator network to form a generating generic network. Another alternative is the generation of virtual pattern sequences based on the principle of reinforcement learning. A generator structure, which can be a neural network or a regression, for example, is trained through the reinforcing feedback of a likelihood function.

Erfindungsgemäß ist vorgesehen, dass anschließend an das Erzeugen der virtuellen Zeitreihen in dem Erzeugungsschritt 15 ein selbstlernendes Bestimmungsmodul mittels der virtuellen Zeitreihen und mittels des ermittelten ersten Verlaufs der Kenngröße trainiert wird, vgl. Trainingsschritt 16 in 1. Das selbstlernende Bestimmungsmodul ist bevorzugt dazu konfiguriert, ein Verfahren zum überwachten maschinellen Lernen durchzuführen. Bei dem Training werden die virtuellen Zeitreihen als Eingangswerte und der zuvor ermittelte erste Verlauf der Kenngröße als Ausgangswert eines Trainingsdatensatzes vorgegeben. Dabei können dem selbstlernenden Bestimmungsmodul zum Trainieren zusätzlich auch die ermittelten Mustersequenz-Instanzen und/oder eine für die jeweilige Mustersequenz-Klasse repräsentative Mustersequenz und/oder Angaben zu der zu ermittelnden Eigenschaft vorgegeben werden.According to the invention it is provided that subsequent to the generation of the virtual time series in the generation step 15th a self-learning determination module is trained by means of the virtual time series and by means of the determined first course of the parameter, see training step 16 in 1 . The self-learning determination module is preferably configured to carry out a method for monitored machine learning. During the training, the virtual time series are given as input values and the previously determined first course of the parameter is given as the output value of a training data set. The self-learning determination module can also be given the determined pattern sequence instances and / or a pattern sequence representative of the respective pattern sequence class and / or information on the property to be determined for training purposes.

Das selbstlernende Bestimmungsmodul kann anschließend an das Trainieren dazu eingesetzt werden, neu erfasste zweite Zeitreihen selbsttätig auszuwerten und anhand dieser die zu ermittelnde Eigenschaft der Maschine zu bestimmen. Es ist also eine direkte Übersetzung von den erfassten Zeitreihen zu der Eigenschaft der Maschine, hier dem Abnutzungszustand, möglich. Hierzu muss das trainierte Bestimmungsmodul nicht die zuvor beschrieben Verfahrensschritte 11-16 ausführen. Vielmehr erlaubt das in dem trainierten Bestimmungsmodul durch das Training angehäufte Wissen, eine Ermittlung der Eigenschaft allein anhand der neu erfassten Zeitreihen durchzuführen, wodurch der Rechenaufwand reduziert wird. Somit führt das trainierte selbstlernende Bestimmungsmoduls die folgenden Verfahrensschritte aus:

  • - Erfassen einer oder mehrerer zweiter Zeitreihen einer oder mehrerer physikalischer Messgrößen;
  • - Bestimmen eines zweiten zeitlichen Verlaufs der Kenngröße durch das trainierte Bestimmungsmodul in Abhängigkeit von der oder den zweiten Zeitreihen;
  • - Bestimmen einer Eigenschaft der Maschine anhand des ermittelten zweiten zeitlichen Verlaufs der Kenngröße.
The self-learning determination module can then be used after the training to automatically evaluate newly recorded second time series and to determine the property of the machine to be determined on the basis of these. A direct translation of the recorded time series to the property of the machine, in this case the state of wear, is therefore possible. For this purpose, the trained determination module does not have to perform the method steps described above 11-16 To run. Rather, the knowledge accumulated in the trained determination module as a result of the training allows the property to be determined solely on the basis of the newly acquired time series, which reduces the computational effort. The trained self-learning determination module thus carries out the following procedural steps:
  • - Acquisition of one or more second time series of one or more physical measured variables;
  • - Determination of a second time course of the parameter by the trained determination module as a function of the second time series or series;
  • - Determination of a property of the machine on the basis of the determined second time course of the parameter.

Es ist vorteilhaft, wenn das trainierte Bestimmungsmodul in einer Recheneinheit der Maschine 1 vorgesehen ist und ein Modul zum Trainieren des Bestimmungsmoduls separat von der Maschine vorgesehen ist, beispielsweise als Cloud-Recheneinheit. Auch das Detektieren von Veränderungsstellen und/oder das Extrahieren von Mustersequenz-Instanzen und/oder das Erzeugen von Mustersequenz-Klassen und/oder das Ermitteln der Kenngröße erfolgt bevorzugt mittels eines Moduls, das separat von der Maschine vorgesehen ist, beispielsweise als Cloud-Recheneinheit. Dies hat zum Vorteil, dass solche Verfahrensschritte, die lediglich initial bzw. zum Trainieren des Bestimmungsmoduls erforderlich sind, nicht in einer Recheneinheit der Maschine vorgehalten werden müssen, so dass diese weniger mit geringerem Hard- und/oder Softwareaufwand ausgestaltet werden kann. Auch können sämtliche Daten, die zum Trainieren des Bestimmungsmoduls erforderlich sind, beispielsweise die Mustersequenz-Klassen in einer Cloud-Speichereinrichtung 20 gespeichert sein, die entfernt von der Maschine 1 angeordnet ist und über ein Netzwerk mit der Maschine verbunden ist.It is advantageous if the trained determination module is in a computing unit of the machine 1 is provided and a module for training the determination module is provided separately from the machine, for example as a cloud computing unit. The detection of change points and / or the extraction of pattern sequence instances and / or the generation of pattern sequence classes and / or the determination of the parameter is preferably carried out by means of a module that is provided separately from the machine, for example as a cloud computing unit. This has the advantage that such method steps, which are only required initially or for training the determination module, do not have to be kept in a computing unit of the machine, so that it can be designed with less hardware and / or software outlay. All data that are required for training the determination module, for example the pattern sequence classes, can also be stored in a cloud storage device 20th be stored away from the machine 1 is arranged and connected to the machine via a network.

Ferner kann ein computerimplementiertes Verfahren zum Bestimmen eines voraussichtlichen Qualitätszustands eines mit der Maschine 1 gefertigten Bauteils durchgeführt werden, wobei ein vorstehend beschriebenes Verfahren zum Bestimmen einer Eigenschaft der Maschine 1 durchgeführt wird, wobei die Eigenschaft der Maschine ein Abnutzungszustand der Maschine ist und der voraussichtliche Qualitätszustand eines mit der Maschine gefertigten Bauteils anhand des durch das trainierte Bestimmungsmodul bestimmten Abnutzungszustands in Abhängigkeit von der oder den zweiten Zeitreihen bestimmt wird.Furthermore, a computer-implemented method for determining a probable quality status of a with the machine 1 manufactured component are carried out, wherein an above-described method for determining a property of the machine 1 is carried out taking the property of the machine one Is the state of wear of the machine and the expected quality state of a component manufactured with the machine is determined on the basis of the state of wear determined by the trained determination module as a function of the second time series or series.

Hierdurch wird es möglich, ausgehend von der ermittelten Eigenschaft der Maschine 1 einen Rückschluss auf den voraussichtlichen Qualitätszustand eines mit dieser Maschine 1 gefertigten Bauteils zu ziehen.This makes it possible based on the property of the machine that has been determined 1 a conclusion about the likely quality status of a machine with this machine 1 finished component to pull.

Die 6 zeigt ein schematisches Ablaufdiagramm eines weiteren Ausführungsbeispiels eines erfindungsgemäßen Verfahrens zum Bestimmen einer Eigenschaft einer als Werkzeugmaschine ausgebildeten Maschine 1, wobei die Eigenschaft nicht durch Messungen erfasst werden muss.The 6th shows a schematic flow diagram of a further exemplary embodiment of a method according to the invention for determining a property of a machine designed as a machine tool 1 , whereby the property does not have to be determined by measurements.

Zunächst werden durch an der Maschine 1 angeordnete Sensoreinrichtungen eine oder mehrere Zeitreihen einer oder mehrerer physikalischer Messgrößen erfasst. In einem Detektionsschritt 11 werden Veränderungsstellen in der oder den ersten Zeitreihen detektiert. Dann werden in einem dem Detektionsschritt 11 nachfolgenden Extraktionsschritt 12 basierend auf den detektierten Veränderungsstellen Mustersequenz-Instanzen aus der jeweiligen Zeitreihe extrahiert und in einem Klassen-Erzeugungsschritt 13 werden mehrere Mustersequenz-Klassen in Abhängigkeit von den extrahierten Mustersequenz-Instanzen erzeugt.First of all, they are through on the machine 1 arranged sensor devices detected one or more time series of one or more physical measured variables. In one detection step 11 points of change are detected in the first time series or series. Then in one of the detection step 11 subsequent extraction step 12th based on the detected change points, pattern sequence instances are extracted from the respective time series and in a class generation step 13th a plurality of pattern sequence classes are generated depending on the extracted pattern sequence instances.

In einem Ermittlungsschritt 14 wird dann mindestens eine Kenngröße mehrerer Mustersequenz-Instanzen derselben Mustersequenz-Klasse, insbesondere aller Mustersequenz-Instanzen derselben Mustersequenz-Klasse, ermittelt und ein zeitlicher Verlauf dieser Kenngröße erstellt, vgl. 1.In one determination step 14th at least one parameter of several pattern sequence instances of the same pattern sequence class, in particular of all pattern sequence instances of the same pattern sequence class, is then determined and a time profile of this parameter is created, cf. 1 .

Dann wird eine Regressionsanalyse 22 des ersten zeitlichen Verlaufs durchgeführt, wobei a-priori-Wissen genutzt wird, beispielsweise a-priori-Wissen im Hinblick auf das erwartete Monotonieverhalten des zeitlichen Verlaufs und/oder dessen Minimum und/oder Maximum. Das a-priori-Wissen wird durch einen Benutzer 21 und/oder anhand einer Simulation 21' der Maschine und/oder anhand einer Beobachtung 21" einer weiteren Maschine erhalten werden. Zum Erzeugen der virtuellen Zeitreihen wird das Ergebnis der Regressionsanalyse 22 abgetastet, wobei Werte der Kenngröße erhalten werden, die nicht in dem Ermittlungsschritt 14 ermittelt wurde - d.h. dass zu diesen Werten keine Mustersequenz-Instanz existiert.Then a regression analysis is done 22nd of the first temporal course is carried out, using a priori knowledge, for example a priori knowledge with regard to the expected monotonic behavior of the temporal course and / or its minimum and / or maximum. The a priori knowledge is provided by a user 21 and / or based on a simulation 21 ' the machine and / or based on an observation 21 " another machine. The result of the regression analysis is used to generate the virtual time series 22nd sampled, values of the characteristic being obtained that are not in the determining step 14th was determined - ie that no sample sequence instance exists for these values.

Gemäß der Erfindung werden in einem Erzeugungsschritt 15 eine oder mehrere virtuelle Zeitreihen in Abhängigkeit von dem ermittelten ersten zeitlichen Verlauf der Kenngröße erzeugt, bevorzugt in Abhängigkeit von dem Ergebnis der Regressionsanalyse 22 des ersten zeitlichen Verlaufs der Kenngröße, besonders bevorzugt in Abhängigkeit von dem abgetasteten Ergebnis der Regressionsanalyse 22 des ersten zeitlichen Verlaufs der Kenngröße. Gemäß dem Ausführungsbeispiel werden in dem Erzeugungsschritt 15 eine oder mehrere virtuelle Mustersequenzen erzeugt, die Teil der virtuellen Zeitreihe sind. Zu den Einzelheiten des Erzeugungsschritts wird auf das in Zusammenhang mit 1 beschriebene Ausführungsbeispiel verwiesen.According to the invention, in a generation step 15th one or more virtual time series is generated as a function of the determined first time profile of the characteristic variable, preferably as a function of the result of the regression analysis 22nd of the first time course of the parameter, particularly preferably as a function of the scanned result of the regression analysis 22nd the first time course of the parameter. According to the exemplary embodiment, the generation step 15th generates one or more virtual pattern sequences that are part of the virtual time series. For the details of the generating step, refer to that in connection with 1 referenced embodiment described.

Anschließend an das Erzeugen der virtuellen Zeitreihen in dem Erzeugungsschritt 15 wird in einem Trainingsschritt 16 ein selbstlernendes Bestimmungsmodul mittels der virtuellen Zeitreihen und mittels des ermittelten ersten Verlaufs der Kenngröße trainiert. Das selbstlernende Bestimmungsmodul ist bevorzugt dazu konfiguriert, ein Verfahren zum überwachten maschinellen Lernen durchzuführen. Bei dem Training werden die virtuellen Zeitreihen als Eingangswerte und der zuvor ermittelte erste Verlauf der Kenngröße als Ausgangswert eines Trainingsdatensatzes vorgegeben. Dabei können dem selbstlernenden Bestimmungsmodul zum Trainieren zusätzlich auch die ermittelten Mustersequenz-Instanzen und/oder eine für die jeweilige Mustersequenz-Klasse repräsentative Mustersequenz und/oder Angaben zu der zu ermittelnden Eigenschaft vorgegeben werden.Subsequent to the generation of the virtual time series in the generation step 15th is in one training step 16 a self-learning determination module is trained by means of the virtual time series and by means of the determined first course of the parameter. The self-learning determination module is preferably configured to carry out a method for monitored machine learning. During the training, the virtual time series are given as input values and the previously determined first course of the parameter is given as the output value of a training data set. The self-learning determination module can also be given the determined pattern sequence instances and / or a pattern sequence representative of the respective pattern sequence class and / or information on the property to be determined for training purposes.

Wie zuvor bereits im Zusammenhang mit dem in 1 gezeigten Ausführungsbeispiel beschrieben wurde, wird das selbstlernende Bestimmungsmodul anschließend an den Trainingsschritt 16 dazu eingesetzt werden, neu erfasste zweite Zeitreihen selbsttätig auszuwerten und anhand dieser die zu ermittelnde Eigenschaft der Maschine zu bestimmen, vgl. Bezugszeichen 23 in 6. Dabei führt das trainierte selbstlernende Bestimmungsmoduls die folgenden Verfahrensschritte aus:

  • - Erfassen einer oder mehrerer zweiter Zeitreihen einer oder mehrerer physikalischer Messgrößen;
  • - Bestimmen eines zweiten zeitlichen Verlaufs der Kenngröße durch das trainierte Bestimmungsmodul in Abhängigkeit von der oder den zweiten Zeitreihen;
  • - Bestimmen einer Eigenschaft der Maschine anhand des ermittelten zweiten zeitlichen Verlaufs der Kenngröße.
As before in connection with the in 1 Has been described embodiment shown, the self-learning determination module is then to the training step 16 can be used to automatically evaluate newly acquired second time series and to use them to determine the property of the machine to be determined, see reference symbols 23 in 6th . The trained self-learning determination module carries out the following procedural steps:
  • - Acquisition of one or more second time series of one or more physical measured variables;
  • - Determination of a second time course of the parameter by the trained determination module as a function of the second time series or series;
  • - Determination of a property of the machine on the basis of the determined second time course of the parameter.

Auf Basis der bestimmten Eigenschaft der Maschine 1 können dann Veränderungen in den Einstellungen der Maschine 1 bzw. Verbesserungen der Maschine 1 eingeleitet werden, vgl. Bezugszeichen 24 in 6.Based on the specific property of the machine 1 can then make changes in the settings of the machine 1 or improvements to the machine 1 are introduced, see reference numerals 24 in 6th .

Claims (17)

Computerimplementiertes Verfahren zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft, mit den folgenden Verfahrensschritten: - Erfassen einer oder mehrerer erster Zeitreihen einer oder mehrerer physikalischer Messgrößen der Maschine; - Detektieren von Veränderungsstellen in der oder den ersten Zeitreihen; - Extrahieren von Mustersequenz-Instanzen aus den ersten Zeitreihen basierend auf den detektierten Veränderungsstellen; - Erzeugen mehrerer Mustersequenz-Klassen in Abhängigkeit von den extrahierten Mustersequenz-I nstanzen; - Ermitteln mindestens einer Kenngröße mehrerer Mustersequenz-Instanzen derselben Mustersequenz-Klasse und eines ersten zeitlichen Verlaufs der Kenngröße; - Erzeugen einer oder mehrerer virtueller Zeitreihen in Abhängigkeit von dem ermittelten ersten zeitlichen Verlauf der Kenngröße; - Trainieren eines selbstlernenden Bestimmungsmoduls mittels der virtuellen Zeitreihen und des ermittelten ersten zeitlichen Verlaufs der Kenngröße; - Erfassen einer oder mehrerer zweiter Zeitreihen einer oder mehrerer physikalischer Messgrößen; - Bestimmen eines zweiten zeitlichen Verlaufs der Kenngröße durch das trainierte Bestimmungsmodul in Abhängigkeit von der oder den zweiten Zeitreihen; - Bestimmen einer Eigenschaft der Maschine anhand des ermittelten zweiten zeitlichen Verlaufs der Kenngröße.Computer-implemented method for determining a property of a machine, in particular a machine tool, without measuring the property, with the following method steps: - Acquisition of one or more first time series of one or more physical measured variables of the machine; - Detecting points of change in the first time series or series; - Extracting pattern sequence instances from the first time series based on the detected change points; - Generating several pattern sequence classes as a function of the extracted pattern sequence instances; - Determination of at least one parameter of several pattern sequence instances of the same pattern sequence class and a first time course of the parameter; - Generating one or more virtual time series as a function of the determined first time course of the parameter; - Training a self-learning determination module by means of the virtual time series and the determined first time course of the parameter; - Acquisition of one or more second time series of one or more physical measured variables; - Determination of a second time course of the parameter by the trained determination module as a function of the second time series or series; - Determination of a property of the machine on the basis of the determined second time course of the parameter. Computerimplementiertes Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass zum Erzeugen der einen oder mehreren virtuellen Zeitreihen eine oder mehrere virtuelle Mustersequenzen erzeugt werden.Computer-implemented method according to Claim 1 , characterized in that one or more virtual pattern sequences are generated to generate the one or more virtual time series. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Erzeugen der einen oder mehreren virtuellen Zeitreihen zusätzlich in Abhängigkeit von einer Mustersequenz-Klasse und/oder mehreren Mustersequenz-Instanzen derselben Mustersequenz-Klasse erfolgt.Computer-implemented method according to one of the preceding claims, characterized in that the generation of the one or more virtual time series also takes place as a function of a pattern sequence class and / or a plurality of pattern sequence instances of the same pattern sequence class. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Erzeugen der einen oder mehreren virtuellen Zeitreihen zusätzlich in Abhängigkeit einer vorgegebenen Eigenschaft des Verlaufs erfolgt, insbesondere von einem vorgegebenen Monotonieverhalten des Verlaufs und/oder von einem vorgegebenen Minimum und/oder von einem vorgegebenen Maximum.Computer-implemented method according to one of the preceding claims, characterized in that the generation of the one or more virtual time series also takes place as a function of a predetermined characteristic of the curve, in particular a predetermined monotonic behavior of the curve and / or a predetermined minimum and / or a predetermined one Maximum. Computerimplementiertes Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass die vorgegebene Eigenschaft durch einen Benutzer vorgegeben wird.Computer-implemented method according to Claim 3 , characterized in that the specified property is specified by a user. Computerimplementiertes Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass die vorgegebene Eigenschaft durch eine Simulation von Abläufen in der Maschine erhalten wird.Computer-implemented method according to Claim 3 , characterized in that the predetermined property is obtained by simulating processes in the machine. Computerimplementiertes Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass die vorgegebene Eigenschaft durch Beobachtung einer weiteren Maschine erhalten wird.Computer-implemented method according to Claim 3 , characterized in that the predetermined property is obtained by observing another machine. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Erzeugen der einen oder mehreren virtuellen Zeitreihen mittels eines Gaußprozessmodells erfolgt.Computer-implemented method according to one of the preceding claims, characterized in that the one or more virtual time series are generated by means of a Gaussian process model. Computerimplementiertes Verfahren nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass das Erzeugen der einen oder mehreren virtuellen Zeitreihen durch Auswahl einer Mustersequenz-Instanz und nachfolgendes Verändern der ausgewählten Mustersequenz-Instanz erfolgt.Computer-implemented method according to one of the Claims 1 to 7th , characterized in that the one or more virtual time series are generated by selecting a pattern sequence instance and then changing the selected pattern sequence instance. Computerimplementiertes Verfahren nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass das Erzeugen der einen oder mehreren virtuellen Zeitreihen mittels eines künstlichen neuronalen Netzwerks erfolgt.Computer-implemented method according to one of the Claims 1 to 7th , characterized in that the one or more virtual time series are generated by means of an artificial neural network. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die erzeugten virtuellen Zeitreihen eine oder mehrere Mustersequenzen aufweisen und vor dem Trainieren des selbstlernenden Bestimmungsmoduls mittels der virtuellen Zeitreihen eine Wahrscheinlichkeit bestimmt wird, dass die eine oder mehreren virtuellen Mustersequenzen der erzeugten virtuellen Zeitreihen einer Mustersequenz-Klasse zugehören.Computer-implemented method according to one of the preceding claims, characterized in that the generated virtual time series have one or more pattern sequences and prior to training the self-learning determination module by means of the virtual time series, a probability is determined that the one or more virtual pattern sequences of the generated virtual time series of a pattern sequence -Class belonging to. Computerimplementiertes Verfahren nach Anspruch 11, dadurch gekennzeichnet, dass die Bestimmung der Wahrscheinlichkeit mittels einer Likelihood-Funktion oder mittels eines weiteren, künstlichen neuronalen Netzwerks erfolgt.Computer-implemented method according to Claim 11 , characterized in that the probability is determined by means of a likelihood function or by means of a further, artificial neural network. System zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft, umfassend einen Prozessor, der zur Ausführung eines Verfahrens nach einem der Ansprüche 1 bis 11 konfiguriert ist.System for determining a property of a machine, in particular a machine tool, without metrological detection of the property, comprising a processor that is used to carry out a method according to one of the Claims 1 to 11 is configured. System nach Anspruch 13, dadurch gekennzeichnet, dass das System eine erste Einheit aufweist, die zur Anordnung im Bereich der Maschine konfiguriert ist, und eine zweite Einheit aufweist, die zur Anordnung separat von der Maschine, insbesondere als Teil einer Cloud, konfiguriert ist, wobei die zweite Einheit eine Speichereinrichtung aufweist, in welcher die erzeugten Mustersequenz-Klassen gespeichert werden.System according to Claim 13 , characterized in that the system has a first unit which is configured for arrangement in the area of the machine, and has a second unit which is configured for arrangement separately from the machine, in particular as part of a cloud, the second unit having a storage device in which the generated pattern sequence classes get saved. Verwendung eines Systems nach Anspruch 13 oder 14 zum Bestimmen eines Abnutzungszustands einer als Werkzeugmaschine oder als Industrieroboter ausgebildeten Maschine.Using a system according to Claim 13 or 14th for determining the state of wear of a machine designed as a machine tool or as an industrial robot. Computerprogramm umfassend Befehle, die bei der Ausführung des Computerprogramms durch einen Computer diesen veranlassen, ein Verfahren nach einem der Ansprüche 1 bis 12 auszuführen.Computer program comprising instructions which cause the computer program to be executed by a computer, a method according to one of the Claims 1 to 12th to execute. Computerlesbares Medium umfassend Befehle, die bei der Ausführung der Befehle durch einen Computer diesen veranlassen, ein Verfahren nach einem der Ansprüche 1 bis 12 auszuführen.Computer-readable medium comprising instructions which, when the instructions are executed by a computer, cause the latter, a method according to one of Claims 1 to 12th to execute.
DE102019131456.9A 2019-11-21 2019-11-21 Method for determining a property of a machine, in particular a machine tool, without measuring the property Pending DE102019131456A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102019131456.9A DE102019131456A1 (en) 2019-11-21 2019-11-21 Method for determining a property of a machine, in particular a machine tool, without measuring the property

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102019131456.9A DE102019131456A1 (en) 2019-11-21 2019-11-21 Method for determining a property of a machine, in particular a machine tool, without measuring the property

Publications (1)

Publication Number Publication Date
DE102019131456A1 true DE102019131456A1 (en) 2021-05-27

Family

ID=75784127

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019131456.9A Pending DE102019131456A1 (en) 2019-11-21 2019-11-21 Method for determining a property of a machine, in particular a machine tool, without measuring the property

Country Status (1)

Country Link
DE (1) DE102019131456A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024056294A1 (en) * 2022-09-16 2024-03-21 Siemens Aktiengesellschaft Permanently-excited dynamoelectric machine, method for simulation, computer system, and computer program product

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0368265A2 (en) * 1988-11-09 1990-05-16 Mitsubishi Denki Kabushiki Kaisha Plant diagnostic apparatus
US5121467A (en) * 1990-08-03 1992-06-09 E.I. Du Pont De Nemours & Co., Inc. Neural network/expert system process control system and method
DE4447288B4 (en) * 1993-12-30 2007-10-11 Caterpillar Inc., Peoria Machine fault diagnosis system and method
DE102016119084A1 (en) * 2015-10-09 2017-04-13 Fisher-Rosemount Systems, Inc. Distributed performance monitoring and analysis of industrial plants

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0368265A2 (en) * 1988-11-09 1990-05-16 Mitsubishi Denki Kabushiki Kaisha Plant diagnostic apparatus
US5121467A (en) * 1990-08-03 1992-06-09 E.I. Du Pont De Nemours & Co., Inc. Neural network/expert system process control system and method
DE4447288B4 (en) * 1993-12-30 2007-10-11 Caterpillar Inc., Peoria Machine fault diagnosis system and method
DE102016119084A1 (en) * 2015-10-09 2017-04-13 Fisher-Rosemount Systems, Inc. Distributed performance monitoring and analysis of industrial plants

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024056294A1 (en) * 2022-09-16 2024-03-21 Siemens Aktiengesellschaft Permanently-excited dynamoelectric machine, method for simulation, computer system, and computer program product

Similar Documents

Publication Publication Date Title
DE102017011290B4 (en) Machine learning apparatus, CNC apparatus and machine learning method for detecting an indication of chatter occurrence in a machine tool tool
DE102011076780B4 (en) Method and device for condition monitoring, computer program product
DE102017108169B4 (en) Production system that defines a determination value of a variable in relation to a product deviation
DE102019003382A1 (en) anomaly detector
EP3282399B1 (en) Method for the improved detection of process anomalies of a technical installation and corresponding diagnostic system
DE102011076779A1 (en) Method and device for predicting the state of a component or system, computer program product
DE102018203280A1 (en) State diagnostic device
DE102019124018A1 (en) Method for optimizing tests of control systems for automated vehicle dynamics systems
EP2881822A1 (en) Computer-implemented method and system for automatic monitoring and status detection of entire process stages in a process unit
EP3876061A1 (en) Method for validation and selection on machine learning based models for monitoring the state of a machine
DE102019001760A1 (en) INFORMATION PROCESSING DEVICE, MECHANICAL LEARNING DEVICE AND SYSTEM
DE102016012451A1 (en) Method for monitoring, analyzing and operating at least one production facility
DE102021212983A1 (en) Machine tool management procedure, machine tool management system and medium
EP3942376B1 (en) Method for determining a property of a machine, in particular a machine tool, without metrologically capturing the property
DE102019131456A1 (en) Method for determining a property of a machine, in particular a machine tool, without measuring the property
EP4022408A1 (en) Method and device for analyzing a sequential process
DE60208415T2 (en) METHOD FOR OPTIMIZING TEST DATA
DE102011075337A1 (en) Method for controlling system, involves carrying out action to control system by obtaining control information from data of system, where another action or operation is determined according to data to control system
DE10222072A1 (en) Automatic diagnostic method for dynamic systems involves processing input data in probability network, feeding at least one system characterizing parameter into computation of diagnosis result
DE102019214009B3 (en) Analysis of sensor measurement data from a robot or manipulator
EP3785091B1 (en) Method for automatically generating labelled signatures
EP3893066A1 (en) Method and device for operating a machine with a tool
DE102019107240A1 (en) Diagnostic method, diagnostic system and motor vehicle
DE102018217310A1 (en) Process for evaluating time series signals
DE102021127029B3 (en) Method, system and computer program product for the prediction of leaks at sealing interfaces of screwed assembly components

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication