AT507019A1 - Verfahren zur überwachung einer industrieanlage - Google Patents

Verfahren zur überwachung einer industrieanlage Download PDF

Info

Publication number
AT507019A1
AT507019A1 AT0106008A AT10602008A AT507019A1 AT 507019 A1 AT507019 A1 AT 507019A1 AT 0106008 A AT0106008 A AT 0106008A AT 10602008 A AT10602008 A AT 10602008A AT 507019 A1 AT507019 A1 AT 507019A1
Authority
AT
Austria
Prior art keywords
detection
measurement data
elimination
data
channels
Prior art date
Application number
AT0106008A
Other languages
English (en)
Other versions
AT507019B1 (de
Inventor
Hajrudin Efendic
Gerald Dr Hohenbichler
Andreas Schrempf
Stephan M Winkler
Original Assignee
Siemens Vai Metals Tech 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 Siemens Vai Metals Tech Gmbh filed Critical Siemens Vai Metals Tech Gmbh
Priority to AT0106008A priority Critical patent/AT507019B1/de
Priority to EP09772536A priority patent/EP2297623A1/de
Priority to PCT/EP2009/058406 priority patent/WO2010000836A1/de
Priority to US13/002,542 priority patent/US20110106289A1/en
Publication of AT507019A1 publication Critical patent/AT507019A1/de
Application granted granted Critical
Publication of AT507019B1 publication Critical patent/AT507019B1/de

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric 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
    • G05B23/0221Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric 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
    • G05B23/0243Electric 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
    • G05B23/0254Electric 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Description

1 1
···· · • · ♦ • · · · • · ···« • · ·
Verfahren zur Überwachung einer Industrieanlage
Die vorliegende Erfindung betrifft ein Verfahren zur Vorbehandlung von Messdaten zur Überwachung einer 5 Industrieanlage.
Konkret betrifft die Erfindung ein Verfahren zum Überwachen von Anlagen, insbesondere komplexe Anlagen der Eisen- und Stahlindustrie, mit den Schritten Aufnehmen von mindestens 10 zwei Kanälen von Messdaten einer Anlage, gegebenenfalls
Abspeichern der Messdaten, Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten, messdatenbasierte Bildung mindestens eines Modells des Zielkanals und Verwendung des so generierten Modells und aktuell ermittelter 15 Messdaten zur Detektion von Fehlzuständen der Anlage.
Rechnergestützte Verfahren zur Überwachung von Anlagen bzw. Prozessen sind dem Fachmann unter den Begriffen Fault Diagnosis oder Fault Detection (nachfolgend kurz FD) bekannt, 20 siehe z.B. WO 02/086726 Al. Diese Verfahren zur Detektion von Fehlzuständen in komplexen Industrieanlagen beinhalten folgende Verfahrensschritte: a) Messdatenerfassung von mindestens zwei Kanälen einer 25 Anlage, b) gegebenenfalls Abspeichern der Messdaten, c) Definition eines Zielkanals aus den erfassten Kanälen der Messdaten, d) gegebenenfalls Vorbehandlung der Messdaten, 30 e) messdatenbasierte Bildung mindestens eines Modells des Zielkanals, f) Verwendung aktuell ermittelter Messdaten und des gebildeten Modells zur Berechnung eines simulierten Werts des Zielkanals, 35 g) Detektion von Fehlzuständen durch das Vergleichen zwischen dem aktuellen und dem simulierten Wert des Zielkanals.
NACHGERESCHT 2 ·· ·♦ ···· « • ♦ ♦ · ·
Moderne Industrieanlagen, beispielsweise Hochöfen oder Walzwerke, typischerweise mit einer großen Anzahl gekoppelter Einzelanlagen, sind hochkomplexe technische Systeme. Heute werden zur Überwachung dieser Anlagen bzw. Prozesse hunderte 5 bis tausende Messsensoren durch ein Messdatenerfassungssystem permanent und in Echtzeit (z.B. mit einer Abtastzeit von 1 ms) erfasst und besondere relevante Daten dargestellt. Aufgrund der hohen Anforderungen an das Bedienpersonal wird bei komplexen Anlagen jedoch zunehmend FD eingesetzt, da 10 diese Verfahren es erlauben, rechnergestützt Fehler in
Anlagen zu detektieren und gegebenenfalls einen betroffenen Anlagenbereich zu identifizieren. FD wird außerdem in der Zustandsüberwachung, engl. Condition monitoring, von Industrieanlagen eingesetzt. Auch in diesem Fall wird eine 15 Anlage mittels einer Vielzahl von Messsensoren überwacht und bei einer - sich beispielsweise aus einer Abnützung von Komponenten ergebenden - Veränderung des Anlagenverhaltens selbsttätig eine Warnung oder Fehlermeldung generiert. Bei den Messdaten handelt es sich typischerweise um diverse 20 Anlagen- bzw. Prozesszustände, welche von Sensoren ermittelt und meist in digitaler Form von einem
Messdatenerfassungssystem aufgenommen werden. Unter einem Kanal von Messdaten versteht man alle Messwerte, die von einem Sensor aufgenommen wurden; unter einem Zielkanal 25 versteht man einen Kanal der aufgenommenen Messdaten, welcher relevante Informationen über das Verhalten der Anlage enthält bzw. enthalten kann. In der einfachsten Form der FD wird ein, auf einen oder mehreren (ausgenommen ein Zielkanal) Kanälen von Messdaten der Anlage basierendes, Modell für den 30 Zielkanal erstellt; mittels dieses Modells und in
Abhängigkeit von aktuellen Messdaten werden die Werte eines simulierten Zielkanals durch einen Prozessrechner berechnet und mit aktuellen Messwerten des Zielkanals verglichen; bei signifikanten Abweichungen zwischen dem simulierten und dem 35 gemessenen Zielkanal wird eine Fehlermeldung generiert.
In der Veröffentlichung
NACHGEREICHT ···· · • · · • · ·
·· ·· • I · • · » • · 3 • · H. Efendic, L. del Re und G. Frizberg. Iterative Multi-Step Diagnosis Process for Engine Systems. Präsentiert beim SAE world congress, 11. bis 14. April, 2005. Detroit, Mich, USA. 5 wird auf die Bedeutung der Vorbehandlung von Messdaten, engl. Data preprocessing, im Zuge der FD hingewiesen. Konkret wird vorgeschlagen, die Messdaten zu filtern um Störungen in den Messdaten zu beseitigen und so die Leistungsfähigkeit von FD zu verbessern. 10
Weitergehende Maßnahmen zur Vorbehandlung von Messdaten werden nicht angegeben.
Aufgabe der Erfindung ist es, ein Verfahren zur Überwachung 15 von Industrieanlagen zu schaffen, mit welchem die Qualität der aufgenommenen Messdaten der Anlage verbessert und die Größe der Messdaten stark reduziert werden kann, ohne dass es dadurch zu einem signifikanten Informationsverlust kommt. Nachfolgend können, gegebenenfalls online - dh. durch einen 20 der Anlage zugeordneten Prozessrechner mit gegebenenfalls geringer Leistungsfähigkeit, basierend auf diesen komprimierten Messdaten, sehr kompakte Modelle für die Detektion von Fehlzuständen der Anlage (FD) generiert werden, welche sich auch für eine Anwendung auf günstigen 25 Prozessrechnern mit vergleichsweise geringer
Leistungsfähigkeit eignen und dennoch eine hohe Qualität bzgl. der Fehlererkennung aufweisen.
Diese Aufgabe wird durch ein Verfahren gelöst, bei dem die 30 Messdaten im Schritt Vorbehandlung der Messdaten den Verfahrensschritten 1) Detektion und Eliminierung von „Null-Kanälen", 2) Detektion und Eliminierung von Ausreißern, 3) Filterung, 35 4) Downsampling unterzogen werden.
NACHGEREICHT 4 4 ···· · • · ♦ ♦ t· • · * • · · • · · • · · ·· ·· • ·· ·· · • · * ··♦ ♦·
Da sog. „Null-Kanäle", dh. Kanäle von Messdaten welche in allen Abtastzeitpunkten konstant 0 sind, keinerlei Information enthalten, werden diese Kanäle gelöscht und somit die Anzahl der relevanten Kanäle für die weiterfolgenden 5 Schritte reduziert.
Bei der Detektion und Eliminierung von Ausreißern werden, beispielsweise bzgl. der Prozessführung ungerechtfertigte, Ausreißer in den Messdaten detektiert und anschließend 10 eliminiert. Die Eliminierung eines Ausreißers erfolgt durch das Ersetzen eines Ausreißers durch einen Mittelwert des betroffenen Kanals.
Bei der Filterung werden die Messdatenkanäle, beispielsweise 15 durch die Anwendung von Median Filtern, geglättet, wodurch z.B. Messrauschen reduziert und wie bei der Detektion und Eliminierung von Ausreißern die Qualität der Messdaten erhöht wird. 20 Beim Downsampling wird der Informationsgehalt eines
Datenkanals vor dem Downsampling bestimmt und mit dem Informationsgehalt eines bzgl. der Abtastzeit veränderten Datenkanals verglichen. Ergibt sich durch das Downsampling, dh. durch eine Reduktion der Abtastfrequenz, keine 25 signifikante Änderung des Informationsgehalts, so wird die Abtastfrequenz reduziert, wodurch eine starke Reduktion der Datenmenge (eine Reduktion der Abtastfrequenz um 50% reduziert die Datenmenge ebenfalls um 50%) möglich ist. 30 Vorteilhafterweise werden die Messdaten bei der Vorbehandlung der Messdaten den Verfahrensschritten in der Reihenfolge Detektion und Eliminierung von „Null-Kanälen", Detektion und Eliminierung von Ausreißer, Filterung und Downsampling unterzogen. Diese Reihenfolge resultiert in einer hohen 35 Qualität der Messdaten und in einer hohen Effizienz des erfindungsgemäßen Verfahrens.
NACHGEREICHT 5 5 ···· « • · • · • • 9 ·· 9 • • 99 • 9 « • • · • 99 Φ9 ·· ·# • · · Φ • · · Φ • Φ Φ Φ • · · · ♦· ··
In einer vorteilhaften Ausführungsform, werden die Messdaten, vorzugsweise nach dem Downsampling, einer Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen unterzogen, wodurch die Größe der Messdaten weiter 5 reduziert und die Bildung von einfachen, statischen
Prozessmodellen für eine nachfolgende FD ermöglicht wird.
Eine weitere vorteilhafte Ausführungsform besteht darin, dass für unterschiedliche Zielkanäle die Schritte Definition eines 10 Zielkanals aus den Messdaten, Vorbehandlung der Messdaten und messdatenbasierte Bildung mindestens eines Modells des Zielkanals pro Zielkanal jeweils mindestens 1 Mal durchgeführt werden und dabei gebildete Modelle bei der Detektion von Fehlzuständen der Anlage verwendet werden. 15 Hierdurch wird eine besonders umfassende Überwachung der Anlage erreicht.
In einer weiteren vorteilhaften Ausführungsform, werden für unterschiedliche Zielkanäle die Schritte Definition eines 20 Zielkanals aus den Messdaten, Vorbehandlung der Messdaten und messdatenbasierte Bildung mindestens eines Modells des Zielkanals auf zumindest einem Prozessrechner parallel durchgeführt. Dadurch ist besonders im online Betrieb, dh. bei der Durchführung des Verfahrens auf einem der Anlage 25 zugeordneten Prozessrechner, eine baldige Modellverfügbarkeit gegeben. Die Parallelisierung kann entweder durch mehrere Tasks bzw. Threads auf einem Prozessrechner erfolgen, und/oder durch Aufteilung auf mehrere Prozessrechner. 30 In einer vorteilhaften Ausführungsform des erfindungsgemäßen Verfahrens, enthält die Detektion und Eliminierung von Ausreißern einen univariaten und einen multivariaten Schritt. Der univariate Verfahrensschritt ist besonders dazu geeignet, vergleichsweise große Ausreißer in einem Kanal unabhängig von 35 anderen Kanälen zu detektieren und zu eliminieren. Hingegen wird beim multivariaten Schritt der Abstand der Messwerte aller Kanäle zu einem Zeitpunkt zur Gesamtverteiiung
NACHGEREICHT Μ Μ • · ·· · • · 6 ♦ · • · • · • · ermittelt, wodurch auch schwer erkennbare Ausreißer detektiert und eliminiert werden können.
In einer weiteren vorteilhaften Ausführungsform, werden die 5 Messdaten einer Median Filterung unterzogen. Median Filter sind dem Fachmann bekannt und ermöglichen eine sehr effiziente Glättung von Signalen.
In einer weiteren vorteilhaften Ausführungsform, erfolgt das 10 Downsampling der Messdaten unter Berücksichtigung der
Transinformation, engl. Mutual Information, zwischen einem Kanal vor und nach dem Downsampling. Hierdurch wird es möglich, die Abtastfrequenz in Abhängigkeit des Informationsverlusts durch das Downsampling zu reduzieren und 15 so eine optimierte Downsampling Rate einzustellen.
Eine weitere vorteilhafte Ausführungsform besteht darin, dass die Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen unter Berücksichtigung von 20 statistischen Kennzahlen für die Variabilität erfolgt.
Mittels dieser Maßnahme können stationäre Bereich einfach und sicher detektiert werden, was zu einer hohen Qualität der Modelle führt. 25 Vorteilhafterweise werden die Messdaten, bevorzugt nach dem
Downsampling oder der Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen, einer Detektion und Eliminierung von redundanten Kanälen unterzogen. Mittels dieses Schritts wird die Anzahl der relevanten Kanäle weiter 30 reduziert; dabei können vollständige Redundanzen und gegebenenfalls auch Redundanzen, welcher sich aus einer Ableitung bzw. Integration eines Signals ergeben, berücksichtigt werden. 35 Weitere Vorteile und Merkmale der vorliegenden Erfindung ergeben sich aus der nachfolgenden Beschreibung nicht einschränkender Ausführungsbeispiele, wobei auf die folgenden Figuren Bezug genommen wird, die Folgendes zeigen:
NACHGEREiCHT 7 ·· ·· ···· · • · · · · ♦ * · · · · · « • · · · · ··« • · · · · * ·· ·· · # • ·· ·· • • *«· • • · • • · • tl ··
Fig. 1 bis Fig. 4 Plots der Kanäle Xi bis X20 der unveränderten Messdaten einer Anlage
Fig. 5 Plot eines Ausschnitts des Zielkanals Xi0 vor und nach 5 dem Schritt Detektion und Eliminierung von Ausreißern
Fig. 6 Plot eines Ausschnitts des Zielkanals xio vor und nach dem Schritt Filterung
Fig. 7 Plot eines Ausschnitts des Kanals X20 vor und nach dem Schritt Filterung 10 Fig. 8 Schematische Darstellung des Downsamplings
Fig. 9 Plot des Zielkanals xio vor und nach dem Schritt Downsampling
Fig. 10 Darstellungen der Transinformation und der modifzierten Transinformation in Abhängigkeit der 15 Downsampling Rate
Fig. 11 Plot des Zielkanals xio und der dazu redundanten Kanäle xn, X13 und X14
Fig. 12 Plot des Zielkanals xio und des redundanten Kanals X13 Fig. 13 Plot des Zielkanals χχο vor und nach dem Schritt 20 Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen und der Kanäle Χχο, X20 und X7
Im Folgenden wird aus Gründen der Übersichtlichkeit von 20 Datenkanälen (Kanalanzahl n=20) und 19498 Messwerten pro 25 Kanal (Anzahl der Messwerte m=19498) ausgegangen; die Daten wurden von einem Messdatenerfassungssystem in einem Walzwerk aufgenommen (reale Messdaten sind meist deutlich größer, z.B. n=400, m=1500000). MD zeigt symbolisch eine Matrix der Messdaten mit Dimension 19498 x 20. Ein Messwert Xi,j stellt 30 den i-ten Messwert des j-ten Datenkanals der Messdaten dar. *1,1 *1,2 • · · *1,19 *1,20 *2,1 *2,2 • *2,19 *2,20 *19497,1 *19497,2 ... *19497,19 *19497,20 *19498,1 *19498,2 ... *19498,19 *19498,20
NACHGEREICHT 8 2 * · r · % « • · ·· ···· · • · · • · · · ··
• ··· • · · **· ··
Bei den Messdaten handelt es sich beispielsweise um Signale von Druck-, Kraft-, Weg-, Geschwindigkeits-, Beschleunigungsoder Temperatursensoren, welche für eine nachfolgende Verwendung in einem FD Verfahren aufgenommen wurden. 5
Als Zielkanal wurde der Kanal xio ausgewählt (zehnte Spalte von MD). In den Fig. 1 bis 4 sind die Kanäle Xi bis X20 graphisch über dem Messdatenindex dargestellt. 10 1) Detektion und Eliminierung von „Null-Kanälen"
Bei der Detektion und Eliminierung von „Null-Kanälen" werden jene Kanäle aus den Messdaten eliminiert, bei denen sämtliche Messwerten 0 sind. Dadurch wird die Anzahl der Kanäle 15 reduziert.
Ein „Null-Kanal" liegt vor, wenn für einen Kanal, dh. für einen Spaltenvektor von MD, gilt
Xi=0 mit i=l..jn 20
Vom erfindungsgemäßen Verfahren wurden die Kanäle 9 und 17 als Null-Kanäle identifiziert und eliminiert. Die Dimension der Messdatenmatrix nach dem Schritt Detektion und Eliminierung von „Null-Kanälen" beträgt 19498 x 18, dh. die 25 Datenmenge wurde auf 90% reduziert.
Anschließend wird eine univariate und gegebenenfalls eine multivariate Detektion und Eliminierung von Ausreißern durchgeführt. 30 2a) Univariate Detektion und Eliminierung von Ausreißern
Zuerst werden die einzelnen Kanäle, dh. die einzelnen Spalten der Messdatenmatrix, einer univariaten, dh. basierend auf nur 35 einem Kanal, Detektion und Eliminierung von Ausreißern unterzogen. Dabei werden „große" Ausreißer eliminiert.
NACHGEREICHT 5 ·· ·· • · · · • · · ♦ · · · »«·· · ♦ · 9 ·♦·
Die Detektion von Ausreißern kann auf zwei Arten durchgeführt werden: i) Globale Detektion und Eliminierung von Ausreißern
Da die Durchführung des Verfahrensschritts an einem Kanal der Messdatenmatrix MD nicht übersichtlich gezeigt werden kann, wird folgender Vektor x eines Kanals von Messdaten mit m=10 Elementen verwendet * = [1 23 10 54321 O]7^ . Der 10
Durchschnitt und die empirische Standardabweichung des Vektors x betragen 15 s = ^—Y(Xi-x)2=2M «“1h Nun wird für jeden Messwert Xi das Testkriterium G = berechnet. Beim einseitigen Test liegt ein Ausreißer vor, m-\ xt-x wenn G>
Kriterium G> *almjn-2 m-2+ t. m-1 , beim zweiseitigen Test lautet das 4m y m-2 +1 . Nachfolgend wird z.B. ein 20 einseitiger Test angewendet, mit a=0.05, ta/m,m-2 = to.oo5,8=3,35 der obere kritische Wert der t-Verteilung bei einer Signifikanzschwelle von α/m und m-2 Freiheitsgraden (siehe Tab. IX, Anhang El „Tabellen" in H. Rinne. Taschenbuch der Statistik, 4. Auflage, 2008).
Da für den Wert x4=10 das einseitige Testkriterium G=2,41 größer als der Grenzwert von 2,18 ist, liegt ein Ausreißer 25 vor; folglich wird x4 durch den Mittelwert je =3,1 ersetzt.
Dieses Verfahren wird nun für jeden Kanal solange durchgeführt, bis keine weiteren Ausreißer mehr vorliegen. ii) Lokale Detektion und Eliminierung von Ausreißern 30
NACHGEREICHT 10 ·· • · • · * · ·· ··♦· · # * · #
• ·Φ ·· · ·«· • ·
Da bei großen Datenmengen eine globale Bestimmung und Eliminierung von Ausreißern zu aufwändig ist, wird vorteilhafterweise ein lokales Verfahren verwendet. Dabei wird ein Kanal mittels eines Betrachtungsfensters, engl. 5 Sliding window, mit NAUS Elementen auf Ausreißer untersucht und aufgefundene Ausreißer durch einen lokalen Durchschnitt xlokal innerhalb des Betrachtungsfensters ersetzt. x= ...1 23 10 543210 \
10
Die Prüfung auf Ausreißer erfolgt analog zum globalen Verfahren, beschränkt sich jedoch auf das Betrachtungsfenster. 15 Nach der Durchführung der Detektion und Eliminierung von Ausreißern liegt wiederum eine Messdatenmatrix vor, welche frei von univariaten Ausreißern ist, aber noch die ursprüngliche Dimension aufweist. 20 In Fig. 5 ist der Zielkanal Xio vor und ein Ausschnitt des Zielkanals nach der lokalen Detektion und Eliminierung von univariaten Ausreißern (NAUS=10, a=0,05) dargestellt. Die Detektion und Eliminierung von Ausreißern wird auf alle Kanäle angewendet. 25 2b) Multivariate Detektion und Eliminierung von Ausreißern
Dieser Verfahrensschritt kann im Anschluss an die univariate Detektion und Eliminierung von Ausreißern durchgeführt 30 werden. Dabei werden etwaige Ausreißer aufgrund der sog. Mahalanobis-Distanz oder des Abstands aufgrund der sog.
Hauptkomponentenanalyse (engl. Principal component analysis) eines Messwertvektors x (ein Zeilenvektor der Messdatenmatrix) von der Gesamtverteilung detektiert.
NACHGEREICHT 11 t> r>
Aufgefundene Ausreißer werden markiert und durch lokale Mittelwerte ersetzt.
Die Mahalanobis-Distanz als auch die Hauptkomponentenanalyse 5 sind z.B. bekannt aus
Mei-Ling Shyu, Shu-Ching Chen, Kanoksri Sarinnapakorn, and LiWu Chang, "A Novel Anomaly Detection Scheine Based on Principal Component Classifier," Proceedings of the IEEE 10 Foundations and New Directions of Data Mining Workshop, in conjunction with the Third IEEE International Conference on Data Mining (ICDM'03), pp. 172-179, November 19-22, 2003, Melbourne, Florida, USA. 15 20 25 I f
Die Berechnung der Mahalanobis-Distanz d ist weiters aus Kapitel D3.1 „Distanzmessung" aus Rinne bekannt. Das Quadrat der Mahalanobis-Distanz (Abstand eines Messwertvektors x vom Zentrum der Verteilung) ist definiert als έ 2 2 2 2
2L = *_+2i_+...+l·, m 4 Λ K
wobei y, =eXx-x)T p Rang der Kovarianzmatrix x Messwertvektor (Zeilenvektor der Messdatenmatrix) x Mittelwert aller Messwerte ei i-ter Eigenvektor der Kovarianzmatrix λι i-ter Eigenwert der Kovarianzmatrix
Anschließend werden die Indizes i der N=y-m größten
Distanzen d2 notiert und jeder Messwerte xi,j mit n^j^l durch x,, + xM . . . 30 einen lokalen Mittelwert x,=—--— ersetzt. Dabei ist γ >,j 2 ein frei wählbarer Parameter, beispielsweise γ=0.005.
Anschließend wird eine Hauptkomponentenanalyse der Messdaten durchgeführt. Bei der Hauptkomponentenanalyse werden die 35 Hauptkomponenten der Messdatenmatrix, dh. die Eigenwerte und Eigenvektoren, entweder über eine Eigenwertanalyse oder eine
NACHGEREICHT 12
SVD (engl. Singular value decomposition) der Kovarianzmatrix berechnet.
wobei
Ein Messwert x ist ein Ausreißer, wenn 5 yt = ei(x-x)T und q < p p Rang der Kovarianzmatrix x Messwertvektor (Zeilenvektor der Messdatenmatrix) x Mittelwert aller Messwerte ei i-ter Eigenvektor der Kovarianzmatrix 10 λ± i-ter Eigenwert der Kovarianzmatrix \ > ^2 >... > λρ > 0 χς2 Oberer kritischer Wert der Chi-Quadrat Verteilung mit Signifikanzwert α und q Freiheitsgraden. 15 Wie bei der Anwendung der Mahalanobis Distanz, werden Ausreißer durch lokale Mittelwerte ersetzt. 3) Filterung 20 Bei der Filterung der Messdaten werden beispielsweise
Rauschen oder andere Störsignale aus einzelnen Kanälen der Messsignale entfernt. Dabei wird beispielsweise ein Median Filter mit einem Betrachtungsfenster der Größe N (als Filterordnung bezeichnet) verwendet.
Bei der Filterung wird jeder Messwert xk eines Kanals durch ~ = {Mittelwert^:*_(ΛΜ)/2,..., xk+(NA)/2) für ungerade N
K \Mittelwert(xk_NI2,xk+NI2) für gerade N ersetzt. 30 Geht man beispielsweise von einem Filter zweiter Ordnung und einem Vektor jc = [l 2 3 3,1 5 4 3 2 1 O^aus, so lautet der gefilterte Vektor rß/, =[l 2 2,7 3,7 4 4 3 2 1 öf.
NACHGEREICHT 13 ·· ·· ! · · · • * · « 1 · · · • · · · ···· · • · • · · • ···· • · • · «·· ·· ··· • · • · ·»
In der Fig. 6 ist ein Ausschnitt des Zielkanals xio und in Fig. 7 ein Ausschnitt des Kanals xie vor und nach der Filterung mit N=10 dargestellt. 5 4) Downsampling
Das Downsampling der Messdaten wird unter Berücksichtigung der Transinformation (engl. Mutual Information, vgl. Kapitel 3.3.1.3 „Entropie-orientierte Maße" aus Rinne) Τ(τ) zwischen 10 einem Kanal vor dem Downsampling und demselben Kanal nach dem Downsampling durchgeführt. Die Transinformation Τ(τ) berechnet sich aus k H(A) = p(at)· log2 p(at) Entropie des Kanals A vor Downsampling i=1 ' H(A) = ~2^ p(ßj ) · log2 p(ßj ) Entropie des Kanals A nach Downsampling
M
k I H(A,Ä) = ) · log2 p(ai, üj ) Entropie der gemeinsamen Verteilung
/=1 M
T(t) = H(A) + H(A) - H(A, A) Transinformation zwischen A und A 15 In Fig. 8 ist schematisch der Effekt des Downsamplings dargestellt; eine Downsampling Rate von τ=ϊ bedeutet, dass nur mehr jeder i-te Wert des ursprünglichen Signals verwendet wird. 20 Für jede Downsampling Rate τ = ΐ mit i e [^,^] wird die zugehörige Transinformation T(τ) berechnet. Die optimale Downsampling Rate, dh. jenes τ, bei der bei größtmöglicher Datenreduktion möglichst wenig Information verloren geht, ist das erste lokale Minimum von Τ(τ), dh. Τ(τ—ΐ)>Τ(τ)<Τ(τ + ΐ) . 25 Kann ein derartiges Minimum nicht gefunden werden, so bedient man sich einer modifizierten Transinformation
X Τ{τ)* =T{T) + eTFaUo' , sodass ein lokales Minimum aufgefunden werden kann. Der Faktor xFaktor ist ein Skalierungsfaktor und kann geeignet gewählt werden.
NACHGEREICHT 30 14 • « « « fc « * ««4k i « U > • · * % V V V » » ' '
• « 4 % % «»ν» » V • « 4 t 4 V » ί i « ί « « « v » (. s
In Fig. 9 ist der Zielkanal vor und nach dem Downsampling dargestellt, selbstverständlich wird jedoch bei allen Kanälen das Downsampling angewendet. Die verwendete Downsampling Rate ist τ=13, dh. die Datenmenge der Messdaten wurde auf 1/13 5 reduziert. In Fig. 10 ist weiters die Transinformation Τ(τ) und die modifizierte Transinformation T(j)* über τ dargestellt (verwendeter Parameter TFaktor=500) .
Durch das Downsampling wurde die Messdatenmatrix auf 6,9% der 10 ursprünglichen Datenmenge reduziert. 5) Detektion und Eliminierung von redundanten Kanälen
Mittels dieses Verfahrensschritts werden vollständig 15 redundante Kanäle in den Messdaten identifiziert und
anschließend eliminiert, wodurch die Kanalanzahl reduziert wird. Hierzu wird ein Betrachtungsfenster mit Größe NRED verwendet, welches paarweise auf den Zielkanal X=Xio und einen weiteren, vom Zielkanal verschiedenen Kanal Y 20 angewendet wird. Innerhalb des Betrachtungsfensters wird ein Redundanzsignal (Kreuzkorrelation zwischen dem Zielkanal X und Y innerhalb des Betrachtungsfensters) errechnet, mit RED(i) = corr(Xlokal > Yfokal) · „ _ Xlokal = Xi-NRED / 2: i+NRED / 2 25 ^lokal = y i-NRED/2: i+NRED 12
Ist das Redundanzsignal für alle Indizes i, RED(i)>REDSchranke, mit beispielsweise REDSChranke=0,95 oder 0,98, so ist der Kanals Y bzgl. des Zielkanals X redundant und es kann der 30 Kanal Y eliminiert werden.
In Fig. 11 sind die zum Zielkanal xio redundanten Kanäle xn, Xi3 und Xi4 dargestellt; in Fig. 12 sind der Zielkanal Χχο und der Kanal X13 in einem Plot dargestellt (verwendete Parameter 35 REDSChranke=0,98, NRED=150). Die redundanten Kanäle werden aus der Messdatenmatrix gelöscht. Es soll aber bemerkt werden, dass ein redundanter Kanal zu einem Zielkanal bereits auch
NACHGEREICHT 15 • · • · • · · • · · ·
ein einfaches Modell des Zielkanals darstellt, der für eine Fehlerdetektion benutzt werden kann. Durch die diesen Verfahrensschritt wurde die Messdatenmatrix auf 5,89% der ursprünglichen Datenmenge reduziert. 5
Bei der Detektion und Eliminierung von Redundanzen, welche sich aus einer Ableitung bzw. Integration eines Zielkanals ergeben, geht man im Wesentlichen wie oben vor, jedoch wird eine numerische Ableitung bzw. Integration des Kanals Y 10 durchgeführt, bevor das des RedundanzSignal RED(i) berechnet wird. 6) Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen 15
Mittels dieses Verfahrensschritts sollen im Wesentlichen konstante Betriebspunkte aus den Messdaten identifiziert werden. Hierzu wird ein Betrachtungsfenster mit Größe NVAR verwendet, welches auf den Zielkanal angewendet wird. Mittels 20 dieses Fensters wird zu einem Index i des Zielkanals ein Variabilitätssignal VAR(i) errechnet, mit VAR(i) = |max Xlokal - min Xlnkal\.
Xlokal = Xi-NVAR!2: i+NVAR/2 ^lokal ~ yi-NVAR 12: t+NVAR/2 25
Ist die Variabilität an der Position i VAR(i) kleiner als ein
Teil x der maximalen Variabilität, dh. VAR(i) < VARschranke mit VARSchnmke=x'maxVAR(i), so wird dieser Bereich als stationär angesehen. Selbstverständlich können auch andere statistische 30 Kenngrößen, z.B. die Standardabweichung, für die Variabilität verwendet werden.
In Fig. 13 ist der Zielkanal xio vor und nach der Detektion von stationären Bereichen und der Eliminierung von nicht-35 stationären Bereichen dargestellt (Parameter NVAR=30, x=0.2). Weiters sind die Kanäle X20 und X7 dargestellt. Wie dargestellt, weist Kanal X20 eine ähnliche Dynamik wie der
NACHGEREICHT
16
Zielkanal auf und wäre im Sinne einer - hier nicht näher erläuterten Modellbildung - ein interessanter Kandidat für ein einfaches statisches Modell. Der Kanal X7 weist im Gegensatz dazu eine völlig andere Dynamik als Xio auf und 5 wäre daher wenig für eine Modellbildung geeignet.
Durch diesen Verfahrensschritt wurde die Messdatenmatrix auf 4,4% der ursprünglichen Datenmenge reduziert. 10 Die resultierende Messdatenmatrix ist die Basis für eine anschließende Bildung mindestens eines Modells für den Zielkanal. Ein der Anlage zugeordneter Prozessrechner berechnet anhand aktuell ermittelter Messdaten der Anlage und des generierten Modells einen simulierten Zielkanal, welcher 15 für den Vergleich zwischen dem simulierten und dem gemessenen Zielkanal verwendet wird. Bei signifikanten Abweichungen zwischen diesen beiden Kanälen, wird eine Warnung bzw. eine Fehlermeldung generiert. Besonders umfassend lässt sich die Detektion von Fehlzuständen einer Anlage dann durchführen, 20 wenn nicht nur ein Modell eines Zielkanals erstellt wird, sondern für unterschiedliche Zielkanäle jeweils mindestens 1 Modell für den jeweiligen Zielkanal gebildet wird und dabei gebildete Modelle bei der FD verwendet werden. Weiterführende Schritte, wie z.B. die Identifikation oder die Isolierung von 25 Fehlern, können z.B. der Veröffentlichung H. Efendic, A. Schrempf und L. del Re. Data based fault isolation in complex measurement Systems using models on demand. Präsentiert bei der Safeprocess Conference, Juni, 30 2003. Washington, DC, USA. entnommen werden.
NACHGEREICHT

Claims (10)

  1. f, • · ·· ····· • · · · · 17 Patentansprüche 1. Verfahren zum Überwachen von Anlagen, insbesondere komplexe Anlagen der Eisen- und Stahlindustrie, mit den 5 Schritten Aufnehmen von mindestens zwei Kanälen von Messdaten einer Anlage, gegebenenfalls Abspeichern der Messdaten, Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten, messdatenbasierte Bildung mindestens eines Modells des Zielkanals und Verwendung des so generierten 10 Modells und aktuell ermittelter Messdaten zur Detektion von Fehlzuständen der Anlage, dadurch gekennzeichnet, dass die Messdaten bei der Verhandlung der Messdaten den Verfahrensschritten - Detektion und Eliminierung von „Null-Kanälen";
    15 - Detektion und Eliminierung von Ausreißern; - Filterung; - Downsampling; unterzogen werden.
  2. 2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass 20 die Messdaten bei der Vorbehandlung der Messdaten den Verfahrensschritte in der Reihenfolge Detektion und Eliminierung von „Null-Kanälen", Detektion und Eliminierung von Ausreißer, Filterung und Downsampling unterzogen werden.
  3. 3. Verfahren nach einem der vorhergehenden Ansprüche, 25 dadurch gekennzeichnet, dass die Messdaten, vorzugsweise nach dem Downsampling, einer Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen unterzogen werden.
  4. 4. Verfahren nach einem der vorhergehenden Ansprüche, 30 dadurch gekennzeichnet, dass für unterschiedliche Zielkanäle die Schritte Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten und messdatenbasierte Bildung mindestens eines Modells des Zielkanals pro Zielkanal jeweils mindestens 1 Mal durchgeführt werden und dabei gebildete 35 Modelle bei der Detektion von Fehlzuständen der Anlage verwendet werden. NACHGEREICHT 18 18
  5. 5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für unterschiedliche Zielkanäle die Schritte Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten und messdatenbasierte Bildung 5 mindestens eines Modells des Zielkanals auf zumindest einem Prozessrechner parallel durchgeführt werden.
  6. 6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Detektion und Eliminierung von Ausreißern einen univariaten und gegebenenfalls einen 10 multivariaten Schritt enthält.
  7. 7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Filterung der Messdaten durch einen Median Filter erfolgt.
  8. 8. Verfahren nach einem der vorhergehenden Ansprüche, 15 dadurch gekennzeichnet, dass das Downsampling der Messdaten unter Berücksichtigung der Transinformation zwischen einem Kanal vor und nach dem Downsampling erfolgt.
  9. 9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Detektion von stationären 20 Bereichen und Eliminierung von nicht-stationären Bereichen unter Berücksichtigung von statistischen Kennzahlen für die Variabilität erfolgt.
  10. 10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Messdaten, bevorzugt nach 25 dem Downsampling oder der Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen, einer Detektion und Eliminierung von redundanten Kanälen unterzogen werden. NACHGEREICHT
AT0106008A 2008-07-04 2008-07-04 Verfahren zur überwachung einer industrieanlage AT507019B1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
AT0106008A AT507019B1 (de) 2008-07-04 2008-07-04 Verfahren zur überwachung einer industrieanlage
EP09772536A EP2297623A1 (de) 2008-07-04 2009-07-03 Verfahren zur überwachung einer industrieanlage
PCT/EP2009/058406 WO2010000836A1 (de) 2008-07-04 2009-07-03 Verfahren zur überwachung einer industrieanlage
US13/002,542 US20110106289A1 (en) 2008-07-04 2009-07-07 Method for monitoring an industrial plant

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
AT0106008A AT507019B1 (de) 2008-07-04 2008-07-04 Verfahren zur überwachung einer industrieanlage

Publications (2)

Publication Number Publication Date
AT507019A1 true AT507019A1 (de) 2010-01-15
AT507019B1 AT507019B1 (de) 2011-03-15

Family

ID=41010455

Family Applications (1)

Application Number Title Priority Date Filing Date
AT0106008A AT507019B1 (de) 2008-07-04 2008-07-04 Verfahren zur überwachung einer industrieanlage

Country Status (4)

Country Link
US (1) US20110106289A1 (de)
EP (1) EP2297623A1 (de)
AT (1) AT507019B1 (de)
WO (1) WO2010000836A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110928263A (zh) * 2019-12-17 2020-03-27 中国人民解放军火箭军工程大学 一种预先考虑动态关系的复杂过程的故障检测方法及系统
CN111597225A (zh) * 2020-04-21 2020-08-28 杭州安脉盛智能技术有限公司 一种基于分段瞬态识别的自适应数据缩减方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8577298B2 (en) * 2011-06-20 2013-11-05 Lockheed Martin Corporation Multi-element magnetic receiver for interference suppression and signal enhancement
US9378256B2 (en) * 2013-11-15 2016-06-28 Ut-Battelle, Llc Industrial geospatial analysis tool for energy evaluation
US10394897B2 (en) 2015-09-11 2019-08-27 International Business Machines Corporation Visualization of serial processes
US9928625B2 (en) 2015-11-19 2018-03-27 International Business Machines Corporation Visualizing temporal aspects of serial processes
CN113221955B (zh) * 2021-04-15 2022-06-28 哈尔滨工程大学 一种针对反应堆物理分析中高维输入参数的不确定性传播方法
CN114296410B (zh) * 2021-12-22 2023-08-08 中国长江电力股份有限公司 一种自适应的多源缓变量选控方法

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4497059A (en) * 1982-04-28 1985-01-29 The Charles Stark Draper Laboratory, Inc. Multi-channel redundant processing systems
US4573358A (en) * 1984-10-22 1986-03-04 Westinghouse Electric Corp. Turbine blade vibration detection apparatus
US4827943A (en) * 1986-09-23 1989-05-09 Advanced Medical Technologies, Inc. Portable, multi-channel, physiological data monitoring system
US5717325A (en) * 1994-03-24 1998-02-10 Massachusetts Institute Of Technology Multiprocessing transient event detector for use in a nonintrusive electrical load monitoring system
WO1999067758A1 (de) * 1998-06-22 1999-12-29 Martin Daumer Verfahren und vorrichtung zur erkennung von driften, sprüngen und/oder ausreissern von messwerten
FR2807855B1 (fr) * 2000-04-18 2003-10-24 Kurtosis Ingenierie Procede et dispositif d'analyse d'un reseau de conducteurs
US6556956B1 (en) * 2000-06-30 2003-04-29 General Electric Company Data acquisition unit for remote monitoring system and method for remote monitoring
US20020183971A1 (en) * 2001-04-10 2002-12-05 Wegerich Stephan W. Diagnostic systems and methods for predictive condition monitoring
US20040142496A1 (en) * 2001-04-23 2004-07-22 Nicholson Jeremy Kirk Methods for analysis of spectral data and their applications: atherosclerosis/coronary heart disease
JP3832281B2 (ja) * 2001-06-27 2006-10-11 日本電気株式会社 外れ値ルール生成装置と外れ値検出装置、その外れ値ルール生成方法と外れ値検出方法及びそのプログラム
US7194369B2 (en) * 2001-07-23 2007-03-20 Cognis Corporation On-site analysis system with central processor and method of analyzing
US6839660B2 (en) * 2002-04-22 2005-01-04 Csi Technology, Inc. On-line rotating equipment monitoring device
US6915237B2 (en) * 2002-05-14 2005-07-05 Analysis And Measurement Services Corporation Integrated system for verifying the performance and health of instruments and processes
US20060074598A1 (en) * 2004-09-10 2006-04-06 Emigholz Kenneth F Application of abnormal event detection technology to hydrocracking units
US20070028220A1 (en) * 2004-10-15 2007-02-01 Xerox Corporation Fault detection and root cause identification in complex systems
ATE511128T1 (de) * 2005-04-04 2011-06-15 Fisher Rosemount Systems Inc Statistische verarbeitungsverfahren für die detektion anomaler situationen
US7769561B2 (en) * 2005-12-01 2010-08-03 Siemens Corporation Robust sensor correlation analysis for machine condition monitoring
US7761172B2 (en) * 2006-03-21 2010-07-20 Exxonmobil Research And Engineering Company Application of abnormal event detection (AED) technology to polymers
JP4413915B2 (ja) * 2006-12-13 2010-02-10 株式会社東芝 異常兆候検出装置および方法
US7827006B2 (en) * 2007-01-31 2010-11-02 Fisher-Rosemount Systems, Inc. Heat exchanger fouling detection

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110928263A (zh) * 2019-12-17 2020-03-27 中国人民解放军火箭军工程大学 一种预先考虑动态关系的复杂过程的故障检测方法及系统
CN110928263B (zh) * 2019-12-17 2022-10-28 中国人民解放军火箭军工程大学 一种预先考虑动态关系的复杂过程的故障检测方法及系统
CN111597225A (zh) * 2020-04-21 2020-08-28 杭州安脉盛智能技术有限公司 一种基于分段瞬态识别的自适应数据缩减方法
CN111597225B (zh) * 2020-04-21 2023-10-27 杭州安脉盛智能技术有限公司 一种基于分段瞬态识别的自适应数据缩减方法

Also Published As

Publication number Publication date
AT507019B1 (de) 2011-03-15
EP2297623A1 (de) 2011-03-23
WO2010000836A1 (de) 2010-01-07
US20110106289A1 (en) 2011-05-05

Similar Documents

Publication Publication Date Title
AT507019A1 (de) Verfahren zur überwachung einer industrieanlage
DE102016008987B4 (de) Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
DE102006048430A1 (de) Verfahren zur Wartungsvorhersage einer Maschine
EP1607192B1 (de) Verfahren und System zur Verschleissabschätzung von Achsen eines Roboterarmes
DE102017108497B4 (de) Herstellungsanpassungssystem zur Anpassung des Zustands der Herstellung durch mehrere Maschinen
DE3928456A1 (de) Verfahren und schaltungsanordnung zum bilden eines auswertungssignals aus einer mehrzahl redundanter messsignale
EP3282399B1 (de) Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem
DE102012103652A1 (de) Verfahren, Computerprogramm und System zur Durchführung der Interpolation bei Sensordaten zur Erzielung einer hohen Systemverfügbarkeit
DE102018203280A1 (de) Zustandsdiagnosevorrichtung
DE102009021774A1 (de) Verfahren und Einrichtung zur Identifikation von Korrelationen zwischen Alarmmeldungen oder zwischen Alarmmeldungen und Bedieneingriffen
DE102017009429A1 (de) Informationsverarbeitungsvorrichtung
DE112013007685T5 (de) Vorrichtung zur numerischen Steuerung und Logging-Verfahren
DE102014223810A1 (de) Verfahren und Assistenzsystem zur Erkennung einer Störung in einer Anlage
EP2854045B1 (de) Verfahren und System zum Bewerten von erhobenen Messwerten eines Systems
EP3229088B1 (de) Verfahren zum überwachen der maschinengeometrie einer verzahnungsbearbeitenden maschine und vorrichtung mit einer verzahnungsbearbeitenden maschine, einer messeinrichtung und einem softwaremodul
EP1055180B1 (de) Verfahren und anordnung zum entwurf eines technischen systems
EP2476031B1 (de) Verfahren zum überwachen einer walze in einer anlage zum walzen von metall
EP3835900B1 (de) Verfahren und vorrichtung zur prüfung von werkstücken
EP3786853A1 (de) Komprimieren eines tiefen neuronalen netzes
DE112020003659T5 (de) Verfahren zur diagnose von anomalien, vorrichtung zur diagnose von anomalienund programm zur diagnose von anomalien
EP2793088A1 (de) Verfahren zum Überwachen mindestens einer Werkzeugmaschine
DE102019215016A1 (de) Messanordnung, Verfahren zum Einrichten einer Messanordnung und Verfahren zum Betreiben einer Messanordnung
DE4217007A1 (de) Verfahren und Vorrichtung zur Überwachung und Sicherung der Produktqualität
EP1157317B1 (de) Verfahren und anordnung zur reduktion einer anzahl von messwerten eines technischen systems
DE102020128648A1 (de) Analysator

Legal Events

Date Code Title Description
MM01 Lapse because of not paying annual fees

Effective date: 20150704