WO2023011909A1 - Detection of an anomaly of a household appliance - Google Patents

Detection of an anomaly of a household appliance Download PDF

Info

Publication number
WO2023011909A1
WO2023011909A1 PCT/EP2022/070124 EP2022070124W WO2023011909A1 WO 2023011909 A1 WO2023011909 A1 WO 2023011909A1 EP 2022070124 W EP2022070124 W EP 2022070124W WO 2023011909 A1 WO2023011909 A1 WO 2023011909A1
Authority
WO
WIPO (PCT)
Prior art keywords
device data
household appliance
pattern
data
patterns
Prior art date
Application number
PCT/EP2022/070124
Other languages
German (de)
French (fr)
Inventor
Mircea BARBU
Sobhan Kor
Michael OBERMAIER
Original Assignee
BSH Hausgeräte GmbH
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 BSH Hausgeräte GmbH filed Critical BSH Hausgeräte GmbH
Priority to CN202280053252.3A priority Critical patent/CN117751334A/en
Publication of WO2023011909A1 publication Critical patent/WO2023011909A1/en

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24042—Signature analysis, compare recorded with current data, if error then alarm
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25235—Associate a sequence function to each control element, event signature
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2613—Household appliance in general

Definitions

  • the invention relates to the detection of an anomaly in a household appliance.
  • the invention relates to the automatic determination of an anomaly in the household appliance.
  • a household appliance includes a control device that is set up to record device data of the household appliance during its operation.
  • the household appliance can include one or more sensors, the readings of which are recorded by the control device.
  • Additional device data can include circumstances under which the measured values were created, for example a function of the household appliance that is currently being carried out, a date or a time.
  • the recorded device data can be stored in a local memory in the manner of a log file. For reasons of space, the stored device data can be overwritten cyclically, or only device data that meet a predetermined condition are stored.
  • the stored appliance data are usually only analyzed if the household appliance shows a malfunction.
  • a possible connection between the malfunction and previously stored device data is usually checked by a service technician. To do this, the household appliance usually has to be transported to the service technician or vice versa.
  • there is usually no large-scale analysis of the stored device data so it can be difficult to draw conclusions about the behavior of a household device or its future behavior or that of another. As a result, detecting and, if necessary, rectifying an anomaly in a household appliance can be difficult and require a great deal of human experience.
  • a method for detecting an anomaly in a household appliance comprises the steps of acquiring device data of the household appliance during its operation; determining that the device data does not correspond to a common device state; determining similarities of the captured device data to predetermined patterns of device data; and associating the captured device data with one of the templates.
  • the recorded device data can be automatically assigned to one of the patterns.
  • Each of the patterns can represent a predetermined behavior, an anomaly, a problem, or an aging state of the household appliance.
  • the pattern to which the device data most closely resembles is preferably selected. More preferably, the assignment only takes place if the similarity of the device data to the next less similar pattern is below a predetermined threshold value.
  • the home appliance can be better assessed based on the acquired device data, and a possible anomaly can be better determined.
  • a description of a device status of the household appliance is preferably assigned to a pattern.
  • the description can be in text form or in a machine-processable form, which can also be called binary form.
  • the description may be provided when the device data is associated with the template.
  • the device status can include an error, it being possible for an indication of the error to be output.
  • the information can be directed to a user of the household appliance or to a technician.
  • the description can have an explanatory effect, for example "pump defective”.
  • the description can include a reference to an improvement in the condition of the device, for example “replace the pump, carry out a leak test”.
  • the pattern to which the detected device data is assigned is then expanded to include the detected device data.
  • the device data can be recognized even more easily, quickly or better by the pattern in the future.
  • use can be made of machine pattern recognition and machine learning methods.
  • recognition security can be improved in the long term by recording the device data.
  • unsupervised learning methods can be used to automatically improve the present method.
  • the pattern can be determined that the pattern has been extended by a predetermined number of detected device data.
  • the predetermined number can be relative to the number of device data on which the pattern was originally created.
  • the pattern may be originally created based on labeled device data. If the amount of device data on which it is based has been increased by around 20%, for example, then the pattern can be checked. The check can be automatic or manual.
  • the automatic check can include checking whether the device data on which the pattern is based are consistent with one another. In other words, it can be checked whether the device data on which the pattern is based are sufficiently similar to one another and are sufficiently different from other patterns. Measures of similarity can be predetermined for this purpose. It may be possible to recreate the pattern based on a subset of device data. Discarded device data can be assigned to a different pattern.
  • a new template is created if the collected device data is not sufficiently similar to any of the existing templates.
  • device data that is similar to one another can be collected, even if it is not yet known which device status or which device behavior is associated with it.
  • a broad database can be created in an improved manner, which allows the domestic appliance to be analyzed. For example, behavior of the household appliance that only occurs sporadically or only after a long period of operation can be tracked down in an improved manner in this way.
  • the method can work particularly effectively if the patterns used initially recognize or represent the device states assigned to them in an improved manner.
  • the initial patterns can be created on the basis of laboratory tests.
  • a pattern is determined on the basis of appliance data that is recorded when the household appliance is in operation after a predetermined period of operation.
  • the household appliance can be subjected to a long-term test in which operating times of different lengths can be generated or simulated.
  • a pattern is determined on the basis of appliance data that is recorded when the household appliance is operated under various predetermined environmental conditions.
  • the household appliance can be operated in an environmental laboratory.
  • the environmental laboratory can include, for example, a climatic chamber or a vibrating table. In this way, different climatic or physical conditions can be created under which the household appliance can be systematically observed.
  • the climate chamber can generate different temperatures or different relative humidity levels.
  • Other possible environmental factors that can be generated in the climate chamber include, for example, infrared radiation or ultraviolet radiation.
  • Other conditions that may be varied include different supplies or fluctuations in a supply voltage. Other operating conditions can also be established accordingly.
  • a device for controlling a household appliance includes a device for acquiring device data of the household appliance during its operation; a device for determining similarities of the detected device data with predetermined patterns; and a device for assigning the recorded device data to one of the patterns.
  • the device can include a control device for the household appliance.
  • the control device can be included in the household appliance.
  • the detection and, if necessary, correction of an anomaly can thus be carried out in an improved manner using local means.
  • measures for predictive maintenance or for correcting simple errors can be carried out directly by a user of the household appliance. Intervention by a trained person or the use of special tools or techniques may not be required.
  • One or more of the devices can be implemented by a processing device which, in one embodiment, is set up to partially or completely carry out a method described herein.
  • the processing device may comprise a programmable microcomputer or microcontroller and the method may be in the form of a computer program product having program code means.
  • the computer program product can be stored on a computer-readable data carrier. Additional features or advantages of the method can be transferred to the device and vice versa.
  • the device for determining similarities of the recorded device data with predetermined patterns comprises an artificial neural network.
  • the neural network can be trained on the basis of predetermined device data to recognize initial patterns.
  • the pattern can be adapted by the device itself, or new device data can be sent to a remote device, which trains an artificial neural network based on them and can transmit them back to the household device.
  • the household appliance can replace or update the existing neural network with a received one.
  • a household appliance comprises a device as described herein.
  • a central point comprises a device for receiving appliance data which were recorded on various household appliances which are comparable to one another while they were in operation; a device for determining similarities of the detected device data with predetermined patterns; and a device for assigning the recorded device data to one of the patterns.
  • the household appliances can in particular be examples of the same series of household appliances. Samples of different but similar series of household appliances can also be used.
  • the central point can be implemented in particular in the form of a server or, for example, as a service in a cloud.
  • the device data can in particular be transmitted wirelessly from the household appliance to the central location.
  • the central office can carry out the technology described with regard to different household appliances. Parallels between the different household appliances can then be better determined. This determination can be made manually or automatically. The transferability of results from one household appliance to another can be checked accordingly.
  • the central location can access a disproportionately enlarged base of device data. This can enable an improved determination of relevant patterns.
  • FIG. 1 shows a system with a household appliance and a central location
  • FIG. 2 shows a flow chart of a method.
  • FIG. 1 shows a system 100 with a household appliance 105 and a central location 110.
  • the household appliance 105 is shown as a coffee machine by way of example, but it can also include any other appliance that is preferably set up for use in a household.
  • the household appliance 105 can be used in a household kitchen, can be used for laundry care or household cleaning.
  • the household appliance 105 includes a control device 115 which can be set up to control a function of the household appliance 105 .
  • a dedicated control device can be provided for device control.
  • the control device 115 includes a processing device 120 which is connected to one or more sensors 125 .
  • a first sensor 125 which is set up to determine a pressure of water when brewing coffee, and a second sensor 125, which is set up to detect an operating noise of the household appliance 105, are shown as examples.
  • any number of further sensors 125 can be provided.
  • an input device for use by a person can also be regarded as sensor 125 .
  • activation of an actuator of the household appliance 105 for example a heater or a pump, can be detected, which can also be viewed as a sensor 125.
  • an actuator of the household appliance 105 for example a heater or a pump
  • a sensor 125 can also be viewed as a sensor 125.
  • Device data of the household appliance 105 recorded by means of the sensors 125 can be processed by the processing device 120 and optionally also stored.
  • the processing can include a comparison with predetermined patterns, which are described in more detail below with reference to FIG.
  • a pattern can be created or improved on the basis of acquired device data. Both the recognition and the adaptation of a pattern can take place locally on the part of the control device 115 or remotely on the part of the central location 110 . It is preferred that the pattern recognition is done locally and device data that is compared to the pattern is sent to the central location 110 where a pattern can be improved based on the device data. A changed or new pattern can be sent back to the household appliance 105 .
  • the household appliance 105 For communication with the central location 110, the household appliance 105 preferably includes a communication device 130, which is shown as a wireless interface by way of example.
  • the central point 110 includes a corresponding communication communication device 135.
  • the communication devices 130, 135 can also be set up for wired communication.
  • the communication usually takes place via a predetermined network, for example a mobile radio network or the Internet.
  • the central point 110 further comprises a processing device 140 and an optional storage device 145.
  • An interface 150 can also be provided.
  • the processing device 140 is preferably set up to execute an artificial neural network 155 .
  • Device data of the household appliance 105 which was received via the communication device 135, can be checked by the processing device 140 for similarity to one or more predetermined patterns.
  • a pattern can be trained on the basis of received device data.
  • this may include training the network 155 on the received device data.
  • Received device data can be stored in the storage device 145 .
  • Training an artificial neural network 155 may require a large variety of device data, and the central office 110 is preferably set up to receive and store device data from a large number of household appliances 105 .
  • Received device data may also be accumulated over time to create a pattern or improve recognition performance related to a pattern.
  • information that is associated with a pattern can be stored in the storage device 145 . This information can include, for example, a designation, the frequency of an occurrence, a note on rectifying or improving the device status, or service information. In particular, this information can be created by a person skilled in the art on the basis of an analysis of device data that is assigned to a pattern.
  • An indication of a pattern matching received device data may be provided via the interface 150 .
  • the notice may include the information mentioned in part or in full.
  • functions of the processing device 140 of the central location 110 can also be performed by the processing device 120 of the control device 115 of the household appliance 105 .
  • the neural network 155 it is preferable for the neural network 155 to be local in the processing Device 120 of the household appliance 105 takes place, and a creation or further development of the neural network 155 by the central office 110.
  • FIG. 2 shows a flowchart of a method 200 that can be executed on system 100 in particular.
  • the method 200 can be executed entirely or partially on the control device 115 of the household appliance 105 or on the central location 110 .
  • a mixed version is also possible.
  • appliance data of the household appliance 105 can be scanned.
  • the device data can come from one or more of the sensors 125 in particular.
  • an abnormal device condition can be determined based on the device data. In particular, it can be determined that the device data does not match a pattern that indicates a normal device state.
  • the collected device data may be compared to one or more templates, each relating to an abnormal device condition.
  • the patterns can, for example, have been created on the basis of laboratory tests or manually labeled data sets using methods of artificial learning.
  • a step 220 it can be determined whether a pattern could be found to which the detected device data are sufficiently similar. In particular, it can be checked whether an unambiguous assignment of the device data to one of the patterns is possible. If this is not the case, then in a step 225 it can be determined that the device data are sufficiently different from all known patterns. In addition, a new template can be created based on the acquired device data. In a step 230, the scanned device data can be assigned to the new pattern or to a previously found sufficiently similar pattern. Optionally, in a step 235, a description of an associated device state can be provided. This description can be provided in particular to an operator or a service person for the household appliance 105 .
  • the pattern to which the device data could be assigned can be expanded to include the device data. In the case of the newly generated pattern, this may already have taken place. In the case of an already existing pattern, the device data can first be saved for a later update of the pattern. In a step 245 it can be determined whether there is enough new device data for a pattern present. It can also be checked whether device data that is to be assigned to a template has reached a higher than a predetermined age. Other criteria are also possible. In a step 250, the pattern can be updated as a function of the criteria determined. In particular, it can be checked whether there is device data that is associated with the pattern but should actually be better associated with another pattern.
  • the pattern or its recognition can be trained in step 250 .
  • the recognition of all existing patterns is trained together.
  • This may also include a pattern associated with a device condition that indicates normal, non-abnormal operation of the home appliance 105 .
  • step 250 it can be checked whether descriptive information associated with a pattern needs to be updated. For this purpose, a signal can be provided to an operator, who can then carry out the check.

Abstract

A method for detecting an anomaly of a household appliance comprises the steps of: acquiring appliance data of the household appliance during its operation; determining that the appliance data do not correspond to a usual state of the appliance; determining similarities of the acquired appliance data with predetermined patterns of appliance data; and associating the acquired appliance data with one of the patterns.

Description

Erkennung einer Anomalie an einem Haushaltsgerät Detection of an anomaly on a household appliance
Die Erfindung betrifft die Erkennung einer Anomalie an einem Haushaltsgerät. Insbesondere betrifft die Erfindung die automatische Bestimmung einer Anomalie an dem Haushaltsgerät. The invention relates to the detection of an anomaly in a household appliance. In particular, the invention relates to the automatic determination of an anomaly in the household appliance.
Ein Haushaltsgerät umfasst eine Steuervorrichtung, die dazu eingerichtet ist, Gerätedaten des Haushaltsgeräts während dessen Betriebs zu erfassen. Beispielsweise kann das Haushaltsgerät einen oder mehrere Sensoren umfassen, deren Abtastungen von der Steuervorrichtung erfasst werden. Weitere Gerätedaten können Umstände umfassen, unter denen die Messwerte entstanden sind, beispielsweise eine gerade ausgeführte Funktion des Haushaltsgeräts, ein Datum oder eine Uhrzeit. Die erfassten Gerätedaten können in einem lokalen Speicher nach Art einer Logdatei abgelegt werden. Aus Platzgründen können die abgelegten Gerätedaten zyklisch überschrieben werden oder es werden nur solche Gerätedaten abgespeichert, die eine vorbestimmte Bedingung erfüllen. A household appliance includes a control device that is set up to record device data of the household appliance during its operation. For example, the household appliance can include one or more sensors, the readings of which are recorded by the control device. Additional device data can include circumstances under which the measured values were created, for example a function of the household appliance that is currently being carried out, a date or a time. The recorded device data can be stored in a local memory in the manner of a log file. For reasons of space, the stored device data can be overwritten cyclically, or only device data that meet a predetermined condition are stored.
Die abgespeicherten Gerätedaten werden üblicherweise nur dann analysiert, wenn das Haushaltsgerät eine Fehlfunktion zeigt. Ein möglicher Zusammenhang zwischen der Fehlfunktion und zuvor abgespeicherten Gerätedaten wird üblicherweise durch einen Servicetechniker geprüft. Dazu muss das Haushaltsgerät meist zum Servicetechniker transportiert werden oder umgekehrt. Allerdings erfolgt meist keine groß angelegte Analyse der gespeicherten Gerätedaten, sodass es schwierig sein kann, von einem Verhalten eines Haushaltsgeräts auf sein zukünftiges oder das Verhalten eines anderen zu schließen. Die Erkennung und gegebenenfalls Behebung einer Anomalie an einem Haushaltsgerät kann dadurch schwer sein und ein großes Maß an menschlicher Erfahrung erfordern. The stored appliance data are usually only analyzed if the household appliance shows a malfunction. A possible connection between the malfunction and previously stored device data is usually checked by a service technician. To do this, the household appliance usually has to be transported to the service technician or vice versa. However, there is usually no large-scale analysis of the stored device data, so it can be difficult to draw conclusions about the behavior of a household device or its future behavior or that of another. As a result, detecting and, if necessary, rectifying an anomaly in a household appliance can be difficult and require a great deal of human experience.
Eine der vorliegenden Erfindung zugrunde liegende Aufgabe besteht in der verbessert automatisierten Erkennung einer Anomalie an einem Haushaltsgerät. Die Erfindung löst diese Aufgabe mittels der Gegenstände der unabhängigen Ansprüche. Unteransprüche geben bevorzugte Ausführungsformen wieder. One of the objects on which the present invention is based is the improved, automated detection of an anomaly in a household appliance. The invention solves this problem by means of the subject matter of the independent claims. Subclaims reflect preferred embodiments.
Nach einem ersten Aspekt der vorliegenden Erfindung umfasst ein Verfahren zum Erkennen einer Anomalie an einem Haushaltsgerät Schritte des Erfassens von Gerätedaten des Haushaltsgeräts während seines Betriebs; des Bestimmens, dass die Gerätedaten nicht zu einem üblichen Gerätezustand korrespondieren; des Bestimmens von Ähnlichkeiten der erfassten Gerätedaten mit vorbestimmten Mustern von Gerätedaten; und des Zuordnens der erfassten Gerätedaten zu einem der Muster. Erfindungsgemäß können die erfassten Gerätedaten automatisiert einem der Muster zugeordnet werden. Jedes der Muster kann für ein vorbestimmtes Verhalten, eine Anomalie, ein Problem oder einen Alterungszustand des Haushaltsgeräts stehen. Bevorzugt wird dasjenige Muster ausgewählt, dem die Gerätedaten am ähnlichsten sind. Weiter bevorzugt erfolgt die Zuordnung nur dann, wenn eine Ähnlichkeit der Gerätedaten zum nächst weniger ähnlichen Muster unterhalb eines vorbestimmten Schwellenwerts liegt. Das Haushaltsgerät kann auf der Basis der erfassten Gerätedaten verbessert beurteilt werden und eine mögliche Anomalie kann verbessert bestimmt werden. According to a first aspect of the present invention, a method for detecting an anomaly in a household appliance comprises the steps of acquiring device data of the household appliance during its operation; determining that the device data does not correspond to a common device state; determining similarities of the captured device data to predetermined patterns of device data; and associating the captured device data with one of the templates. According to the invention, the recorded device data can be automatically assigned to one of the patterns. Each of the patterns can represent a predetermined behavior, an anomaly, a problem, or an aging state of the household appliance. The pattern to which the device data most closely resembles is preferably selected. More preferably, the assignment only takes place if the similarity of the device data to the next less similar pattern is below a predetermined threshold value. The home appliance can be better assessed based on the acquired device data, and a possible anomaly can be better determined.
Bevorzugt ist einem Muster eine Beschreibung eines Gerätezustands des Haushaltsgeräts zugeordnet. Die Beschreibung kann in Textform oder in einer maschinell weiter verarbeitbaren Form vorliegen, die auch Binärform genannt werden kann. In einer Ausführungsform kann die Beschreibung bereitgestellt werden, wenn die Gerätedaten dem Muster zugeordnet sind. Der Gerätezustand kann insbesondere einen Fehler umfassen, wobei ein Hinweis auf den Fehler ausgegeben werden kann. In unterschiedlichen Ausführungsformen kann der Hinweis an einen Benutzer des Haushaltsgeräts oder an einen Techniker gerichtet sein. Im erstgenannten Fall kann die Beschreibung eine erklärende Wirkung verfolgen, beispielsweise „Pumpe defekt“. Im letztgenannten Fall kann ein Hinweis auf eine Verbesserung des Gerätezustands von der Beschreibung umfasst sein, beispielsweise „Pumpe austauschen, Dichtheitsprüfung durchführen“. A description of a device status of the household appliance is preferably assigned to a pattern. The description can be in text form or in a machine-processable form, which can also be called binary form. In one embodiment, the description may be provided when the device data is associated with the template. In particular, the device status can include an error, it being possible for an indication of the error to be output. In different embodiments, the information can be directed to a user of the household appliance or to a technician. In the first case, the description can have an explanatory effect, for example "pump defective". In the latter case, the description can include a reference to an improvement in the condition of the device, for example “replace the pump, carry out a leak test”.
Es ist weiter bevorzugt, dass das Muster, dem die erfassten Gerätedaten zugeordnet werden, danach um die erfassten Gerätedaten erweitert wird. So kann dafür gesorgt werden, dass die Gerätedaten zukünftig noch einfacher, schneller oder besser durch das Muster erkannt werden. Beim Erweitern kann Gebrauch gemacht werden von Methoden der maschinellen Mustererkennung und des maschinellen Lernens. Insbesondere dann, wenn das Muster zunächst auf der Basis nur einer mittleren oder geringen Anzahl Gerätedaten erstellt ist, kann durch Aufnahme der Gerätedaten langfristig eine Erkennungssicherheit verbessert werden. Eine externe, insbesondere durch eine Person durchzuführende Interpretation oder Bewertung der Gerätedaten, die auch Beschriften (englisch: labelling) genannt werden kann, kann nicht erforderlich sein. So können Methoden des unüberwachten Lernens zur automatischen Verbesserung des vorliegenden Verfahrens verwendet werden. It is further preferred that the pattern to which the detected device data is assigned is then expanded to include the detected device data. In this way, it can be ensured that the device data can be recognized even more easily, quickly or better by the pattern in the future. When extending, use can be made of machine pattern recognition and machine learning methods. In particular when the pattern is initially created on the basis of only a medium or small amount of device data, recognition security can be improved in the long term by recording the device data. An external interpretation or evaluation of the device data, in particular to be carried out by a person, which can also be called labelling, may not be necessary. Thus, unsupervised learning methods can be used to automatically improve the present method.
In einer Fortbildung dieser Ausführungsform kann bestimmt werden, dass das Muster um eine vorbestimmte Anzahl erfasster Gerätedaten erweitert wurde. Die vorbestimmte An- zahl kann relativ zu der Anzahl Gerätedaten angegeben sein, auf deren Basis das Muster ursprünglich erstellt wurde. Das Muster kann ursprünglich auf der Basis von beschrifteten (gelabelten) Gerätedaten erstellt sein. Wurde die Anzahl der ihm zugrunde liegenden Gerätedaten um beispielsweise ca. 20 % vergrößert, so kann das Muster überprüft werden. Die Überprüfung kann automatisch oder manuell erfolgen. In a further development of this embodiment, it can be determined that the pattern has been extended by a predetermined number of detected device data. The predetermined number can be relative to the number of device data on which the pattern was originally created. The pattern may be originally created based on labeled device data. If the amount of device data on which it is based has been increased by around 20%, for example, then the pattern can be checked. The check can be automatic or manual.
Die automatische Überprüfung kann umfassen, dass geprüft wird, ob die dem Muster zugrunde liegenden Gerätedaten miteinander konsistent sind. Anders ausgedrückt kann überprüft werden, ob die dem Muster zugrunde liegenden Gerätedaten einander ausreichend ähnlich sind und zu anderen Mustern ausreichend verschieden sind. Dazu können Ähnlichkeitsmaße vorbestimmt sein. Unter Umständen kann das Muster auf der Basis einer Teilmenge der Gerätedaten neu erstellt werden. Verworfene Gerätedaten können einem anderen Muster zugeordnet werden. The automatic check can include checking whether the device data on which the pattern is based are consistent with one another. In other words, it can be checked whether the device data on which the pattern is based are sufficiently similar to one another and are sufficiently different from other patterns. Measures of similarity can be predetermined for this purpose. It may be possible to recreate the pattern based on a subset of device data. Discarded device data can be assigned to a different pattern.
In einer weiteren Ausführungsform wird ein neues Muster erstellt, falls die erfassten Gerätedaten keinem der vorhandenen Muster ausreichend ähnlich sind. So können zueinander ähnliche Gerätedaten gesammelt werden, auch wenn noch nicht bekannt ist, welcher Gerätezustand oder welches Geräteverhalten damit verbunden ist. Auf diese Weise kann verbessert eine breite Datenbasis geschaffen werden, die eine Analyse des Hausgeräts erlaubt. Beispielsweise kann ein Verhalten des Haushaltsgeräts, das sich nur sporadisch oder erst nach längerer Betriebszeit zeigt, auf diese Weise verbessert aufgespürt werden. In another embodiment, a new template is created if the collected device data is not sufficiently similar to any of the existing templates. In this way, device data that is similar to one another can be collected, even if it is not yet known which device status or which device behavior is associated with it. In this way, a broad database can be created in an improved manner, which allows the domestic appliance to be analyzed. For example, behavior of the household appliance that only occurs sporadically or only after a long period of operation can be tracked down in an improved manner in this way.
Das Verfahren kann besonders effektiv arbeiten, wenn die initial verwendeten Muster die ihnen zugeordneten Gerätezustände verbessert erkennen bzw. repräsentieren. Dazu können die initialen Muster auf der Basis von Labortests erstellt sein. In einer Ausführungsform ist ein Muster auf der Basis von Gerätedaten bestimmt, die beim Betrieb des Haushaltsgeräts nach einer vorbestimmten Betriebsdauer erfasst sind. Das Haushaltsgerät kann einem Langzeittest ausgesetzt werden, bei dem unterschiedlich lange Betriebsdauern erzeugt oder simuliert werden können. The method can work particularly effectively if the patterns used initially recognize or represent the device states assigned to them in an improved manner. For this purpose, the initial patterns can be created on the basis of laboratory tests. In one embodiment, a pattern is determined on the basis of appliance data that is recorded when the household appliance is in operation after a predetermined period of operation. The household appliance can be subjected to a long-term test in which operating times of different lengths can be generated or simulated.
In einer anderen Ausführungsform ist ein Muster auf der Basis von Gerätedaten bestimmt, die beim Betrieb des Haushaltsgeräts unter verschiedenen vorbestimmten Umweltbedingungen erfasst sind. Dazu kann das Haushaltsgerät in einem Umweltlabor betrieben werden. Das Umweltlabor kann beispielsweise eine Klimakammer oder einen Rütteltisch umfassen. So können unterschiedliche klimatische oder physikalische Bedingungen geschaffen werden, unter denen das Haushaltsgerät systematisch observiert werden kann. Die Klimakammer kann unterschiedliche Temperaturen oder unterschiedliche relative Luftfeuchtigkeiten erzeugen. Weitere mögliche Umweltfaktoren, die in der Klimakammer erzeugt werden können, umfassen beispielsweise eine Infrarotstrahlung oder eine Ultraviolettstrahlung. Andere Bedingungen, die variiert werden können, umfassen verschiedene Betriebs- oder Verbrauchsmittel oder Schwankungen in einer Versorgungsspannung. Weitere Betriebsbedingungen können entsprechend ebenfalls hergestellt werden. In another embodiment, a pattern is determined on the basis of appliance data that is recorded when the household appliance is operated under various predetermined environmental conditions. For this purpose, the household appliance can be operated in an environmental laboratory. The environmental laboratory can include, for example, a climatic chamber or a vibrating table. In this way, different climatic or physical conditions can be created under which the household appliance can be systematically observed. The climate chamber can generate different temperatures or different relative humidity levels. Other possible environmental factors that can be generated in the climate chamber include, for example, infrared radiation or ultraviolet radiation. Other conditions that may be varied include different supplies or fluctuations in a supply voltage. Other operating conditions can also be established accordingly.
Nach einem zweiten Aspekt der vorliegenden Erfindung umfasst eine Vorrichtung zur Steuerung eines Haushaltsgeräts eine Einrichtung zur Erfassung von Gerätedaten des Haushaltsgeräts während dessen Betriebs; eine Einrichtung zur Bestimmung von Ähnlichkeiten der erfassten Gerätedaten mit vorbestimmten Mustern; und eine Einrichtung zur Zuordnung der erfassten Gerätedaten zu einem der Muster. According to a second aspect of the present invention, a device for controlling a household appliance includes a device for acquiring device data of the household appliance during its operation; a device for determining similarities of the detected device data with predetermined patterns; and a device for assigning the recorded device data to one of the patterns.
Die Vorrichtung kann eine Steuervorrichtung für das Haushaltsgerät umfassen. Insbesondere kann die Steuervorrichtung vom Haushaltsgerät umfasst sein. Die Erkennung und gegebenenfalls Behebung einer Anomalie kann so verbessert mit lokalen Mitteln durchgeführt werden. Insbesondere können Maßnahmen zur vorausschauenden Wartung oder zur Behebung einfacher Fehler durch einen Benutzer des Haushaltsgeräts direkt durchgeführt werden. Ein Eingriff einer geschulten Person oder eine Anwendung von speziellen Werkzeugen oder Techniken kann nicht erforderlich sein. The device can include a control device for the household appliance. In particular, the control device can be included in the household appliance. The detection and, if necessary, correction of an anomaly can thus be carried out in an improved manner using local means. In particular, measures for predictive maintenance or for correcting simple errors can be carried out directly by a user of the household appliance. Intervention by a trained person or the use of special tools or techniques may not be required.
Eine oder mehrere der Einrichtungen können durch eine Verarbeitungseinrichtung realisiert sein, die in einer Ausführungsform dazu eingerichtet ist, ein hierin beschriebenes Verfahren teilweise oder vollständig auszuführen. Die Verarbeitungseinrichtung kann einen programmierbaren Mikrocomputer oder Mikrocontroller umfassen und das Verfahren kann in Form eines Computerprogrammprodukts mit Programmcodemiteln vorliegen. Das Computerprogrammprodukt kann auf einem computerlesbaren Datenträger abgespeichert sein. Merkmale oder Vorteile des Verfahrens können auf die Vorrichtung übertragen werden und umgekehrt. One or more of the devices can be implemented by a processing device which, in one embodiment, is set up to partially or completely carry out a method described herein. The processing device may comprise a programmable microcomputer or microcontroller and the method may be in the form of a computer program product having program code means. The computer program product can be stored on a computer-readable data carrier. Features or advantages of the method can be transferred to the device and vice versa.
Es ist besonders bevorzugt, dass die Einrichtung zur Bestimmung von Ähnlichkeiten der erfassten Gerätedaten mit vorbestimmten Mustern ein künstliches neuronalen Netzwerk umfasst. Das neuronale Netzwerk kann auf der Basis von vorbestimmten Gerätedaten dazu trainiert sein, initiale Muster zu erkennen. Eine Anpassung der Muster kann durch die Vorrichtung selbst erfolgen oder neue Gerätedaten können an eine entfernte Einrichtung geschickt werden, die ein künstliches neuronales Netzwerk auf deren Basis verbessert trainiert und an das Haushaltsgerät zurück übermitteln kann. Das Haushaltsgerät kann das bestehende neuronale Netzwerk durch ein empfangenes ersetzten bzw. aktualisieren. It is particularly preferred that the device for determining similarities of the recorded device data with predetermined patterns comprises an artificial neural network. The neural network can be trained on the basis of predetermined device data to recognize initial patterns. The pattern can be adapted by the device itself, or new device data can be sent to a remote device, which trains an artificial neural network based on them and can transmit them back to the household device. The household appliance can replace or update the existing neural network with a received one.
Nach einem dritten Aspekt der vorliegenden Erfindung umfasst ein Haushaltsgerät eine hierin beschriebene Vorrichtung. According to a third aspect of the present invention, a household appliance comprises a device as described herein.
Eine hierin beschriebene Technik kann auch bezüglich einer Vielzahl miteinander vergleichbarer Haushaltsgeräte ausgeführt werden. Nach einem vierten Aspekt der vorliegenden Erfindung umfasst eine zentrale Stelle eine Einrichtung zum Empfangen von Gerätedaten, die an verschiedenen miteinander vergleichbaren Haushaltsgeräten während deren Betrieb erfasst wurden; eine Einrichtung zur Bestimmung von Ähnlichkeiten der erfassten Gerätedaten mit vorbestimmten Mustern; und eine Einrichtung zur Zuordnung der erfassten Gerätedaten zu einem der Muster. A technique described herein can also be implemented with respect to a large number of household appliances which are comparable to one another. According to a fourth aspect of the present invention, a central point comprises a device for receiving appliance data which were recorded on various household appliances which are comparable to one another while they were in operation; a device for determining similarities of the detected device data with predetermined patterns; and a device for assigning the recorded device data to one of the patterns.
Die Haushaltsgeräte können insbesondere Exemplare der gleichen Serie von Haushaltsgeräten sein. Auch Exemplare unterschiedlicher, einander aber ähnlicher Serien von Haushaltsgeräten können verwendet werden. Die zentrale Stelle kann insbesondere in Form eines Servers oder beispielsweise als Dienst in einer Cloud realisiert sein. Die Gerätedaten können insbesondere drahtlos vom Haushaltsgerät an die zentrale Stelle übermittelt werden. In einer weiteren Ausführungsform kann die zentrale Stelle die beschriebene Technik bezüglich unterschiedlicher Haushaltsgeräte ausführen. Parallelen zwischen den unterschiedlichen Haushaltsgeräten können dann verbessert bestimmt werden. Diese Bestimmung kann manuell oder automatisch erfolgen. Eine Übertragbarkeit von Ergebnissen eines Haushaltsgeräts auf ein anderes kann entsprechend geprüft werden. Zur Verbesserung der Erkennung von Mustern bzw. zur Bestimmung verbesserter Muster kann die zentrale Stelle auf eine ungleich vergrößerte Basis von Gerätedaten zugreifen. Dadurch kann eine verbesserte Bestimmung relevanter Muster ermöglicht sein. The household appliances can in particular be examples of the same series of household appliances. Samples of different but similar series of household appliances can also be used. The central point can be implemented in particular in the form of a server or, for example, as a service in a cloud. The device data can in particular be transmitted wirelessly from the household appliance to the central location. In a further embodiment, the central office can carry out the technology described with regard to different household appliances. Parallels between the different household appliances can then be better determined. This determination can be made manually or automatically. The transferability of results from one household appliance to another can be checked accordingly. In order to improve the recognition of patterns or to determine improved patterns, the central location can access a disproportionately enlarged base of device data. This can enable an improved determination of relevant patterns.
Die Erfindung wird nun unter Bezug auf die beiliegenden Figuren genauer beschrieben, in denen: The invention will now be described in more detail with reference to the accompanying figures, in which:
Figur 1 ein System mit einem Haushaltsgerät und einer zentralen Stelle; und FIG. 1 shows a system with a household appliance and a central location; and
Figur 2 ein Ablaufdiagramm eines Verfahrens darstellt. Figur 1 zeigt ein System 100 mit einem Haushaltsgerät 105 und einer zentralen Stelle 110. Das Haushaltsgerät 105 ist beispielhaft als Kaffeemaschine dargestellt, kann jedoch auch ein beliebiges anderes Gerät umfassen, das bevorzugt zum Einsatz in einem Haushalt eingerichtet ist. Insbesondere kann das Haushaltsgerät 105 in einer Küche des Haushalts eingesetzt werden, der Wäschepflege dienen oder der Reinigung des Haushalts. FIG. 2 shows a flow chart of a method. FIG. 1 shows a system 100 with a household appliance 105 and a central location 110. The household appliance 105 is shown as a coffee machine by way of example, but it can also include any other appliance that is preferably set up for use in a household. In particular, the household appliance 105 can be used in a household kitchen, can be used for laundry care or household cleaning.
Das Haushaltsgerät 105 umfasst eine Steuervorrichtung 115, die dazu eingerichtet sein kann, eine Funktion des Haushaltsgeräts 105 zu steuern. Alternativ kann zur Gerätesteuerung eine dedizierte Steuervorrichtung vorgesehen sein. Die Steuervorrichtung 115 umfasst eine Verarbeitungseinrichtung 120, die mit einem oder mehreren Sensoren 125 verbunden ist. Beispielhaft sind ein erster Sensor 125 dargestellt, der dazu eingerichtet ist, einen Druck von Wasser beim Brühen von Kaffee zu bestimmen, und ein zweiter Sensor 125, der dazu eingerichtet ist, ein Betriebsgeräusch des Haushaltsgeräts 105 zu erfassen. Zusätzlich können beliebig viele weitere Sensoren 125 vorgesehen sein. Auch beispielsweise eine Eingabevorrichtung zur Benutzung durch eine Person kann als Sensor 125 angesehen werden. In noch einer weiteren Ausführungsform kann ein Ansteuern eines Aktors des Haushaltsgeräts 105, beispielsweise einer Heizung oder einer Pumpe, erfasst werden, was ebenfalls als Sensor 125 angesehen werden kann. Für eine hierin vorgestellte Technik können sich bessere Ergebnisse erzielen lassen, wenn eine Anzahl von Sensoren 125 groß und die von ihnen erfassten Ereignisse möglichst voneinander unabhängig sind. The household appliance 105 includes a control device 115 which can be set up to control a function of the household appliance 105 . Alternatively, a dedicated control device can be provided for device control. The control device 115 includes a processing device 120 which is connected to one or more sensors 125 . A first sensor 125, which is set up to determine a pressure of water when brewing coffee, and a second sensor 125, which is set up to detect an operating noise of the household appliance 105, are shown as examples. In addition, any number of further sensors 125 can be provided. For example, an input device for use by a person can also be regarded as sensor 125 . In yet another embodiment, activation of an actuator of the household appliance 105, for example a heater or a pump, can be detected, which can also be viewed as a sensor 125. For a technique presented herein, better results may be obtained when a number of sensors 125 are large and the events they detect are as independent as possible.
Mittels der Sensoren 125 erfasste Gerätedaten des Haushaltsgeräts 105 können durch die Verarbeitungseinrichtung 120 verarbeitet und optional auch gespeichert werden. Die Verarbeitung kann insbesondere einen Vergleich mit vorbestimmten Mustern umfassen, die unten mit Bezug auf Figur 2 noch genauer beschrieben werden. Insbesondere kann ein Muster auf der Basis erfasster Gerätedaten erstellt oder verbessert werden. Sowohl das Erkennen als auch das Anpassen eines Musters kann lokal seitens der Steuervorrichtung 115 oder entfernt seitens der zentralen Stelle 110 erfolgen. Es ist bevorzugt, dass das Erkennen von Mustern lokal erfolgt, und Gerätedaten, die mit Muster verglichen werden, an die zentrale Stelle 110 zu senden, wo ein Muster auf der Basis der Gerätedaten verbessert werden kann. Ein verändertes oder neues Muster kann zum Haushaltsgerät 105 zurück übermittelt werden. Device data of the household appliance 105 recorded by means of the sensors 125 can be processed by the processing device 120 and optionally also stored. In particular, the processing can include a comparison with predetermined patterns, which are described in more detail below with reference to FIG. In particular, a pattern can be created or improved on the basis of acquired device data. Both the recognition and the adaptation of a pattern can take place locally on the part of the control device 115 or remotely on the part of the central location 110 . It is preferred that the pattern recognition is done locally and device data that is compared to the pattern is sent to the central location 110 where a pattern can be improved based on the device data. A changed or new pattern can be sent back to the household appliance 105 .
Zur Kommunikation mit der zentralen Stelle 110 umfasst das Haushaltsgerät 105 bevorzugt eine Kommunikationseinrichtung 130, die beispielhaft als drahtlose Schnittstelle dargestellt ist. Die zentrale Stelle 110 umfasst eine dazu korrespondierende Kommunikati- onseinrichtung 135. In einer anderen Ausführungsform können die Kommunikationseinrichtungen 130, 135 auch zur drahtgebundenen Kommunikation eingerichtet sein. Üblicherweise verläuft die Kommunikation über ein vorbestimmtes Netzwerk, beispielsweise ein Mobilfunknetzwerk oder das Internet. For communication with the central location 110, the household appliance 105 preferably includes a communication device 130, which is shown as a wireless interface by way of example. The central point 110 includes a corresponding communication communication device 135. In another embodiment, the communication devices 130, 135 can also be set up for wired communication. The communication usually takes place via a predetermined network, for example a mobile radio network or the Internet.
Die zentrale Stelle 110 umfasst ferner eine Verarbeitungseinrichtung 140 und eine optionale Speichervorrichtung 145. Außerdem kann eine Schnittstelle 150 vorgesehen sein. Die Verarbeitungseinrichtung 140 ist bevorzugt dazu eingerichtet, ein künstliches neuronales Netzwerk 155 auszuführen. Gerätedaten des Haushaltsgeräts 105, die über die Kommunikationseinrichtung 135 empfangen wurden, können mittels der Verarbeitungseinrichtung 140 auf Ähnlichkeit zu einem oder mehreren vorbestimmten Mustern überprüft werden. Außerdem kann ein Muster auf der Basis von empfangenen Gerätedaten fortgebildet werden. Im Fall des künstlichen neuronalen Netzwerks 155 kann dies ein Trainieren des Netzwerks 155 bezüglich der empfangenen Gerätedaten umfassen. The central point 110 further comprises a processing device 140 and an optional storage device 145. An interface 150 can also be provided. The processing device 140 is preferably set up to execute an artificial neural network 155 . Device data of the household appliance 105, which was received via the communication device 135, can be checked by the processing device 140 for similarity to one or more predetermined patterns. In addition, a pattern can be trained on the basis of received device data. In the case of the artificial neural network 155, this may include training the network 155 on the received device data.
Empfangene Gerätedaten können in der Speichervorrichtung 145 abgelegt werden. Das Trainieren eines künstlichen neuronalen Netzwerks 155 kann eine große Vielzahl von Gerätedaten erfordern und die zentrale Stelle 110 ist bevorzugt dazu eingerichtet, Gerätedaten von einer Vielzahl Haushaltsgeräte 105 zu empfangen und zu speichern. Empfangene Gerätedaten können auch über längere Zeit angesammelt werden, um ein Muster zu erstellen oder die Erkennungsleistung bezüglich eines Musters zu verbessern. Außerdem können in der Speichervorrichtung 145 Informationen abgelegt werden, die einem Muster zugeordnet sind. Diese Informationen können beispielsweise eine Bezeichnung, die Häufigkeit eines Auftretens, einen Hinweis zur Behebung bzw. Verbesserung des Gerätezustands oder eine Serviceinformation umfassen. Diese Informationen können insbesondere von einer fachkundigen Person auf der Basis einer Analyse von Gerätedaten, die einem Muster zugeordnet sind, erstellt werden. Received device data can be stored in the storage device 145 . Training an artificial neural network 155 may require a large variety of device data, and the central office 110 is preferably set up to receive and store device data from a large number of household appliances 105 . Received device data may also be accumulated over time to create a pattern or improve recognition performance related to a pattern. In addition, information that is associated with a pattern can be stored in the storage device 145 . This information can include, for example, a designation, the frequency of an occurrence, a note on rectifying or improving the device status, or service information. In particular, this information can be created by a person skilled in the art on the basis of an analysis of device data that is assigned to a pattern.
Über die Schnittstelle 150 kann ein Hinweis auf ein Muster bereitgestellt werden, das zu empfangenen Gerätedaten passt. Der Hinweis kann die genannten Informationen teilweise oder vollständig umfassen. An indication of a pattern matching received device data may be provided via the interface 150 . The notice may include the information mentioned in part or in full.
Es ist zu beachten, dass Funktionen der Verarbeitungseinrichtung 140 der zentralen Stelle 110 in einer anderen Ausführungsform auch durch die Verarbeitungseinrichtung 120 der Steuervorrichtung 115 des Haushaltsgeräts 105 durchgeführt werden können. Insbesondere dann, wenn die Erkennung von Mustern mittels eines neuronalen Netzwerks 155 erfolgen soll, ist bevorzugt, dass das neuronale Netzwerk 155 lokal in der Verarbeitungs- einrichtung 120 des Haushaltsgeräts 105 erfolgt, und eine Erstellung bzw. Weiterbildung des neuronalen Netzwerks 155 seitens der zentralen Stelle 110. It should be noted that, in another embodiment, functions of the processing device 140 of the central location 110 can also be performed by the processing device 120 of the control device 115 of the household appliance 105 . In particular, if the recognition of patterns is to take place by means of a neural network 155, it is preferable for the neural network 155 to be local in the processing Device 120 of the household appliance 105 takes place, and a creation or further development of the neural network 155 by the central office 110.
Figur 2 zeigt ein Ablaufdiagramm eines Verfahrens 200, das insbesondere auf dem System 100 ausgeführt werden kann. In unterschiedlichen Ausführungsformen kann das Verfahren 200 ganz oder teilweise auf der Steuervorrichtung 115 des Haushaltsgeräts 105 oder auf der zentralen Stelle 110 ausgeführt werden. Eine gemischte Ausführung ist ebenfalls möglich. FIG. 2 shows a flowchart of a method 200 that can be executed on system 100 in particular. In different embodiments, the method 200 can be executed entirely or partially on the control device 115 of the household appliance 105 or on the central location 110 . A mixed version is also possible.
In einem Schritt 205 können Gerätedaten des Haushaltsgeräts 105 abgetastet werden. Die Gerätedaten können insbesondere von einem oder mehreren der Sensoren 125 stammen. In einem Schritt 210 kann auf der Basis der Gerätedaten ein anomaler Gerätezustand bestimmt werden. Insbesondere kann bestimmt werden, dass die Gerätedaten nicht zu einem Muster passen, das auf einen üblichen Gerätezustand hinweist. In a step 205 appliance data of the household appliance 105 can be scanned. The device data can come from one or more of the sensors 125 in particular. In a step 210, an abnormal device condition can be determined based on the device data. In particular, it can be determined that the device data does not match a pattern that indicates a normal device state.
In einem Schritt 215 können die erfassten Gerätedaten mit einem oder mehreren Mustern verglichen werden, die jeweils einen anomalen Gerätezustand betreffen. Die Muster können beispielsweise auf der Basis von Laborversuchen oder manuell beschrifteter Datensätze mittels Methoden des künstlichen Lernens erstellt worden sein. In a step 215, the collected device data may be compared to one or more templates, each relating to an abnormal device condition. The patterns can, for example, have been created on the basis of laboratory tests or manually labeled data sets using methods of artificial learning.
In einem Schritt 220 kann bestimmt werden, ob ein Muster gefunden werden konnte, zu dem die erfassten Gerätedaten ausreichend ähnlich sind. Insbesondere kann geprüft werden, ob eine eindeutige Zuordnung der Gerätedaten zu einem der Muster möglich ist. Ist dies nicht der Fall, so kann in einem Schritt 225 bestimmt werden, dass die Gerätedaten von allen bekannten Mustern ausreichend verschieden sind. Außerdem kann ein neues Muster auf der Basis der erfassten Gerätedaten erzeugt werden. In einem Schritt 230 können die abgetasteten Gerätedaten dem neuen Muster oder einem zuvor bereits gefundenen, ausreichend ähnlichen Muster zugeordnet werden. Optional kann in einem Schritt 235 eine Beschreibung eines zugeordneten Gerätezustands bereitgestellt werden. Diese Beschreibung kann insbesondere an eine Bedienperson oder eine Serviceperson für das Haushaltsgerät 105 bereitgestellt werden. In a step 220 it can be determined whether a pattern could be found to which the detected device data are sufficiently similar. In particular, it can be checked whether an unambiguous assignment of the device data to one of the patterns is possible. If this is not the case, then in a step 225 it can be determined that the device data are sufficiently different from all known patterns. In addition, a new template can be created based on the acquired device data. In a step 230, the scanned device data can be assigned to the new pattern or to a previously found sufficiently similar pattern. Optionally, in a step 235, a description of an associated device state can be provided. This description can be provided in particular to an operator or a service person for the household appliance 105 .
In einem Schritt 240 kann das Muster, dem die Gerätedaten zugeordnet werden konnten, um die Gerätedaten erweitert werden. Im Fall des neu erzeugten Musters kann dies bereits erfolgt sein. Im Fall eines bereits bestehenden Musters können die Gerätedaten für eine spätere Aktualisierung des Musters zunächst gespeichert werden. In einem Schritt 245 kann bestimmt werden, ob ausreichend viele neue Gerätedaten zu einem Muster vorliegen. Es kann auch überprüft werden, ob Gerätedaten, die einem Muster zugeordnet werden sollen, ein höheres als ein vorbestimmtes Alter erreicht haben. Andere Kriterien sind ebenfalls möglich. In Abhängigkeit der bestimmten Kriterien kann in einem Schritt 250 eine Aktualisierung des Musters erfolgen. Insbesondere kann überprüft werden, ob es Gerätedaten gibt, die dem Muster zugeordnet sind, tatsächlich aber besser einem anderen Muster zugeordnet werden sollten. Ein solcher Fall kann sich beispielsweise ergeben, wenn nach dem Zuordnen von Gerätedaten zu einem Muster ein neues Muster erstellt wurde. Das Muster bzw. seine Erkennung kann im Schritt 250 trainiert werden. In einer Ausführungsform wird das Erkennen aller vorhandenen Muster gemeinsam trainiert. Dies kann auch ein Muster einschließen, das einem Gerätezustand zugeordnet ist, der einen üblichen, nicht-anomalen Betrieb des Haushaltsgeräts 105 kennzeichnet. Ferner kann im Schritt 250 überprüft werden, ob Beschreibungsinformationen, die einem Muster zugeordnet sind, aktualisiert werden müssen. Dazu kann ein Signal an eine Bedienperson bereitgestellt werden, die die Überprüfung dann durchführen kann. In a step 240, the pattern to which the device data could be assigned can be expanded to include the device data. In the case of the newly generated pattern, this may already have taken place. In the case of an already existing pattern, the device data can first be saved for a later update of the pattern. In a step 245 it can be determined whether there is enough new device data for a pattern present. It can also be checked whether device data that is to be assigned to a template has reached a higher than a predetermined age. Other criteria are also possible. In a step 250, the pattern can be updated as a function of the criteria determined. In particular, it can be checked whether there is device data that is associated with the pattern but should actually be better associated with another pattern. Such a case can arise, for example, when a new pattern has been created after assigning device data to a pattern. The pattern or its recognition can be trained in step 250 . In one embodiment, the recognition of all existing patterns is trained together. This may also include a pattern associated with a device condition that indicates normal, non-abnormal operation of the home appliance 105 . Furthermore, in step 250 it can be checked whether descriptive information associated with a pattern needs to be updated. For this purpose, a signal can be provided to an operator, who can then carry out the check.
Bezugszeichen Reference sign
100 System 100 systems
105 Haushaltsgerät 105 household appliance
110 zentrale Stelle 110 central office
115 Steuervorrichtung 115 control device
120 Verarbeitungseinrichtung 120 processing facility
125 Sensor 125 sensors
130 Kommunikationseinrichtung 130 communication facility
135 Kommunikationseinrichtung 135 communication facility
140 Verarbeitungseinrichtung 140 processing facility
145 Speichervorrichtung 145 storage device
150 Schnittstelle 150 interface
155 neuronales Netzwerk 155 neural network
200 Verfahren 200 procedures
205 Gerätedaten abtasten 205 Sample device data
210 anomalen Gerätezustand bestimmen 210 determine abnormal device condition
215 Gerätedaten mit Mustern vergleichen 215 Compare device data with patterns
220 ausreichend ähnliches Muster gefunden? 220 found sufficiently similar pattern?
225 neues Muster erzeugen 225 create a new pattern
230 Gerätedaten dem Muster zuordnen 230 Assign device data to the pattern
235 Beschreibung des zugeordneten Gerätezustands bereitstellen235 Provide a description of the associated device state
240 Muster um Gerätedaten erweitern Extend 240 patterns with device data
245 ausreichend viele neue Gerätedaten? 245 enough new device data?
250 Überprüfung veranlassen 250 initiate verification

Claims

PATENTANSPRÜCHE PATENT CLAIMS
1. Verfahren (200) zum Erkennen einer Anomalie an einem Haushaltsgerät (105), wobei das Verfahren (200) folgende Schritte umfasst: 1. A method (200) for detecting an anomaly in a household appliance (105), the method (200) comprising the following steps:
Erfassen (205) von Gerätedaten des Haushaltsgeräts (105) während seines Betriebs; Recording (205) of device data of the household appliance (105) during its operation;
Bestimmen (210), dass die Gerätedaten nicht zu einem üblichen Gerätezustand korrespondieren; determining (210) that the device data does not correspond to a usual device state;
Bestimmen (215) von Ähnlichkeiten der erfassten Gerätedaten mit vorbestimmten Mustern von Gerätedaten; determining (215) similarities of the captured device data to predetermined patterns of device data;
- Zuordnen (230) der erfassten Gerätedaten zu einem der Muster. - Assigning (230) the recorded device data to one of the templates.
2. Verfahren (200) nach Anspruch 1 , wobei eine dem Muster zugeordnete Beschreibung des Gerätezustands bereitgestellt (235) wird. 2. The method (200) according to claim 1, wherein a description of the device state associated with the pattern is provided (235).
3. Verfahren (200) nach Anspruch 1 oder 2, wobei das Muster, dem die erfassten Gerätedaten zugeordnet werden, um die erfassten Gerätedaten erweitert (240) wird. 3. The method (200) according to claim 1 or 2, wherein the pattern to which the detected device data is assigned is expanded (240) to include the detected device data.
4. Verfahren (200) nach Anspruch 3, wobei bestimmt (245) wird, dass das Muster um eine vorbestimmte Anzahl erfasster Gerätedaten erweitert wurde. The method (200) of claim 3, wherein it is determined (245) that the template has been expanded by a predetermined number of detected device data.
5. Verfahren (200) nach Anspruch 4, wobei geprüft (250) wird, ob die dem Muster zugrunde liegenden Gerätedaten miteinander konsistent sind. 5. The method (200) according to claim 4, wherein it is checked (250) whether the device data on which the pattern is based are consistent with one another.
6. Verfahren (200) nach einem der vorangehenden Ansprüche, wobei ein neues Muster erstellt (225) wird, falls die erfassten Gerätedaten keinem der vorhandenen Muster ausreichend ähnlich ist. 6. The method (200) according to any one of the preceding claims, wherein a new template is created (225) if the detected device data is not sufficiently similar to any of the existing templates.
7. Verfahren (200) nach einem der vorangehenden Ansprüche, wobei ein Muster auf der Basis von Gerätedaten bestimmt ist, die beim Betrieb des Haushaltsgeräts (105) nach einer vorbestimmten Betriebsdauer erfasst sind. 7. The method (200) according to any one of the preceding claims, wherein a pattern is determined on the basis of device data that are recorded during operation of the household appliance (105) after a predetermined period of operation.
8. Verfahren (200) nach einem der vorangehenden Ansprüche, wobei ein Muster auf der Basis von Gerätedaten bestimmt ist, die beim Betrieb des Haushaltsgeräts (105) unter verschiedenen vorbestimmten Umweltbedingungen erfasst sind. 8. The method (200) according to any one of the preceding claims, wherein a pattern is determined on the basis of device data that are recorded during operation of the household appliance (105) under different predetermined environmental conditions.
9. Vorrichtung (115) zur Steuerung eines Haushaltsgeräts (105), wobei die Vorrichtung (115) folgendes umfasst: eine Einrichtung (125) zur Erfassung von Gerätedaten des Haushaltsgeräts (105) während dessen Betriebs; eine Einrichtung (120, 140) zur Bestimmung von Ähnlichkeiten der erfassten Gerätedaten mit vorbestimmten Mustern; und eine Einrichtung (120, 140) zur Zuordnung der erfassten Gerätedaten zu einem der Muster. 9. Device (115) for controlling a household appliance (105), the device (115) comprising the following: a device (125) for acquiring device data of the household appliance (105) during its operation; means (120, 140) for determining similarities of the detected device data with predetermined patterns; and a device (120, 140) for assigning the detected device data to one of the patterns.
10. Vorrichtung (115) nach Anspruch 9, wobei die Ähnlichkeiten der erfassten Gerätedaten mit den Mustern mittels eines künstlichen neuronalen Netzwerks (155) bestimmt werden. 10. Device (115) according to claim 9, wherein the similarities of the detected device data with the patterns are determined by means of an artificial neural network (155).
11. Haushaltsgerät (105), umfassend eine Vorrichtung (115) nach Anspruch 10. 11. Household appliance (105) comprising a device (115) according to claim 10.
12. Zentrale Stelle (110) mit folgenden Elementen: eine Einrichtung (135) zum Empfangen von Gerätedaten, die an verschiedenen miteinander vergleichbaren Haushaltsgeräten (105) während deren Betrieb erfasst wurden; eine Einrichtung (140) zur Bestimmung von Ähnlichkeiten der erfassten Gerätedaten mit vorbestimmten Mustern; und eine Einrichtung (140) zur Zuordnung der erfassten Gerätedaten zu einem der Muster. 12. Central office (110) with the following elements: a device (135) for receiving appliance data which were recorded on various household appliances (105) that are comparable with one another while they were in operation; means (140) for determining similarities of the detected device data with predetermined patterns; and a device (140) for assigning the recorded device data to one of the patterns.
PCT/EP2022/070124 2021-08-04 2022-07-19 Detection of an anomaly of a household appliance WO2023011909A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202280053252.3A CN117751334A (en) 2021-08-04 2022-07-19 Identifying anomalies on a household appliance

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021208443.5 2021-08-04
DE102021208443.5A DE102021208443A1 (en) 2021-08-04 2021-08-04 Detection of an anomaly on a household appliance

Publications (1)

Publication Number Publication Date
WO2023011909A1 true WO2023011909A1 (en) 2023-02-09

Family

ID=82898969

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/070124 WO2023011909A1 (en) 2021-08-04 2022-07-19 Detection of an anomaly of a household appliance

Country Status (3)

Country Link
CN (1) CN117751334A (en)
DE (1) DE102021208443A1 (en)
WO (1) WO2023011909A1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170078111A1 (en) * 2014-03-11 2017-03-16 British Gas Trading Limited Determination of a state of operation of a domestic appliance
US20190196893A1 (en) * 2017-12-26 2019-06-27 Samsung Electronics Co., Ltd. Method and apparatus for managing operation data of appliance for failure prediction
US20200244476A1 (en) * 2017-10-18 2020-07-30 Samsung Electronics Co., Ltd. Data learning server, and method for generating and using learning model thereof

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4243882C1 (en) 1992-12-23 1994-01-05 Baleanu Michael Alin Method and device for monitoring a technical process
DE59712546D1 (en) 1997-07-31 2006-04-06 Sulzer Markets & Technology Ag Method for monitoring systems with mechanical components
US6975962B2 (en) 2001-06-11 2005-12-13 Smartsignal Corporation Residual signal alert generation for condition monitoring using approximated SPRT distribution
US8275577B2 (en) 2006-09-19 2012-09-25 Smartsignal Corporation Kernel-based method for detecting boiler tube leaks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170078111A1 (en) * 2014-03-11 2017-03-16 British Gas Trading Limited Determination of a state of operation of a domestic appliance
US20200244476A1 (en) * 2017-10-18 2020-07-30 Samsung Electronics Co., Ltd. Data learning server, and method for generating and using learning model thereof
US20190196893A1 (en) * 2017-12-26 2019-06-27 Samsung Electronics Co., Ltd. Method and apparatus for managing operation data of appliance for failure prediction

Also Published As

Publication number Publication date
CN117751334A (en) 2024-03-22
DE102021208443A1 (en) 2023-02-09

Similar Documents

Publication Publication Date Title
DE102005046388A1 (en) Model-based diagnostics and repair using event logging
WO2006133865A1 (en) Dynamic prioritisation of test steps in workshop diagnostics
DE112016006842T5 (en) Elevator remote maintenance support system and elevator remote maintenance support method
DE102018100424A1 (en) Method and device for controlling and / or monitoring a repetitive process sequence
DE102018109195A1 (en) Diagnostic system and method for processing data of a motor vehicle
DE102020202870A1 (en) Process for validation and selection based on machine learning models for condition monitoring of a machine
DE112009000211T5 (en) Program tester and program
DE102009027267A1 (en) Method and device for simplified error processing on a machine tool
WO2023011909A1 (en) Detection of an anomaly of a household appliance
EP3340250B1 (en) Identification of components in the error handling of medical devices
DE102011052840A1 (en) Methods, devices and articles of manufacture for testing process control systems
EP2160854B1 (en) Method for generating a signal train which can be played back on a tester for testing a mobile radio
DE112013006925T5 (en) Programmable display device
DE102009007509A1 (en) Method and device for identifying a faulty algorithm
DE102015205720A1 (en) System for analyzing unclassified motor vehicle error data
EP2928157A1 (en) Method for analysing and/or evaluating of at least one event of a technical facility
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
WO2009135569A1 (en) Method and apparatus for correction of digitally transmitted information
DE102021204550A1 (en) Method for generating at least one data set for training a machine learning algorithm
DE102011079034A1 (en) Control of a technical system
WO2020114724A1 (en) Method for checking at least one vehicle, and electronic computing device
DE102008022132A1 (en) Method for configuring a test device, test method and test device
WO2015158594A1 (en) Method for diagnosing a motor vehicle system, diagnostic device for a motor vehicle system, control device for a motor vehicle system, and motor vehicle
DE102018222659A1 (en) Method for diagnosing a safety component in a motor vehicle
DE102014215580B4 (en) Method and system for programming a sensor network

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22754344

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022754344

Country of ref document: EP

Effective date: 20240304