DE102021116562A1

DE102021116562A1 - Überwachung des betriebs einer maschine

Info

Publication number: DE102021116562A1
Application number: DE102021116562.8A
Authority: DE
Inventors: Viktor Rais; Holger Hackstein
Original assignee: Schenck Process Europe GmbH
Current assignee: Schenck Process Europe GmbH
Priority date: 2021-06-25
Filing date: 2021-06-25
Publication date: 2022-12-29
Also published as: WO2022268352A1; AU2021452800A1; EP4359876A1; US20240118687A1; CN117546113A

Abstract

Die vorliegende Erfindung bezieht sich auf ein Verfahren, eine Vorrichtung und ein Computerprogramm zur Überwachung des Betriebs einer Maschine mit einer mechanischen Komponente. Das Verfahren umfasst den Empfang von Sensordaten, die eine Zeitreihe von Messungen eines Betriebsparameters der Maschine umfassen, der einer Zustandsvariablen entspricht, und die Verarbeitung der Zeitreihe von Messungen für die Zustandsvariable unter Verwendung eines maschinellen Lernmodells, das so vortrainiert ist, dass es das normale Betriebsverhalten der Maschine auf der Grundlage von Werten der Zustandsvariablen vorhersagt, die während eines Zeitraums während des normalen Betriebs der Maschine beobachtet wurden. Das standardisierte Residuum für die Zustandsvariable wird über die Zeitreihe auf der Grundlage einer Prognose des vortrainierten maschinellen Lernmodells berechnet, und jede Abweichung vom Normalbetrieb der Maschine wird auf der Grundlage der Werte des standardisierten Residuums identifiziert.

Description

Die vorliegende Erfindung bezieht sich auf eine Vorrichtung, ein Verfahren und ein Computerprogramm zur Überwachung des Betriebs einer Maschine mit einer mechanischen Komponente.
Eine effiziente und wirksame Wartung von Maschinen und deren mechanischen Komponenten ist wichtig, um einen normalen Betrieb zu gewährleisten und, wenn möglich, ein Eingreifen von Ingenieuren zu ermöglichen, um Abhilfemaßnahmen wie den Austausch von Teilen durchzuführen, um kritische Ausfälle zu verhindern und die damit verbundenen Maschinenausfallzeiten zu reduzieren. Der Betrieb einer Maschine kann mit Hilfe eines oder mehrerer Sensoren überwacht werden, die sich an der Maschine befinden, und die von diesen Sensoren während der Laufzeit laufend erfassten Daten können von einer Datenverarbeitungsvorrichtung verarbeitet und verwendet werden, um Rückschlüsse auf den mechanischen Zustand der Maschine zu ziehen und somit festzustellen, ob die Maschine normal arbeitet oder nicht. Selbst eine einzelne Maschine kann eine große Menge an Sensordaten erzeugen, die vielleicht von einer Vielzahl von Sensoren stammen, darunter auch Sensoren unterschiedlichen Typs. Je länger die Maschine in Betrieb ist, desto größer ist die Datenmenge, die von den Sensoren zur Analyse erzeugt wird. Die Verarbeitung dieser großen Menge an Sensordaten, um einen genauen Überblick über den Gesamtzustand einer Maschine zu erhalten, kann eine Herausforderung darstellen. Es ist wünschenswert, dass man anhand der Sensordaten zwischen verschiedenen potenziellen mechanischen Problemen und Maschinenwartungsproblemen unterscheiden kann, ohne sich auf eine detaillierte physische Inspektion der Maschine verlassen zu müssen.
Es ist daher ein Ziel der vorliegenden Erfindung, ein computerimplementiertes Verfahren zur Überwachung des Betriebs einer Maschine, ein computerimplementiertes Verfahren zum Trainieren eines künstlichen neuronalen Netzes zur Identifizierung von Abweichungen vom Normalbetrieb einer Maschine und eine Datenverarbeitungsvorrichtung bereitzustellen.
Gemäß einem ersten Aspekt der vorliegenden Erfindung wird ein computerimplementiertes Verfahren zur Überwachung des Betriebs einer Maschine mit einer mechanischen Komponente bereitgestellt, wobei das Verfahren das Folgende umfasst:

Empfang von Sensordaten, die eine Zeitreihe von Messungen eines einer Zustandsvariablen entsprechenden Betriebsparameters der Maschine umfassen;
Verarbeiten der Zeitreihe von Messungen für die Zustandsvariable unter Verwendung eines maschinellen Lernmodells, das so vortrainiert ist, dass es das normale Betriebsverhalten der Maschine auf der Grundlage von Werten der Zustandsvariablen vorhersagt, die während eines Zeitraums während des normalen Betriebs der Maschine beobachtet wurden, wobei die Verarbeitung der Berechnung eines standardisierten Residuums für die Zustandsvariable über die Zeitreihe auf der Grundlage einer Prognose des vortrainierten maschinellen Lernmodells basiert; und
Identifizierung von Abweichungen vom Normalbetrieb der Maschine anhand der standardisierten Residuen.

Insbesondere betrifft die vorliegende Erfindung ein computerimplementiertes Verfahren, wobei die Identifizierung der Abweichung vom Normalbetrieb die Berücksichtigung eines Vorzeichens des standardisierten Residuums umfasst, so dass ein Überschwingen des standardisierten Residuums von einem Unterschwingen des standardisierten Residuums unterscheidbar ist.
Zusätzlich umfasst das computerimplementierte Verfahren einen Schritt, bei dem sich die empfangenen Sensordaten auf eine Vielzahl von Betriebsparametern der Maschine beziehen, die jeweils unterschiedlichen Zustandsgrößen entsprechen, und bei dem die Identifizierung der Abweichung Korrelationen zwischen den standardisierten Residuen der Vielzahl von Betriebsparametern berücksichtigt.
Darüber hinaus wird für jede Zustandsvariable ein anderes vortrainiertes maschinelles Lernmodell bereitgestellt.
Nach einem anderen Aspekt wird jeweils eine ganzzahlige Anzahl N linearer Regressionsmodelle bereitgestellt, um das normale Betriebsverhalten für N Zustandsvariablen vorherzusagen.
In einem bevorzugten Ausführungsbeispiel erzeugt das computerimplementierte Verfahren eine maschinenlesbare Heatmap für die Vielzahl von Zustandsvariablen über die Zeitreihe, wobei die Heatmap für jede Zustandsvariable jede Überschwingung und jede Unterschwingung der standardisierten Residuen für mindestens eine Zustandsvariable anzeigt und wobei die Heatmap bei der Identifizierung der Abweichung vom Normalbetrieb verwendet wird.
Computerimplementiertes Verfahren nach Anspruch 6, umfassend das Erzeugen eines die Heatmap darstellende digitale Bild sowie das Darstellen des digitalen Bildes für einen Benutzer auf einer Steuerschnittstelle für die Maschine [sic].
Es ist auch bevorzugt, dass das computerimplementierte Verfahren ein digitales Bild erzeugt, das die Heatmap darstellt und die Heatmap einem künstlichen neuronalen Netz zur Verfügung stellt, das unter Verwendung von Heatmaps für die Vielzahl von Zustandsvariablen, die während des normalen Betriebs der Maschine erfasst wurden, vortrainiert wurde, wobei die Identifizierung jeglicher Abweichung vom Normalbetrieb unter Verwendung des vortrainierten künstlichen neuronalen Netzes durchgeführt wird.
In einer weiteren Ausführungsform umfasst das computerimplementierte Verfahren einen Schritt, wobei das künstliche neuronale Netz auf der Grundlage der Heatmaps für die Vielzahl von Zustandsvariablen, die während des Normalbetriebs erfasst wurden, vortrainiert wird, um Schäden einzustufen, um verschiedene Arten von Abweichungen vom Normalbetrieb anhand von Korrelationen beim Unter- und Überschwingen als Funktion der Zeit zwischen den unterschiedlichen Zustandsvariablen zu identifizieren.
Darüber hinaus kann das computerimplementierte Verfahren einen Schritt umfassen, wobei das künstliche neuronale Netz durch Segmentierung einer Heatmap in eine Vielzahl unterschiedlicher oder sich teilweise überlappender Zeitsegmente vortrainiert wird, indem die zeitsegmentierten Heatmap-Bilder in das künstliche neuronale Netz zur Klassifizierung eingegeben werden.
Die für das Vortraining verwendeten Heatmap-Bilder können durch ein bekanntes Wartungsproblem gekennzeichnet sein, das in der Maschine vorhanden war, als die Sensordaten für das Heatmap-Bild erfasst wurden.
Darüber hinaus bezieht sich die vorliegende Erfindung auf ein computerimplementiertes Verfahren zum Trainieren eines künstlichen neuronalen Netzes, um Abweichungen vom Normalbetrieb einer Maschine mit einem mechanischen Teil zu erkennen, wobei das Verfahren Folgendes umfasst:

Empfangen von maschinenlesbaren Daten, die standardisierte Residuen umfassen, die auf der Grundlage einer Differenz der Werte einer oder mehrerer Zustandsvariablen zwischen Sensordaten, die von der Maschine in einem Zeitraum erfasst wurden, und einer Prognose für den Wert der entsprechenden Zustandsvariable, die unter Verwendung eines vortrainierten maschinellen Lernmodells erstellt wurde, berechnet wurden;
Erzeugen eines Heatmap-Datensatzes, der den Zeitraum darstellt und jede Über- oder Unterschwingung als Funktion der Zeit von standardisierten Residuen von Sensordaten für jede von einer oder mehreren Zustandsvariablen anzeigt; und
Verwendung des Heatmap-Datensatzes zum Trainieren des künstlichen neuronalen Netzes zur Erkennung von Wartungsproblemen an der Maschine.

In einer bevorzugten Ausführungsform wird der Heatmap-Datensatz als Bilddaten gerendert, und das Heatmap-Bild wird in das künstliche neuronale Netz eingegeben, um das Training durchzuführen.
Gemäß einem anderen Aspekt kann das künstliche neuronale Netz eines der sogenannten Convolutional Neural Network (CNN, faltendes neuronales Netzwerk) oder ein Long Short-Term Memory (LSTM, langes Kurzzeitgedächtnis) neuronales Netz sein.
Die Heatmap kann vor der Eingabe in das künstliche neuronale Netz in mehrere unterschiedliche oder sich überschneidende Zeitsegmente segmentiert werden, um das künstliche neuronale Netz zu trainieren.
Gemäß einem weiteren Aspekt der Erfindung wird ein transitorisches oder nicht-transitorisches maschinenlesbares Medium bereitgestellt, das maschinenlesbare Anweisungen zur Durchführung des computerimplementierten Verfahrens enthält.
Darüber hinaus betrifft die vorliegende Erfindung eine Datenverarbeitungsvorrichtung, die Folgendes umfasst:

einen Speicher zum Speichern von Sensordaten, die während des Betriebs einer Maschine mit einem mechanischen Teil erfasst wurden; und

Verarbeitungsschaltungen, die so angeordnet sind, dass sie:

auf die Sensordaten aus dem Speicher zugreifen, wobei die Sensordaten eine Zeitreihe von Messungen eines Betriebsparameters der Maschine entsprechend einer Zustandsvariablen umfassen;
Verarbeiten der Zeitreihe von Messungen für die Zustandsvariable unter Verwendung eines maschinellen Lernmodells, das so vortrainiert ist, dass es das normale Betriebsverhalten der Maschine auf der Grundlage von Werten der Zustandsvariablen vorhersagt, die während eines Zeitraums während des normalen Betriebs der Maschine beobachtet wurden, wobei die Verarbeitung dazu dient, einen standardisierten Rest für die Zustandsvariable über die Zeitreihe auf der Grundlage einer Prognose des vortrainierten maschinellen Lernmodells zu berechnen; und
Ermittlung etwaiger Abweichungen vom Normalbetrieb der Maschine anhand der standardisierten Residuen.

In einer bevorzugten Ausführungsform umfasst die Datenverarbeitungsvorrichtung eine Verarbeitungsschaltung zum:

In bevorzugten Ausführungsformen wird der Heatmap-Datensatz als Bilddaten gerendert, und das Heatmap-Bild wird in das künstliche neuronale Netz eingegeben, um das Training durchzuführen.
Darüber hinaus kann das künstliche neuronale Netz ein Convolutional Neural Network oder ein Long Short-Term Memory neuronales Netz sein.
Ausführungsformen der Erfindung werden im Folgenden unter Bezugnahme auf die beigefügten Zeichnungen beschrieben, in denen:

1 schematisch eine Schwingmaschine und ein Zustandsüberwachungssystem zur Erkennung von Abweichungen vom Normalbetrieb zeigt;
2 ein Ablaufdiagramm, das schematisch einen Prozess zur Auslösung eines Maschinenwartungsalarms zeigt;
3 schematisch ein Ablaufdiagramm gemäß dem Training eines Bildverarbeitungsmodells für maschinelles Lernen zur Verarbeitung von Heatmap-Bildern standardisierter Residuen zur Erkennung von Maschinenwartungsproblemen darstellt;
4A ein Diagramm zeigt, das den absoluten Wert einer Zustandsvariablen der Längsrotationsamplitude in Grad pro Sekunde gegen die Zeit in Stunden, Minuten und Sekunden aufträgt;
4B eine Heatmap der standardisierten Residuen für eine Vielzahl von Zustandsvariablen für die Schwingmaschine zeigt;
5 schematisch eine Heatmap der Zustandsvariablen über einen Betriebszeitraum der Schwingmaschine aus 1 darstellt;
6 schematisch eine Verbesserung der diagnostischen Aussagekraft von Messungen von Residuen von Zustandsvariablen darstellt, die durch eine „Standardisierung“ der Residuen erreicht wird;
7 schematisch drei verschiedene Heatmaps zeigt, wobei jede Heatmap für eine andere Art von Maschinenwartungsproblem kennzeichnend ist;
8 schematisch darstellt, wie Heatmaps, die für zwei verschiedene Maschinenwartungsprobleme kennzeichnend sind, segmentiert und dann in ein Bildverarbeitungsmodell für maschinelles Lernen, wie z. B. ein CNN Modell oder ein LSTM Modell, eingegeben werden können;
9 schematisch die Verwendung standardisierter Residuen zur Identifizierung eines Defekts in einer Vertikalwalzenmühle veranschaulicht; und
10 schematisch einen maschinenlesbaren Speicher und maschinenlesbare Anweisungen zur Überwachung des Betriebs einer Maschine mit einer mechanischen Komponente darstellt.

1 zeigt schematisch ein Maschinenüberwachungssystem 100 mit einer Schwingmaschine 110 und einem Zustandsüberwachungssystem 160 zur Erkennung von Abweichungen vom Normalbetrieb der Maschine. In diesem Beispiel handelt es sich um eine Schwingmaschine, aber jede Maschine mit mindestens einem mechanischen Teil kann überwacht werden. Darüber hinaus können zwei oder mehr Maschinen desselben Typs oder unterschiedlicher Typen parallel mit dem System nach der vorliegenden Technik überwacht werden. Das System umfasst die Schwingmaschine 110, eine Maschinenüberwachungseinheit 150 und das Zustandsüberwachungssystem 160.
Die Schwingmaschine 110 umfasst einen Materialträger 112, einen ersten Erreger 114a und einen entsprechenden ersten Inkrementalgeber 114b, einen zweiten Erreger 116a und einen entsprechenden zweiten Inkrementalgeber 116b, einen dritten Erreger 118a und einen entsprechenden dritten Inkrementalgeber 118b. Die Erreger 114a, 116a, 118a können mechanische oder magnetische Erreger sein. Die Schwingmaschine 100 umfasst ferner einen Einlass 122, einen Auslass 124 und zwei Sätze von Stützfedern 126a, 126b unterhalb des Materialträgers 112. Der Materialträger 112 verfügt über eine Vielzahl von Rollen 113, die für die Fortbewegung eines Materialtransportbandes (nicht dargestellt) sorgen. Die Rollen 113 können mit Lagern (nicht abgebildet) versehen sein. Ein Einlasssensor 132 und ein Auslasssensor 134 befinden sich an der Schwingmaschine 110. Ein Pfeil 130 zeigt die Verarbeitungsrichtung der zu verarbeitenden Güter an, indem sie über den Einlass 122 dem Materialträger 112 zugeführt werden.
Der erste Erreger 114a ist so angeordnet, dass er eine oszillierende Kraft auf den Materialträger 112 ausübt. Die oszillierende Kraft ist abhängig von einer Erregerfrequenz des ersten Erregers 114a. Die zweiten und dritten Erreger 116a und 118a können vorgesehen sein, um unerwünschte Schwingungen am Einlass 122 oder am Auslass 124 zu dämpfen, die durch die vom ersten Erreger 114a erzeugten Schwingungen verursacht werden. Die drei Inkrementalgeber 114b, 116b und 118b, die jeweils den drei Erregern 114a, 116a, 118a zugeordnet sind, können von einer Steuereinheit 172 im Zustandsüberwachungssystem 160 zur Koordinierung der Winkeldrehung und zur Steuerung der relativen Phasen der Erreger 114a, 116a, 118a verwendet werden. Die Erreger 114a, 116a, 118a steuern den Transport oder die Kompression der auf dem Materialträger 112 platzierten Güter und beeinflussen auch die Verformung des Materialträgers 112 in Längs- und Querrichtung.
Ein erster Sensor 132 und ein zweiter Sensor 134 sind an der Schwingmaschine 100 vorgesehen, um die Betriebsparameter der Maschine zu überwachen. In diesem Beispiel sind die Sensoren 132, 134 an den Seitenwänden der Schwingmaschine angebracht, sie können aber auch an anderen Stellen der Schwingmaschine angebracht sein, z. B. an oder in der Nähe der Erreger 114a, 116a, 118a oder am Materialträger 112. Die Sensordaten der Sensoren 132, 134 können von der Maschinenüberwachungseinheit 150 erfasst werden, die sich in der Nähe der Maschine 110 befindet. Die Sensoren können betriebs- und maschinenspezifische Parameter erfassen, aus denen sich charakteristische „Zustandsgrößen“ extrahieren lassen. Die Sensoren können physikalische Größen messen, die in elektrische Größen oder digitale Signale umgewandelt werden können. Die Maschinenüberwachungseinheit 150 kann Daten von verschiedenen Sensoren an der Schwingmaschine 100 zusammenfassen und die Sensormessdaten über eine sichere Kommunikationsschnittstelle 162 an das Zustandsüberwachungssystem 160 weiterleiten. Alternativ können die Sensordaten auch direkt an die sichere Kommunikationsschnittstelle 162 übermittelt werden, ohne dass die Maschinenüberwachungseinheit 150 zwischengeschaltet wird.
Bei den Sensoren kann es sich beispielsweise um einen Beschleunigungsmesser oder ein Gyroskop handeln, aber auch andere Arten von Sensoren wie Kraftsensoren können verwendet werden. Mit dem / den Beschleunigungsmesser(n) können eine oder mehrere der folgenden unterschiedlichen Zustandsgrößen gemessen werden: eine resultierende Beschleunigungsamplitude (ResAcc), eine Längsbeschleunigungsamplitude (LongAcc) und eine Querbeschleunigungsamplitude (LatAcc) des Materialträgers 112. Die Messungen des / der Beschleunigungsmesser(s) können zur Berechnung einer oder mehrerer der folgenden verschiedenen Zustandsvariablen verwendet werden: eine Motordrehzahl (ExciterSpeed) in Umdrehungen pro Minute, eine Total Harmonic Distortion (gesamte harmonische Verzerrung) (THD), eine Erreger-Phasensynchronität (DriveNonDriveEPS) zwischen zwei beliebigen Erregern und eine Erreger-Amplitudensynchronität (DriveNonDriveAPS) zwischen zwei beliebigen Erregern. Der Erreger 114a ist ein treibender Erreger, während der Erreger 116a ein nicht treibender Erreger 118a ist, der die Schwingungsdämpfung übernimmt. Zu den Zustandsvariablen, die mit einem Gyroskop gemessen werden können, gehören: resultierende Rotationsamplitude (ResRot), longitudinale Rotationsamplitude (Long Rot) und laterale Rotationsamplitude (LatRot). Die Sensoren können auch andere als die oben genannten Zustandsvariablen messen oder diese ergänzen. Unterschiedlichen Maschinen können unterschiedliche Sätze von Zustandsvariablen zugeordnet sein.
Das Zustandsüberwachungssystem 160 umfasst die sichere Kommunikationsschnittstelle 162, eine Reihe von Verarbeitungsschaltungen 171, eine Echtzeit-Maschinendaten-Analyseeinheit 164, eine Maschinendaten-Visualisierungseinheit 166, eine vortrainierte maschinelle Datenverarbeitungs-Lerneinheit 168, ein vortrainiertes maschinelles Bildverarbeitungs-Lernmodell 170, eine Steuereinheit 172, eine Maschinenmanagement-Dashboard-Einheit 174, eine Datenbank 178 zum Speichern historischer Maschinen- und Prozessdaten und eine Wartungsalarmeinheit 180. Der Verarbeitungsschaltkreis 171 kann einen oder mehrere Allzweck- oder Spezialprozessoren und darüber hinaus Grafikverarbeitungseinheiten (GPUs) umfassen, die für die Implementierung von maschinellen Lernalgorithmen nützlich sind. Die Verarbeitungsschaltung 171 kann durch Mikroprozessoren, integrierte Schaltkreise, anwendungsspezifische integrierte Schaltkreise (ASIC), programmierbare Logikbausteine (PLD), digitale Signalprozessoren (DSP) und feldprogrammierbare Gate-Arrays (FPGAs) implementiert werden. Die sichere Kommunikationsschnittstelle 162 kann drahtlose Verbindungshardware und -software wie ein Wi-Fi-Modul für die Kommunikation über ein drahtloses lokales Netzwerk (LAN) umfassen. Die Übermittlung der Sensordaten von der Schwingmaschine an das Zustandsüberwachungssystem kann über ein drahtloses Personal Area Network (PAN) erfolgen, z. B. über Bluetooth, ZigBee, Nahfeld- oder Infrarotkommunikation. Falls gewünscht, können die Daten auch über ein Weitverkehrsnetz übermittelt werden. Die Verbindung zwischen der sicheren Kommunikationsschnittstelle 162 und der Maschinenüberwachungseinheit kann eine drahtgebundene oder drahtlose Verbindung sein. Die Verbindung kann permanent oder temporär sein.
Die Funktionseinheiten 164, 166, 168, 170, 171, 172, 174 und 180 in 1 können als allgemeine Verarbeitungsschaltungen implementiert werden, die durch Programmcode konfiguriert werden, um bestimmte Verarbeitungsfunktionen auszuführen, oder als spezielle Verarbeitungsschaltungen. Die Konfiguration einer Einheit zur Ausführung einer bestimmten Funktion kann vollständig in Hardware, vollständig in Software oder unter Verwendung einer Kombination aus Hardwaremodifikation und Softwareausführung erfolgen. Programmanweisungen können verwendet werden, um Logikgatter von Allzweck- oder Spezialprozessorschaltungen so zu konfigurieren, dass sie eine Verarbeitungsfunktion einer oder mehrerer der in 1 dargestellten Einheiten ausführen. Darüber hinaus kann die Funktionalität von zwei oder mehr der verschiedenen Einheiten kombiniert und durch eine einzige Funktionseinheit implementiert werden. Ein Teil oder die gesamte Funktionalität des Zustandsüberwachungssystems 160 kann auf einer mobilen Computerschnittstelle, z. B. einem Smartphone oder einem Tablet-Computer, bereitgestellt werden.
Die Steuereinheit 172 ist so angeordnet, dass sie beispielsweise die Frequenzen und Phasen der drei Erreger 114a, 116a, 118a steuert. Der zweite und der dritte Erreger 116a, 118a können so gesteuert werden, dass sie sich synchron mit dem ersten Erreger 114a drehen, aber um eine Phase von bis zu 180° versetzt zu ihm. Die Steuereinheit 172 kann die Schwingungen ein- und ausschalten. Die von den Sensoren 132, 134 während des Betriebs der Schwingmaschine 110 in Echtzeit erfassten Rohdaten können an die Maschinenüberwachungseinheit 150 übermittelt werden, die in der Nähe des Standorts der Schwingmaschine 110 angeordnet ist. Die Maschinenüberwachungseinheit stellt eine Zeitreihe von Daten von den Sensoren 132, 134 zusammen. Die gesammelten Daten können mit einem Zeitstempel versehen werden, der auf einer zentralen Uhr basiert, um einen Vergleich der gleichzeitigen Messungen von verschiedenen Sensoren zu ermöglichen. Die gesammelten Sensordaten werden dann über die sichere Kommunikationsschnittstelle 162 an das Zustandsüberwachungssystem 160 übermittelt. Die eingehenden Sensordaten, die in Echtzeit für die Maschinenüberwachung erfasst wurden, werden an die Maschinendaten-Analyseeinheit 164 weitergeleitet, wo die Sensordaten verarbeitet werden, um Zustandsvariablen wie ResAcc, LongAcc, LatAcc, ResRot, LongRot, LatRot, ExciterSpeed, THD, DriveNonDriveEPS und DriveNonDriveEAS zu extrahieren und ihre zeitliche Veränderung auf einer gemeinsamen Zeitskala zu verfolgen.
Die trainierte Datenverarbeitungs-Lerneinheit 168 verfügt über N vortrainierte maschinelle Lernmodelle für N Zustandsvariablen in einer Eins-zu-Eins-Zuordnung. In diesem Beispiel handelt es sich bei den maschinellen Lernmodellen für die Datenverarbeitung um lineare Regressionsmodelle. Jedes lineare Regressionsmodell wurde auf der Grundlage von Betriebsdaten trainiert, die zuvor an derselben Maschine oder an einer Maschine desselben / ähnlichen Typs während des normalen Betriebs erfasst wurden, so dass die aufgezeichneten Zustandsvariablen diejenigen darstellen, die erfasst wurden, als die Maschine ohne Fehler in Betrieb war.
Modelle für maschinelles Lernen werden anhand von Trainingsdaten trainiert, um Prognosen auf der Grundlage von „Produktionsdaten“ zu treffen. Der Umfang und die Qualität der Trainingsdaten können die Prognosegenauigkeit eines trainierten Modells beeinflussen. Die lineare Regression ist sowohl ein statistischer Algorithmus als auch ein Algorithmus für maschinelles Lernen. Er geht von einer linearen Beziehung zwischen Eingangsvariablen (x) und einer einzelnen Ausgangsvariablen (y) aus. Bei einem einfachen Regressionsproblem könnte das Modell y=M1*x + C1 lauten, wobei das Ziel des Trainings darin besteht, die besten Werte für den Gradienten M1 und den Achsenabschnitt C1 unter Verwendung der verfügbaren Trainingsdaten zu finden. Dabei kann es sich um eine einzelne Eingangsvariable oder um mehrere Eingangsvariablen handeln. In höheren Dimensionen, wenn es mehr als eine Variable (x) gibt, wird statt einer Linie eine Ebene oder Hyperebene gebildet.
Eine Möglichkeit, einen linearen Regressionsalgorithmus anhand von Trainingsdaten zu trainieren, besteht in der Anwendung einer Methode der kleinsten Quadrate. Wenn der Trainingsdatensatz zu klein ist oder eine Verzerrung in den Trainingsdaten vorliegt, wie z.B. eine Kollinearität in den Eingabewerten, kann die Methode der kleinsten Quadrate die Trainingsdaten „überanpassen“. Eine Regularisierung kann verwendet werden, um die Wahrscheinlichkeit einer Überanpassung der Trainingsdaten zu verringern. Beispielsweise können die absolute Summe der Koeffizienten oder die quadrierte absolute Summe der Koeffizienten minimiert werden.
Ein trainiertes lineares Regressionsmodell kann Werte für die Steigung M1 und den Achsenabschnitt C1 enthalten. Die Erstellung von Prognosen unter Verwendung des trainierten Modells beinhaltet einfach das Lösen der Gleichung für einen bestimmten Satz von Eingaben auf der Grundlage von „Produktionsdaten“. So kann eine Prognose für eine Zustandsvariable y durch das maschinelle Lernmodell auf der Grundlage eines Eingabewerts der Variablen x getroffen werden. Es kann sinnvoll sein, Daten wie Trainingsdaten vor der Durchführung einer linearen Regression vorzubereiten. Beispiele für die Aufbereitung von Daten sind die Beseitigung von Kollinearität durch die Berechnung paarweiser Korrelationen in den Eingabedaten und die Entfernung der am stärksten korrelierten Eingabedatenelemente oder die Durchführung einer Log-Transformation der Eingabedaten, um die Verteilung der Eingabedaten einer Gauß-Verteilung anzunähern. In weiteren Beispielen können die Daten durch Neuskalierung der Eingaben mittels Standardisierung oder Normalisierung vorbereitet werden.
Bei der vorliegenden Vorgehensweise wird ein lineares Regressionsmodell auf der Grundlage eines zeitabhängigen Verhaltens einer bestimmten Zustandsvariablen für einen Zeitraum des normalen (nicht defekten) Betriebs der Maschine trainiert. Dieses Training liefert eine zeitabhängige Prognose für einen Wert der gegebenen Zustandsvariablen. Sobald der Trainingsprozess eine Ausgleichsgerade (Best-Fit-Linie) ermittelt hat, werden die Residuen, die die Unterschiede zwischen den Trainingsdatenpunkten und der Best-Fit-Linie des linearen Regressionsmodells darstellen, als Funktion der Zeit berechnet. Es wird eine Standardabweichung dieser Residuen der Trainingsdaten über den repräsentativen Zeitraum des Normalbetriebs berechnet. Dann werden die Echtzeit-Zustandsvariablendaten von der Maschinendaten-Analyseeinheit 164 (die „Produktionsdaten“) in das maschinelle Lernmodell für die Trainingsdatenverarbeitung eingegeben, und die Residuen werden für jede Zustandsvariable relativ zum vorhergesagten Wert für die Zustandsvariable zum entsprechenden Zeitpunkt berechnet. Bei normalem Betrieb der Maschine und für eine gute Prognose der Zustandsvariablen sollten die Residuen nahe bei null liegen. Liegt jedoch ein mechanischer Fehler an der Maschine vor, kann die Prognose für die Zustandsvariable ungenau werden, so dass die Residuen ansteigen können. Die Residuen für die Produktionsdaten werden häufig so standardisiert, dass: $\begin{array}{l} S t a n d a r d i s i e r t e s R e s i d u u m_i = (R e s i d u u m_i) / (S t a n d a r d a b w e i c h u n g d e s R e s i d u u m s_i v o m \\ n o r m a l e n B e t r i e b s z e i t b e r e i c h) \end{array}$
Bei der vorliegenden Technik kann das Vorzeichen des Residuums berücksichtigt werden, so dass ein Überschwingen des vorhergesagten Wertes anders dargestellt wird als ein Unterschwingen des vorhergesagten Wertes. Die standardisierten Residuen als Funktion der Zeit können der Maschinendaten-Visualisierungseinheit 166 zur Verfügung gestellt werden, die eine „Heatmap“ als Funktion der Zeit für eine oder mehrere Zustandsvariablen erzeugen kann.
Die Heatmap ist ein Bild, das die Zeitreihe der standardisierten Residuen in Farbe darstellt. Beispielsweise kann eine Überschwingung des vorhergesagten Wertes in einer heißen Farbe wie Rot dargestellt werden, während eine Unterschwingung eines vorhergesagten Wertes der Zustandsvariablen in einer kalten Farbe wie Blau dargestellt wird. Es kann jedoch jedes beliebige Farbschema verwendet werden. Zwei oder mehr verschiedene Zustandsvariablen können als Funktion der Zeit auf derselben Heatmap dargestellt werden, um etwaige Korrelationen zwischen Abweichungen von den vorhergesagten Werten für die verschiedenen Zustandsvariablen aufzuzeigen.
Die Maschinendaten-Visualisierungseinheit 166 kann Daten zum Rendern der Heatmap(s) an das / die Maschinenmanagement-Dashboard(s) 174 liefern, wo ein Benutzer die Heatmaps visuell inspizieren kann, um signifikante Abweichungen vom Normalbetrieb der Maschine zu erkennen. Signifikante Abweichungen können durch Farbbänder (z. B. rot oder blau) gekennzeichnet sein, die ein relativ anhaltendes Über- oder Unterschwingen der gemessenen Werte einer oder mehrerer Zustandsvariablen relativ zur linearen Regressionsprognose für diese Zustandsvariable anzeigen. Eine Warnabweichung bei den Werten einer Zustandsvariablen kann durch mindestens eine der weniger intensiven und weniger anhaltenden Farbbänder im Vergleich zu einer kritischen Abweichung gekennzeichnet sein. Die Heatmap ermöglicht es dem Benutzer, jede Abweichung vom Normalbetrieb visuell zu erkennen, noch bevor ein kritisches Wartungsproblem auftritt.
In einigen Beispielen kann die Zeitreihe der numerischen Daten, die den standardisierten Residuen entsprechen, von der Maschinendaten-Analyseeinheit 164 analysiert werden, um automatisch zu erkennen, wenn die standardisierten Residuen für eine beliebige Zustandsvariable einen Schwellenwert überschwingen oder unterschwingen, der relativ zu einem von dem zur Anpassung der Zustandsvariablendaten verwendeten Bildverarbeitungs-Maschinenlernmodell vorhergesagten Wert ist. Diese automatische Analyse des Überschwingungs- und / oder Unterschwingungsverhaltens einer oder mehrerer Zustandsvariablen kann den Wartungsalarm 180 dazu veranlassen, eine Benutzermeldung zu erzeugen, die anzeigt, dass eine Wartungsarbeit angebracht ist.
Für die Maschine 110 geeignete Daten der Zustandsvariablen können in der Datenbank 178 für historische Maschinen- und Prozessdaten gespeichert werden. Diese Datenbank 178 kann als Aufbewahrungsort für Testdaten zum Trainieren der maschinellen Lernmodelle für die Datenverarbeitung 168 oder der maschinellen Lernmodelle für die Bildverarbeitung 170 oder beider verwendet werden.
In einigen Beispielen kann die Maschinendaten-Visualisierungseinheit 166 die Heatmaps für mindestens eine der Zustandsvariablen an die trainierte Bildverarbeitungs-Lerneinheit 170 weiterleiten. Heatmaps, die zeitkorrelierte standardisierte Residuen für eine Vielzahl von Zustandsvariablen bereitstellen, können zur Prognose bevorstehender und zur Erkennung tatsächlicher Maschinenwartungsprobleme verwendet werden. Neu erstellte Heatmaps für Maschinenproduktionsdaten können ausgewertet werden, um das Vorhandensein oder Nichtvorhandensein eines Defekts im Normalbetrieb der Maschine auf der Grundlage der Mustererkennung in einem oder mehreren Heatmap-Bildern durch die trainierte bildverarbeitende maschinelle Lerneinheit 170 vorherzusagen.
Die trainierte maschinelle Bildverarbeitungs-Lerneinheit 170 kann als maschinelles Lernmodell in Form eines neuronalen Netzes implementiert werden, z. B. in Form eines neuronalen Faltungsnetzes (CNN) oder eines LSTM (Long Short-Term Memory Network). Es kann auf der Grundlage von gelabelten Heatmaps trainiert worden sein, um verschiedene Arten von Wartungsproblemen zu erkennen und zu unterscheiden, wie z. B. einen losen Erreger, einen Lagerschaden an einem Erreger oder einen Riemenscheibenverschleiß. Die Beibehaltung des Vorzeichens der Residuen, so dass ein Überschwingen eines vorhergesagten Wertes von einem Unterschwingen eines vorhergesagten Wertes unterschieden werden kann, kann die Genauigkeit der Identifizierung von Wartungsproblemen und die Fähigkeit zur einfachen Unterscheidung zwischen verschiedenen Fehlertypen verbessern. Die Standardisierung der Residuen kann die Genauigkeit der Erkennung von Abweichungen vom normalen Maschinenbetrieb verbessern, indem zuverlässiger angezeigt wird, wenn Abweichungen vom durch das maschinelle Lernmodell vorhergesagten Verhalten statistisch signifikant sind.
2 ist ein Ablaufdiagramm, das schematisch einen Prozess zur Auslösung eines Maschinenwartungsalarms zeigt. Am Prozesselement 210 werden Sensordaten von einer Vielzahl von Sensoren von der Maschinenüberwachungseinheit 150 in der Nähe der Schwingmaschine 110 empfangen. Die Sensoren können sich an verschiedenen Stellen der überwachten Maschine befinden und von unterschiedlichem Typ sein (z. B. Beschleunigungsmesser, Gyroskop, Kraftsensor). Am Prozesselement 220 werden aus den Sensor-Rohdaten Zustandsvariablen extrahiert, die auf einer Liste von Zustandsvariablen basieren, die in einem Speicher (nicht dargestellt) des Zustandsüberwachungssystems 160 gespeichert sind. Die Liste der Zustandsvariablen kann von einem Maschinenlieferanten / Hersteller vorkonfiguriert werden oder von einem Benutzer oder einem Maschinenwartungskoordinator des Maschinenlieferanten / Herstellers bearbeitet werden.
Am Prozesselement 230 werden die extrahierten Daten für eine ganzzahlige Anzahl N von Zustandsvariablen, die nicht null sind, jeweils in N vortrainierte lineare Regressionsmodelle für maschinelles Lernen eingespeist, um sie mit vorhergesagten Werten jeder Zustandsvariablen zu vergleichen. Am Prozesselement 240 werden die Residuen für mindestens zwei der N Zustandsvariablen einzeln berechnet, wobei ein Vorzeichen jedes Residuums für die Verwendung in der nachfolgenden Analyse beibehalten wird, um ein Überschwingen eines vorhergesagten Wertes von einem Unterschwingen eines vorhergesagten Wertes unterscheiden zu können. Ein Residuum = (beobachteter Wert - vorhergesagter Wert) entspricht wo der vorhergesagte Wert in diesem Beispiel aus der Regressionsgeraden ermittelt wird. Ein Residuum ist positiv, wenn es oberhalb der Regressionsgeraden liegt, aber negativ, wenn es unterhalb der Regressionsgeraden liegt, und null, wenn die Regressionsgerade direkt durch den Datenpunkt verläuft.
Nachdem die Residuen in Prozesselement 240 berechnet wurden, geht der Prozess zu Element 250 über, wo eine Standardisierung der Residuen auf der Grundlage einer Standardabweichung der gegebenen Zustandsvariablen durchgeführt wird, die auf der Grundlage von normalen Betriebsdaten der Maschine in einem Zeitraum berechnet wird, der der Erfassung der Trainingsdaten entspricht. Durch die Standardisierung der Residuen können statistisch signifikante Abweichungen von den Normalwerten der Zustandsvariablen zuverlässiger identifiziert werden, indem die Anpassungsgüte der Regressionslinie an die Trainingsdaten berücksichtigt wird. Empirisch hat sich gezeigt, dass die Standardisierung der Residuen die Zuverlässigkeit der Prognose von Wartungsproblemen verbessert.
Als Nächstes werden in Prozesselement 260 die standardisierten Residuen entweder visuell über eine Heatmap-Darstellung oder numerisch über einen Algorithmus analysiert, um Über- oder Unterschwingungen einzelner Zustandsvariablen (oder Kombinationen von Zustandsvariablen) zu ermitteln, die für eine Abweichung vom Normalbetrieb im Zusammenhang mit einem Maschinenwartungsproblem charakteristisch sein könnten. Bei der Analyse können Schwellenwerte für die standardisierten Residuen für eine bestimmte Zustandsvariable verwendet werden. Die Fähigkeit, bei diesem Prozess zwischen Unter- und Überschwingungen zu unterscheiden, kann die diagnostische Aussagekraft der berechneten Residuen zur Prognose oder Erkennung eines Maschinenwartungsproblems verbessern. Zeigen die standardisierten Residuen im Prozesselement 260 an, dass eine Abweichung vom Normalbetrieb vorliegt, fährt der Prozess mit dem Element 270 fort, wo ein Wartungsalarm ausgelöst wird. Andernfalls kehrt der Prozess zum ursprünglichen Prozesselement 210 zurück, wo der Prozess für eingehende Sensordaten wiederholt wird. Eingehende Sensordaten können auch dann weiterverarbeitet werden, wenn bei 270 ein Wartungsalarm ausgelöst wird, es sei denn, die automatische Überwachung hält es für angebracht, den Betrieb der Maschine anzuhalten, um weitere Schäden an Maschinenteilen zu verhindern.
3 zeigt schematisch ein Ablaufdiagramm, das dem Training eines maschinellen Bildverarbeitungsmodells (oder eines Bildklassifikators) zur Verarbeitung von Heatmap-Bildern standardisierter Residuen entspricht, um Maschinenwartungsprobleme zu erkennen. Das Training kann auch darauf abzielen, zwischen verschiedenen Arten von Wartungsproblemen zu unterscheiden, abhängig von den charakteristischen Mustern, die die Heatmaps aufweisen. In Prozesselement 310 wird eine Standardisierung von Residuen durchgeführt, die auf der Grundlage von Unterschieden zwischen folgenden Variablen berechnet wurden: (i) gemessene Zustandsvariablen für den überwachten Betriebszeitraum; und (ii) Zustandsvariablenwerte, die von einem linearen Regressionsmodell für maschinelles Lernen vorhergesagt wurden, das einem Zeitraum des Normalbetriebs der Maschine entspricht. Bei der Standardisierung werden die Residuen durch eine Standardabweichung der Zustandsvariablen in einem Zeitraum geteilt, der der Erfassung der Trainingsdaten entspricht, die für das Vortrainieren des maschinellen Lernmodells verwendet wurden.
Als Nächstes werden die standardisierten Residuen in Prozesselement 320 in eine Heatmap übertragen, um Über- und Unterschwingungen im Vergleich zur linearen Regressionsprognose für die entsprechende Zustandsvariable anzuzeigen. Zwei oder mehr Zustandsvariablen können gleichzeitig auf der Heatmap in Bezug auf dieselbe Zeitachse angezeigt werden, damit etwaige Korrelationen bei Abweichungen zwischen verschiedenen Zustandsvariablen leichter zu erkennen sind. Zu Trainingszwecken kann ein Benutzer eine Vielzahl verschiedener Heatmaps kennzeichnen, die verschiedenen Kategorien von abnormalem Maschinenverhalten entsprechen, von denen bekannt ist, dass sie mit bestimmten Heatmaps in Verbindung stehen. Beispiele für Kennzeichnungen an abnormen Heatmaps sind Riemenscheibenverschleiß, Wälzlagerschäden und Erregerschäden. Es kann jedoch jede Art von Schaden oder abnormalem Maschinenverhalten gekennzeichnet werden, und die Art des Schadens kann vom Maschinentyp abhängen. Für jede Schadensart kann eine Vielzahl von gekennzeichneten Heatmaps erstellt werden. Die Erkennungsgenauigkeit des Schadenstyps, die durch die Anwendung des trainierten maschinellen Lernmodells auf neu generierte Sensordaten erreicht werden kann, kann sich verbessern, wenn die Größe der Trainingsdatenstichprobe von gekennzeichneten Heatmaps, die diesem Schadenstyp zugeordnet sind, zunimmt. Beispielsweise wird die Verwendung von hundert oder mehr gekennzeichneten Heatmaps für jeden Schadenstyp für das Training wahrscheinlich eine genauere Prognose ergeben als zehn oder zwanzig gekennzeichnete Heatmaps für jeden Schadenstyp.
Als Nächstes wird im Prozesselement 340 das maschinelle Bildverarbeitungs-Lernmodell anhand der gekennzeichneten Heatmaps trainiert, um auf der Grundlage der Mustererkennung in den Bildern bestimmte Arten von Maschinenwartungsproblemen zu erkennen. Nachdem das bildverarbeitende maschinelle Lernmodell in Element 340 trainiert wurde, wird es in Element 350 auf neu erstellte Heatmaps auf der Grundlage eingehender Sensordaten angewandt, um alle Heatmap-Muster zu erkennen, die für eine Abweichung vom Normalbetrieb der Maschine charakteristisch sein könnten. Auf der Grundlage einer neu eingegebenen Heatmap kann das trainierte maschinelle Lernmodell eine Prognose (Bildklassifizierung) über den normalen Betrieb oder den fehlerhaften Betrieb ausgeben. Bei fehlerhaftem Betrieb kann auf der Grundlage der Bildmerkmale der Heatmap eine Prognose über ein bestimmtes Maschinenwartungsproblem getroffen werden.
In Prozesselement 360 kann das trainierte maschinelle Lernmodell, das in der Lage ist, die Heatmaps zu klassifizieren, gegebenenfalls auf andere Maschinen desselben oder eines ähnlichen Typs übertragen werden, um eine Fehlerprognose und -identifizierung durchzuführen. Es kann jede Art von maschinellem Lernmodell verwendet werden, das zur Mustererkennung in Bildern fähig ist. In einigen Beispielen wird ein CNN verwendet. Neuronale Netze sind eine Untergruppe von Algorithmen des maschinellen Lernens, die aus Knotenschichten mit einer Eingabeschicht, einer oder mehreren verborgenen Schichten und einer Ausgabeschicht bestehen. Jeder Knoten ist mit einem anderen Knoten verbunden und hat eine zugehörige Gewichtung und einen Schwellenwert. Wenn die Ausgabe eines einzelnen Knotens über dem festgelegten Schwellenwert liegt, wird dieser Knoten analog zum Feuern eines echten Neurons aktiviert und sendet Daten an die nächste Schicht des Netzwerks. Andernfalls werden keine Daten an die nächste Schicht des Netzes weitergeleitet.
CNNs verwenden Matrixmultiplikation, um Muster in einem Bild zu erkennen. CNNs können aus drei Arten von Schichten bestehen: einer Convolutional Layer (Filter), einer Pooling Layer (Aggregations-Schicht) und einer vollständig verbundenen Schicht. Mit jeder Schicht nimmt die Komplexität des CNN zu, so dass größere Teile eines Bildes erkannt werden können. Frühere Schichten konzentrieren sich auf einfache Merkmale wie Farben und Kanten in Bildern. Wenn die Bilddaten die Schichten des CNN durchlaufen, kann das CNN beginnen, größere Elemente oder Formen eines Bildobjekts zu erkennen, bis es schließlich das gesamte Objekt identifiziert. CNNs werden häufig bei der Bildverarbeitung eingesetzt. Andere Algorithmen des maschinellen Lernens können zur Erkennung von Mustern in den Heatmap-Bildern verwendet werden. Zum Beispiel kann alternativ ein LSTM-Algorithmus verwendet werden. LSTMs sind rekurrente künstliche neuronale Netze, die in der Lage sind, Muster in Datenfolgen wie z. B. numerischen Zeitreihen zu erkennen, und die sich für die Verarbeitung von Sensordaten eignen.
4A ist ein Diagramm des absoluten Werts der Längsdrehungsamplitude in Grad pro Sekunde, aufgetragen gegen die Zeit in Stunden: Minuten: Sekunden. Das Diagramm zeigt auch eine Alarmschwelle bei einem Wert von knapp über 0,4°/s auf der y-Achse. Es ist zu erkennen, dass die Messdatenpunkte ab einem Wert der x-Achse (Zeit) von 408 Stunden bis kurz vor 528 Stunden relativ stabil bei knapp über 0,2°/s bleiben, woraufhin der Wert leicht und dann sehr stark ansteigt und über den Schwellenwert hinausschwingt. Aus der Überwachung dieser absoluten Zustandsvariablendaten geht hervor, dass zum Zeitpunkt 528 Stunden eine kritische Warnung ausgelöst wird und dass es vor dem Auftreten der kritischen Zustandsvariablen nur wenige oder gar keine Anzeichen dafür gibt, dass ein Maschinenausfall unmittelbar bevorsteht. Der mechanische Ausfall der Schwingmaschine in diesem Beispiel wird bekanntermaßen dadurch verursacht, dass sich der Erreger 114a gelöst hat und von einem Erregerbalken, der ihn in Position hält, heruntergefallen ist.
4B ist eine Heatmap der standardisierten Residuen für eine Vielzahl von Zustandsvariablen gemäß der vorliegenden Technik. Diese Heatmap entspricht Sensordaten, die im gleichen Zeitraum und an der gleichen Schwingmaschine wie im Beispiel von 4A gesammelt wurden. Obwohl 4B ein Graustufenbild ist, kann die Heatmap auch farbig dargestellt werden, z. B. mit roten Bereichen, in denen die standardisierten Residuen die Prognose der Regressionslinie überschwingen, und mit blauen Bereichen, in denen die standardisierten Residuen die Prognose der Regressionslinie Unterschwingen. Die dunkleren Bereiche in 4B entsprechen dem Über- oder Unterschwingen eines vorhergesagten Wertes der gegebenen Zustandsvariablen. Die dunkelgrauen Bereiche entsprechen hauptsächlich einer Überschwingung (könnte in Rot dargestellt werden), während die fast schwarzen dunkleren Bereiche einer Unterschwingung entsprechen.
4B zeigt standardisierte Residuen für insgesamt zehn verschiedene Zustandsvariablen als horizontale Balken. Ein oberster Balken 452, der der Zustandsvariablen ResAcc entspricht, zeigt ein leichtes Unterschwingen durch die dunkle Bänderung zwischen 420 und 456 Stunden. Ein zweiter Balken 454, der der Zustandsvariablen LongAcc entspricht, zeigt ein leichtes Überschwingen ab etwa 456 Stunden auf der x-Achse bis zum Maschinenausfall kurz nach 528 Stunden. Ein dritter Balken 456, der der Zustandsvariablen LatAcc entspricht, zeigt ein starkes Überschwingen ab ca. 456 Stunden bis zum Ausfall der Maschine kurz nach 528 Stunden. Ein vierter Balken 458, der der Zustandsvariablen ResRot entspricht, zeigt ab ca. 522 Stunden ein starkes Überschwingen und warnt somit erst relativ kurz vor dem Maschinenausfall bei ca. 530 Stunden. Ein fünfter Balken 460, der der Zustandsvariablen LongRot entspricht, und ein sechster Balken 462, der der Zustandsvariablen LatRot entspricht, zeigen ein starkes Überschwingen dieser Zustandsvariablen durchgängig ab 456 Stunden bis zum Maschinenausfall bei 530 Stunden. Der siebte (464), achte (466) und neunte Balken (468), die der Erregerdrehzahl, dem THD und dem DriveNonDriveEPS entsprechen, zeigen nur ein leichtes Über- bzw. Unterschwingen im Zeitraum zwischen 456 und 530 Stunden, obwohl der THD-Balken (466) eine mäßige Bänderung in Bursts aufweist, die im Zeitraum nach 456 Stunden verteilt sind. Ein zehnter Balken 470 entspricht der Zustandsvariablen DriveNonDriveEAS und zeigt im gesamten Zeitraum zwischen 456 Stunden und dem Maschinenausfall bei 530 Stunden eine mäßige Unterschwingung, die bei 526 Stunden sehr stark wird. Bei den Zustandsvariablen LongAcc, LatAcc, ResRot, Long Rot, LatRot, ExciterSpeed und THD sind die Abweichungen von den prognostizierten Werten jeweils überwiegend oder ausschließlich mit Überschwingungen verbunden. Im Gegensatz dazu sind die Abweichungen von den Prognosen bei den drei Zustandsvariablen ResAcc, DriveNonDriveEPS und DriveNonDriveEAS überwiegend Unterschwingungen.
Aus der Heatmap in 4B geht hervor, dass ein signifikantes Über- und Unterschwingen bei ca. 417 Stunden beginnt und sich gleichmäßig bis zu ca. 456 Stunden fortsetzt, wenn das Über- und Unterschwingen bei mindestens fünf Zustandsvariablen stärker wird, was darin gipfelt, dass fast alle Zustandsvariablen bei ca. 522 Stunden eine Abweichung aufweisen, gefolgt von einem Maschinenausfall bei ca. 530 Stunden. Es ist aufschlussreich, dieses Bild des Betriebszustands in 4B mit dem Bild zu vergleichen, das der Wert der absoluten Zustandsgröße in 4A vermittelt. Es ist zu erkennen, dass die standardisierten Residuen zumindest einer Teilmenge der Zustandsvariablen bei ca. 417 Stunden eine Warnung liefern, dass der Maschinenbetrieb beginnt, vom Normalzustand abzuweichen, und dass es bei 456 Stunden zu einer sprunghaften Veränderung des Niveaus dieser Abweichung kommt, die anhält und sich bis zum endgültigen Maschinenausfall bei 530 Stunden verstärkt. Somit warnen die standardisierten Residuen in diesem Beispiel bei 417 Stunden vor einem drohenden Ausfall, während der Absolutwert der Zustandsvariablen LongRot erst bei 528 Stunden einen kritischen Ausfall anzeigt. Somit warnen die standardisierten Residuen nach der vorliegenden Vorgehensweise in diesem Beispiel den Benutzer etwa 110 Stunden (ca. 4,5 Tage) früher als das Tracking des absoluten Wertes der Standardvariablen. Diese frühere Warnung ermöglicht ein früheres Eingreifen, um das mechanische Problem zu erkennen und zu beheben, wodurch die Wahrscheinlichkeit schwerwiegenderer mechanischer Schäden und Ausfallzeiten der Schwingmaschine verringert werden können.
5 zeigt schematisch eine Heatmap der Zustandsvariablen über einen Zeitraum von etwa 33 Tagen des Betriebs der Schwingmaschine 110. In der zweiten Hälfte dieses Zeitraums beginnt sich ein Wälzlagerschaden am Erreger 114a zu entwickeln, der dazu führt, dass der Erreger bei etwa 1100 Stunden auf der Zeitachse ausgetauscht wird. Das oberste Diagramm in 5 ist eine Heatmap der standardisierten Residuen gemäß der vorliegenden Technik. Die dunkelsten Bereiche, wie z. B. die Bereiche 512 und 514, entsprechen einer Unterschwingung der Prognose des maschinellen Lernmodells, während die mittelgrauen Bereiche, wie z. B. 522, 516 und 526, eine Überschwingung des Zustandsvariablenwerts gegenüber der Prognose zeigen. Der gleiche Satz von zehn Zustandsvariablen wird in der gleichen Reihenfolge von oben nach unten dargestellt, wie oben in Bezug auf 4B beschrieben. Aus der Heatmap in 5 ist ersichtlich, dass bei den Zustandsvariablen ResAcc 552 und DriveNondriveEAS 554 bei etwa 720 Stunden auf der Zeitachse ein anhaltendes Überschwingen auftritt, das mit einem entsprechenden Unterschwingen der Zustandsvariablen ExciterSpeed 556 zusammenfällt. Bei ca. 960 Stunden kehren die Zustandsvariablen ResAcc 552 und DriveNondriveEAS 554 ihre Polarität von Überschwingen zu Unterschwingen um, und von 960 Stunden bis 1100 Stunden ist ein sehr starkes Unterschwingen dieser beiden Zustandsvariablen zu beobachten. Auch für LatAcc gibt es im gleichen Zeitraum eine starke Unterschwingung, während LongRot 510 in diesem Zeitraum von 960 Stunden bis 1100 Stunden mehrmals zwischen Über- und Unterschwingung wechselt.
Das mittlere Diagramm in 5 ist ein Diagramm eines absoluten Wertes von Messungen der Zustandsvariablen DriveNondriveEAS, deren Wert, gemessen in Vielfachen der Fallbeschleunigungs- oder Schwerebeschleunigungskonstante g (=9,81 ms^-2), zunächst relativ stabil bei etwa 0,85 liegt, bis der Wert bei 960 Stunden zu sinken beginnt und dann bei 1080 Stunden unter einen Alarmschwellenwert sinkt. In der Folge bleibt der Wert unter der Alarmschwelle, bis er bei 1100 Stunden wieder stark ansteigt, woraufhin die Maschine durch den Austausch des beschädigten Erregers repariert wird. Ausgehend von einem Schwellenwert von DriveNondriveEAS = 0,5 oder darunter, um einen Alarm auszulösen, könnte der Alarm, der auf ein Wartungsproblem hinweist, basierend auf diesem mittleren Diagramm erst bei 1100 Stunden ausgelöst werden. Beachten Sie, dass der Erreger bei 1100 Stunden ausgetauscht wurde und die maschinellen Lernmodelle danach für den neuen Normalzustand neu trainiert werden.
Das unterste der drei Diagramme in 5 ist ein Diagramm der resultierenden Beschleunigungsamplitude (ResAcc) gegen die verstrichene Zeit. Obwohl sich der Wert von ResAcc in Abhängigkeit von der Zeit geringfügig ändert, wie z. B. die kleine Spitze 532 bei ca. 900 Stunden, gefolgt von einem vorübergehenden Abfall des Wertes 534 und einem leichten Rückgang des Wertes zwischen 1030 Stunden und 1224 Stunden, gibt es keine eindeutige Änderung des Wertes der Zustandsvariablen ResAcc, die den Lagerschaden widerspiegelt. Anhand dieses untersten Diagramms ist es schwierig, den Lagerschaden am Erreger zu identifizieren.
Es ist klar, dass die Heatmap des obersten Diagramms in 5 die früheste Prognose der Abweichung der Schwingmaschine vom Normalbetrieb liefert. Die ersten Anzeichen einer Abweichung vom Normalbetrieb zeigen sich bei 720 Stunden und nicht erst bei 1100 Stunden. Dies ermöglicht ein früheres Eingreifen und die Behebung mechanischer Probleme, bevor es zu einem kritischen Ausfall der Maschine kommt.
6 veranschaulicht schematisch eine Verbesserung der diagnostischen Leistung von Messungen der Residuen von Zustandsvariablen, die durch eine „Standardisierung“ der Residuen erreicht wird. Eine erste Heatmap 610 zeigt die Residualwerte gegen die Zeit für jede der zehn Beispiel-Zustandsvariablen, bei denen es sich um dieselben zehn Zustandsvariablen handelt, die in der Heatmap von 4B dargestellt sind. In dieser Darstellung, die die Residuen einschließlich ihrer Richtung relativ zur Prognose (Über- oder Unterschwingung) für die entsprechende Zustandsvariable zeigt, weisen zwei Zustandsvariablen leichte Überschwingungen in der zweiten Hälfte des Zeitraums auf, eine dritte Zustandsvariable zeigt intermittierende moderate Überschwingungen der Prognose in der zweiten Hälfte des Zeitraums. Die zweitniedrigste Zustandsvariable zeigt [sic - ,throughput‘ should be ,throughout‘?] in der zweiten Hälfte des Zeitraums eine leichte Unterschwingung, die ganz am Ende stärker wird. Die unterste Zustandsvariable zeigt für die Dauer der zweiten Hälfte des Zeitraums eine starke Unterschwingung.
Eine zweite Heatmap 650 stellt dieselben Sensormessungen über denselben Zeitraum wie die erste Heatmap dar, wobei jedoch die Residuen durch Division jedes Residuums durch die Standardabweichung der Messungen der Zustandsvariablen, die in den zum Trainieren des maschinellen Lernmodells verwendeten Testdaten enthalten sind, standardisiert wurden. Es ist offensichtlich, dass als Ergebnis der Standardisierung die Abweichungen vom Normalbetrieb der Maschine deutlicher und konsistenter über mehr Zustandsparameter hinweg werden, als dies bei der ersten Heatmap 610 der Fall ist. Beispielsweise werden die Überschwinger bei den Werten von LatAcc 652, LongRot 654 und LatRot 656 ausgeprägter und konsistenter mit den Unterschwingern bei den unteren beiden Zustandsvariablen DriveNondriveEPS 658 und DriveNondriveEAS 660. Die Standardisierung sorgt für eine genauere Prognose und Identifizierung von Maschinenwartungsproblemen, indem sie alle relativen Unterschiede in der Anpassungsgüte der linearen Regressionsprognosen für die verschiedenen Zustandsvariablen ausgleicht.
7 zeigt schematisch drei verschiedene Heatmaps, wobei jede Heatmap für eine andere Art von Maschinenwartungsproblem charakteristisch ist. Die oberste Heatmap 710 erfasst standardisierte Residuen von Zustandsvariablendaten in einer Schwingmaschine mit einem losen Erreger. Der Defekt lässt sich am ehesten anhand von Überschwingungen der Werte LatAcc, LongRot und LatRot erkennen. Die mittlere Heatmap 720 erfasst die standardisierten Residuen der Zustandsvariablendaten einer Schwingmaschine mit einem Wälzlagerschaden an einem der Erreger. Dies wird am deutlichsten durch Unterschwingungen der Werte für ResAcc, LongAcc, LatAcc und DriveNondriveEAS angezeigt. Die unterste Heatmap 730 erfasst standardisierte Residuen von Zustandsvariablendaten in einer Schwingmaschine mit Riemenscheibenverschleiß im Materialförderer. Das Problem des Riemenscheibenverschleißes zeigt sich vor allem in einer Unterschwingung der ExciterSpeed und einer weniger starken Unterschwingung der LatRot. In dieser untersten Heatmap weisen weniger Zustandsvariablen Merkmale auf, die auf das Vorhandensein des Schadens hindeuten. Aus den unterschiedlichen Merkmalen der drei Heatmaps 710, 720, 730 in 7 ist ersichtlich, dass verschiedene Maschinenwartungsprobleme mit unterschiedlichen charakteristischen Heatmap- „Signaturen“ verbunden sein können, die zur Identifizierung des Vorhandenseins des spezifischen Wartungsproblems verwendet werden können.
8 zeigt schematisch, wie Heatmaps, die für zwei verschiedene Maschinenwartungsprobleme charakteristisch sind, segmentiert und in ein maschinelles Bildklassifizierungs-Lernmodell wie ein CNN-Modell oder ein LSTM-Modell eingegeben werden können. Die segmentierten Heatmaps können verwendet werden, um das maschinelle Lernmodell des Bildklassifikators darauf zu trainieren, ein oder mehrere Maschinenwartungsprobleme in Heatmaps zu erkennen. Eine erste Heatmap 810 ist charakteristisch für einen losen Erreger und eine zweite Heatmap 820 ist charakteristisch für einen Lagerschaden. Diese entsprechen zwei der in 7 dargestellten Heatmaps 710, 720. Die Heatmap des losen Erregers ist in eine Folge von Teilen segmentiert. Die Segmentierung ist nützlich, um Schäden bereits in einem frühen Stadium zu klassifizieren, d. h. in dem Zeitbereich, in dem ein Schaden gerade beginnt. Die Segmente werden unabhängig voneinander gelernt, so dass in diesem Beispiel die relative zeitliche Abfolge der Segmente nicht wichtig ist. In diesem Beispiel gibt es sieben Teile, und die zeitliche Abfolge der verschiedenen Teile wird nicht beibehalten. Zwei oder mehr der Teile können sich überschneiden. Jeder der sieben Bestandteile kann mit der Schadensklasse gekennzeichnet werden. Die gekennzeichneten Segmente der Heatmap können in ein CNN eingegeben werden, um das Netz auf die Klassifizierung von Schäden zu trainieren. In ähnlicher Weise kann die Heatmap 820 für Lagerschäden in eine Vielzahl von Teilen 824 segmentiert werden, die jeweils als Lagerschäden gekennzeichnet sind. Gekennzeichnete Trainingsdaten entsprechen einem „überwachten“ Lernprozess. Die segmentierten Bilder können sich überschneidende Teile haben und in beliebiger zeitlicher Reihenfolge in das CNN eingegeben werden. Zu Trainingszwecken kann mehr als eine vollständige Heatmap verwendet werden. Die Anzahl der Segmente ist nicht auf sieben beschränkt. Die Trainingsdaten können zusätzlich zu oder anstelle von Lagerschäden und Erregerfehlern weitere Schadenskategorien enthalten. In alternativen Beispielen kann ein „unüberwachtes“ Lernen implementiert werden, bei dem die Heatmaps ohne Kennzeichnung eingegeben werden. Das unüberwachte Lernen ist rechenintensiver als das überwachte Lernen. Die segmentierten Heatmaps 814, 824 werden in ein maschinelles Bildverarbeitungs-Lernmodell 850 eingegeben, um das maschinelle Lernmodell so zu trainieren, dass es ein oder mehrere Wartungsprobleme im Zusammenhang mit der Maschine erkennt. In einem alternativen Beispiel werden die Heatmap-Daten zum Trainieren eines maschinellen Lernmodells verwendet, um ein oder mehrere Wartungsprobleme der Maschine zu identifizieren, ohne die Heatmap-Daten zunächst als Bild darzustellen.
9 veranschaulicht schematisch die Verwendung von standardisierten Residuen zur Identifizierung eines Defekts in einer vertikalen Walzenmühle. Das oberste Diagramm 910 ist eine Heatmap mit sieben Zustandsvariablen, die für die vertikale Walzenmühle geeignet sind. Dabei handelt es sich um einen anderen Satz von Zustandsvariablen als bei der Schwingmaschine in 1. Die Zustandsvariablen vom oberen Balken zum unteren Balken sind: am Gutsichter gemessener Luftdruck (ClsdP); Stromversorgung des Gutsichters (ClskW); Materialzuführung in die Mühle (FeedSp); Einlasstemperatur zum Trocknen des Materials in der Mühle (InletT); am Mühlenboden gemessener Luftdruck (MilldP); Drehzahl des Mühlenmotors (MilIRPM); und Stromversorgung der Mühle (MillkW).
Die Heatmap 910, die die standardisierten Residuen darstellt, zeigt Unterschwingungen in den dunkelsten Bereichen und Überschwingungen in den dunkleren grauen Bereichen. Zum Beispiel zeigt die Variable FeedSp 912 eine Unterschwingungsregion 914a gefolgt von einer Überschwingungsregion 914b zwischen den Zeiten 16:30 und 16:32. Alle sieben Zustandsvariablen in diesem Beispiel zeigen durchgängig Abweichungen vom Normalbetrieb im Zeitraum zwischen etwa 16:28 und 16:32 Uhr.
Das mittlere Diagramm in 9 zeigt gemessene Werte der Zustandsvariablen MilldP neben einer linearen Regressionsprognose für die Werte dieser Variablen. Die gemessenen und die vorhergesagten Werte stimmen von 16:10 Uhr bis etwa 16:29 Uhr auf der Zeitachse sehr gut überein, dann beginnen die Werte zu divergieren. Diese Divergenz ist am deutlichsten zwischen 16:30 und 16:32, wo die gemessenen Werte 924 zunehmen und schließlich über die vorhergesagten Werte 922 steigen. Die Zahlenwerte auf der linken vertikalen Achse sind die für die Werte dieser Zustandsvariablen relevanten Werte. Die Werte auf der rechten y-Achse können hier vernachlässigt werden.
Das unterste Diagramm 930 in 9 zeigt das standardisierte Residuum für die Zustandsvariable MilldP. Der Wert des standardisierten Residuums ist für den Zeitraum von 16:10 bis ca.16:30 im Wesentlichen null, danach beginnt er über und unter null zu oszillieren. Diese Änderung des standardisierten Residuums impliziert gleichzeitig eine Änderung des Verhaltens der Vertikalmühle. Die Abweichung des standardisierten Residuums von null fällt mit dem charakteristischen Über- und Unterschwingen zusammen, das sich bei allen sieben Zustandsvariablen in der obersten Grafik 910 im Zeitintervall zwischen 16:28 und 16:32 Uhr wiederholt. Diese Abweichungen werden durch die Blockierung der Walze aufgrund von Ölverlust verursacht.
10 zeigt schematisch einen maschinenlesbaren Speicher und maschinenlesbare Anweisungen zur Überwachung des Betriebs einer Maschine mit einer mechanischen Komponente. 10 zeigt einen maschinenlesbaren Speicher 1000, der einen Satz maschinenausführbarer Anweisungen 1010 speichert. Die maschinenausführbaren Anweisungen umfassen: erste Anweisungen 1012 zum Empfangen von Sensordaten, die einer Zeitreihe von Zustandsvariablendaten entsprechen; zweite Anweisungen 1014 zum Verarbeiten eingehender Daten unter Verwendung eines vortrainierten maschinellen Lernmodells für die entsprechende Zustandsvariable, um Residuen zu berechnen; dritte Anweisungen 1016 zum Berechnen standardisierter Residuen für Zustandsvariablen auf der Grundlage von Daten aus dem normalen Maschinenbetrieb; und vierte Anweisungen 1018 zum Identifizieren jeglicher Abweichung vom Normalbetrieb der Maschine und zum Prognostizieren oder Erkennen eines Wartungsproblems auf der Grundlage der standardisierten Residuen.
Die maschinenausführbaren Anweisungen können auf einem oder mehreren Prozessoren 1020 ausgeführt werden. Der / die Prozessor(en) kann / können sich in einem einzigen Rechengerät befinden oder alternativ auf zwei oder mehr verschiedene Rechengeräte des Rechensystems verteilt sein.
Die Anweisungen 1010, 1012, 1014, 1016 und 1018 können durch allgemeine Verarbeitungsschaltungen verarbeitet werden, die durch Programmanweisungen so konfiguriert sind, dass sie bestimmte Verarbeitungsfunktionen ausführen. Der Schaltkreis kann auch durch Modifikation der Verarbeitungshardware konfiguriert werden. Die Konfiguration der Schaltkreise zur Ausführung einer bestimmten Funktion kann ausschließlich auf die Hardware, ausschließlich auf die Software oder auf eine Kombination aus Hardwaremodifikation und Softwareausführung beschränkt sein. Programmanweisungen können verwendet werden, um die Logikgatter von Allzweck- oder Spezialverarbeitungsschaltungen so zu konfigurieren, dass eine Verarbeitungsfunktion ausgeführt wird.
Die Schaltung kann beispielsweise als Hardwareschaltung mit Prozessoren, Mikroprozessoren, Schaltkreisen, Schaltungselementen (z. B. Transistoren, Widerständen, Kondensatoren, Induktoren usw.), integrierten Schaltkreisen, anwendungsspezifischen integrierten Schaltkreisen, programmierbaren Logikbausteinen, digitalen Signalprozessoren, feldprogrammierbaren Gate-Arrays, Logikgattern, Registern, Halbleiterbausteinen, Chips, Mikrochips, Chipsätzen usw. implementiert werden.
Der (die) Prozessor(en) 1020 von 10 kann (können) Allzweckprozessoren, Netzwerkprozessoren, die über ein Computernetz übertragene Daten verarbeiten, Grafikverarbeitungseinheiten oder andere Prozessortypen umfassen, einschließlich Computern mit reduziertem Befehlssatz oder komplexen Befehlssätzen. Jeder Prozessor kann aus einem einzigen oder mehreren Kernen bestehen. Bei Multikernprozessoren können verschiedene Prozessorkerntypen auf demselben integrierten Schaltkreis integriert sein.
Die Überwachung des Maschinenbetriebs gemäß der vorliegenden Technik kann ganz oder teilweise durch maschinenlesbare Programmanweisungen implementiert werden. Maschinenlesbare Programmanweisungen können auf einem transitorischen Medium, z. B. einem Übertragungsmedium, oder auf einem nicht-transitorischen Medium, z. B. einem Speichermedium, bereitgestellt werden. Diese maschinenlesbaren Anweisungen (Computerprogrammanweisungen) können in einer prozeduralen oder objektorientierten Hochsprache implementiert sein. Das / die Programm(e) kann / können jedoch auch in Assembler- oder Maschinensprache implementiert werden, falls gewünscht. Auf jeden Fall kann die Sprache eine kompilierte oder interpretierte Sprache sein und mit Hardware-Implementierungen kombiniert werden.
Beispiele der vorliegenden Offenbarung können für alle Arten von integrierten Halbleiterschaltungen (IC) verwendet werden. Beispiele für diese IC-Chips sind u. a. Prozessoren, Steuerungen, Chipsatzkomponenten, programmierbare Logikarrays, Speicherchips und Netzwerkchips. Eine oder mehrere der hier beschriebenen Komponenten können als System On Chip (SOC) ausgeführt sein. Ein SOC kann beispielsweise einen oder mehrere Zentralprozessorkerne, einen oder mehrere Grafikprozessorkerne, eine Eingabe-/ Ausgabeschnittstelle und einen Speichercontroller umfassen. In einigen Beispielen können ein SOC und seine Komponenten auf einem oder mehreren integrierten Schaltkreisen untergebracht sein; sie können zum Beispiel in einem einzigen Halbleiterbauelement untergebracht sein.

Claims

Computerimplementiertes Verfahren zur Überwachung des Betriebs einer Maschine mit einer mechanischen Komponente, wobei das Verfahren Folgendes umfasst: Empfang von Sensordaten, die eine Zeitreihe von Messungen eines einer Zustandsvariablen entsprechenden Betriebsparameters der Maschine umfassen; Verarbeiten der Zeitreihe von Messungen für die Zustandsvariable unter Verwendung eines maschinellen Lernmodells, das so vortrainiert ist, dass es das normale Betriebsverhalten der Maschine auf der Grundlage von Werten der Zustandsvariablen vorhersagt, die während eines Zeitraums während des normalen Betriebs der Maschine beobachtet wurden, wobei die Verarbeitung dazu dient, einen standardisierten Rest für die Zustandsvariable über die Zeitreihe auf der Grundlage einer Prognose des vortrainierten maschinellen Lernmodells zu berechnen; und Identifizierung von Abweichungen vom Normalbetrieb der Maschine anhand der standardisierten Residuen.
Computerimplementiertes Verfahren nach Anspruch 1, wobei die Identifizierung der Abweichung vom Normalbetrieb die Berücksichtigung eines Vorzeichens des standardisierten Residuums umfasst, so dass ein Überschwingen des standardisierten Residuums von einem Unterschwingen des standardisierten Residuums unterscheidbar ist.
Computerimplementiertes Verfahren nach Anspruch 2, wobei sich die empfangenen Sensordaten auf eine Vielzahl von Betriebsparametern der Maschine beziehen, die jeweils unterschiedlichen Zustandsvariablen entsprechen, und wobei die Identifizierung der Abweichung Korrelationen zwischen den standardisierten Residuen der Vielzahl von Betriebsparametern berücksichtigt.
Computerimplementiertes Verfahren nach Anspruch 3, wobei für jede unterschiedliche Zustandsvariable ein jeweils unterschiedliches vortrainiertes maschinelles Lernmodell bereitgestellt wird.
Computerimplementiertes Verfahren nach Anspruch 4, wobei eine ganzzahlige Anzahl N linearer Regressionsmodelle bereitgestellt wird, um das normale Betriebsverhalten für N Zustandsvariablen vorherzusagen.
Computerimplementiertes Verfahren nach einem der Ansprüche 3 bis 5, umfassend das Erzeugen einer maschinenlesbaren Heatmap für die Vielzahl von Zustandsvariablen über die Zeitreihe, wobei die Heatmap für jede Zustandsvariable jede Überschwingung und jede Unterschwingung der standardisierten Residuen für mindestens eine Zustandsvariable anzeigt und wobei die Heatmap bei der Identifizierung der Abweichung vom Normalbetrieb verwendet wird.
Computerimplementiertes Verfahren nach Anspruch 6, das das Erzeugen eines digitalen Bildes, das die Heatmap darstellt, und das Darstellen des digitalen Bildes für einen Benutzer auf einer Steuerschnittstelle für die Maschine umfasst.
Computerimplementiertes Verfahren nach Anspruch 6, das das Erzeugen eines digitalen Bildes, das die Heatmap darstellt, und das Bereitstellen der Heatmap für ein künstliches neuronales Netz umfasst, das unter Verwendung von Heatmaps für die Vielzahl von Zustandsvariablen, die während des normalen Betriebs der Maschine erfasst wurden, vortrainiert wurde, wobei die Identifizierung jeglicher Abweichung vom normalen Betrieb unter Verwendung des vortrainierten künstlichen neuronalen Netzes durchgeführt wird.
Computerimplementiertes Verfahren nach Anspruch 8, wobei das künstliche neuronale Netz auf der Grundlage der Heatmaps für die Vielzahl von Zustandsvariablen, die während des Normalbetriebs erfasst wurden, vortrainiert wird, um eine Schadensklassifizierung durchzuführen, um verschiedene Arten von Abweichungen vom Normalbetrieb auf der Grundlage von Korrelationen beim Unterschwingen und Überschwingen als Funktion der Zeit zwischen verschiedenen der Vielzahl von Zustandsvariablen zu identifizieren.
Computerimplementiertes Verfahren nach Anspruch 9, wobei das künstliche neuronale Netz durch Segmentierung einer Heatmap in eine Vielzahl von unterschiedlichen oder sich teilweise überlappenden Zeitsegmenten bei der Eingabe der zeitsegmentierten Heatmap-Bilder in das künstliche neuronale Netz zur Klassifizierung vortrainiert wird.
Computerimplementiertes Verfahren nach Anspruch 9 oder Anspruch 10, wobei die für das Vortraining verwendeten Heatmap-Bilder durch ein bekanntes Wartungsproblem gekennzeichnet sind, das in der Maschine vorhanden war, als die Sensordaten für das Heatmap-Bild erfasst wurden.
Ein computerimplementiertes Verfahren zum Trainieren eines künstlichen neuronalen Netzes, um Abweichungen vom Normalbetrieb einer Maschine mit einem mechanischen Teil zu erkennen, wobei das Verfahren das Folgende umfasst: Empfangen von maschinenlesbaren Daten, die standardisierte Residuen umfassen, die auf der Grundlage einer Differenz der Werte einer oder mehrerer Zustandsvariablen zwischen Sensordaten, die von der Maschine in einem Zeitraum erfasst wurden, und einer Prognose für den Wert der entsprechenden Zustandsvariablen, die unter Verwendung eines vortrainierten maschinellen Lernmodells erstellt wurde, berechnet wurden; Erzeugen eines Heatmap-Datensatzes, der den Zeitraum darstellt und jede Über- oder Unterschwingung als Funktion der Zeit von standardisierten Residuen von Sensordaten für jede von einer oder mehreren Zustandsvariablen anzeigt; und Verwendung des Heatmap-Datensatzes zum Trainieren des künstlichen neuronalen Netzes zur Erkennung von Wartungsproblemen an der Maschine.
Computerimplementiertes Verfahren nach Anspruch 12, wobei der Heatmap-Datensatz als Bilddaten gerendert wird und das Heatmap-Bild in das künstliche neuronale Netz eingegeben wird, um das Training durchzuführen.
Computerimplementiertes Verfahren nach Anspruch 13, wobei es sich bei dem künstlichen neuronalen Netzwerk um ein Convolutional Neural Network oder ein Long Short-Term Memory Network handelt.
Computerimplementiertes Verfahren nach Anspruch 13 oder Anspruch 14, wobei die Heatmap vor der Eingabe in das künstliche neuronale Netz in eine Vielzahl von unterschiedlichen oder sich überlappenden Zeitsegmenten segmentiert wird, um das künstliche neuronale Netz zu trainieren.
Ein transitorisches oder nichttransitorisches maschinenlesbares Medium, das maschinenlesbare Anweisungen zur Durchführung des computerimplementierten Verfahrens nach einem der Ansprüche 1 bis 15 enthält.
Datenverarbeitungsvorrichtung umfassend: einen Speicher zum Speichern von Sensordaten, die während des Betriebs einer Maschine mit einem mechanischen Teil erfasst wurden; und Verarbeitungsschaltungen, die so angeordnet sind, dass sie: auf die Sensordaten aus dem Speicher zugreifen, wobei die Sensordaten eine Zeitreihe von Messungen eines Betriebsparameters der Maschine entsprechend einer Zustandsvariablen umfassen; Verarbeiten der Zeitreihe von Messungen für die Zustandsvariable unter Verwendung eines maschinellen Lernmodells, das so vortrainiert ist, dass es das normale Betriebsverhalten der Maschine auf der Grundlage von Werten der Zustandsvariablen vorhersagt, die während eines Zeitraums während des normalen Betriebs der Maschine beobachtet wurden, wobei die Verarbeitung dazu dient, einen standardisierten Rest für die Zustandsvariable über die Zeitreihe auf der Grundlage einer Prognose des vortrainierten maschinellen Lernmodells zu berechnen; und eine Abweichung vom Normalbetrieb der Maschine anhand der standardisierten Residuen zu erkennen.
Datenverarbeitungsvorrichtung mit Verarbeitungsschaltungen zum: Empfang von maschinenlesbaren Daten, die standardisierte Residuen umfassen, die auf der Grundlage einer Differenz der Werte einer oder mehrerer Zustandsvariablen zwischen Sensordaten, die von der Maschine in einem Zeitraum erfasst wurden, und einer Prognose für den Wert der entsprechenden Zustandsvariablen, die unter Verwendung eines vortrainierten maschinellen Lernmodells erstellt wurde, berechnet wurden; Erzeugen eines Heatmap-Datensatzes, der den Zeitraum darstellt und jede Über- oder Unterschwingung als Funktion der Zeit von standardisierten Residuen von Sensordaten für jede von einer oder mehreren Zustandsvariablen anzeigt; und Verwendung des Heatmap-Datensatzes zum Trainieren des künstlichen neuronalen Netzes zur Erkennung von Wartungsproblemen an der Maschine.
Datenverarbeitungsvorrichtung nach Anspruch 18, wobei der Heatmap-Datensatz als Bilddaten wiedergegeben wird und das Heatmap-Bild in das künstliche neuronale Netz eingegeben wird, um das Training durchzuführen.
Datenverarbeitungsvorrichtung nach Anspruch 19, wobei das künstliche neuronale Netzwerk eines von einem Convolutional Neural Network und einem Long Short-Term Memory Network ist.