CN110603548A - 用于在产品验证和制造过程中根据传感器数据确定故障模式的系统和方法 - Google Patents
用于在产品验证和制造过程中根据传感器数据确定故障模式的系统和方法 Download PDFInfo
- Publication number
- CN110603548A CN110603548A CN201880016645.0A CN201880016645A CN110603548A CN 110603548 A CN110603548 A CN 110603548A CN 201880016645 A CN201880016645 A CN 201880016645A CN 110603548 A CN110603548 A CN 110603548A
- Authority
- CN
- China
- Prior art keywords
- historical
- failure
- failure mode
- parameter table
- curves
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 218
- 238000004519 manufacturing process Methods 0.000 title claims description 38
- 238000012019 product validation Methods 0.000 title claims description 9
- 230000008569 process Effects 0.000 claims abstract description 157
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims description 36
- 238000009826 distribution Methods 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Image Processing (AREA)
Abstract
提供了一种用于监测至少一个过程并且用于确定在所述至少一个过程中发生的故障的故障模式的方法,其中针对所述至少一个过程的多个部分过程生成具有特征故障模式的参数表,其中所述参数表基于历史传感器数据生成,其中所述历史传感器数据描述具有至少两个维度并且分别分配给部分过程的多条历史曲线,并且其中每个部分过程的所述历史曲线包括历史OK曲线(正常)和历史NOK曲线(不正常),其中所述历史NOK曲线表示故障部分过程。
Description
技术领域
本发明涉及一种用于确定在至少一个过程中发生的故障的故障模式并且用于监测过程(包括至少一个过程步骤的制造过程或产品验证过程/产品验证)的方法,各自基于2维到n维传感器数据。此外,本发明涉及一种被配置成实施根据本发明的方法的系统。
背景技术
在制造如车辆等物品时,如果生产或制造过程中的故障可以归因于具体的故障原因,则可以提高物品和生产或制造过程的质量。这里的生产或制造过程包括独立部件的生产、组装和/或调试,如在车辆的两个部件之间建立螺钉连接。可能的故障模式的数量可以是巨大的,这取决于要生产的物品—在车辆中,所述可能的故障模式的数量可以在四位数或五位数的范围内。总而言之,可能累积大量故障,这也很可能在几百个误差的范围内。
实际上,不仅难以检测到具体故障或故障模式,而且还难以将故障与故障原因相关联。因此,在大多数情况下,无法改进生产或制造过程,即无法以不易出现故障的方式设计生产或制造过程或产品或者无法实现几乎无故障的生产或制造过程。
确定故障原因的难度还因为某些故障可能有不同的原因而加大。因此,特定的故障可能在一种情况下由于第一故障原因而出现并且在另一种情况下由于第二故障原因而出现。因此,故障或故障代码单独提供的信息通常不足以能够确定故障原因并且不足以能够清除这种原因。
发明内容
本发明的目的是至少部分地克服上述缺点。具体地,本发明的目的是在产品验证和生产或制造过程中实现故障模式和故障原因的精确检测和定位并且因此使高质量产品和几乎无故障的生产或制造过程成为可能。本发明旨在为产品和生产或制造过程中的零故障策略提供重大贡献。
创造性解决方案
通过根据独立权利要求的方法和系统实现了上述目的中的至少一个目的。本发明的另外的特点和细节以及有利的改进和另外的实施例从相应的从属权利要求、说明书和附图中出现。结合根据本发明的方法描述的特点和细节还适用于结合根据本发明的系统并且反之亦然,使得关于本发明的各个方面的公开内容,常常可以在所述方法与所述系统之间相互引用。
因此,提供了一种用于监测至少一个过程并且用于识别在所述至少一个过程中发生的故障的故障模式的方法,其中针对所述至少一个过程的多个部分过程生成具有特征故障模式的参数表,其中所述参数表基于历史传感器数据生成,其中所述历史传感器数据描述具有至少两个维度并且分别分配给部分过程的多条历史曲线,并且其中每个部分过程的所述历史曲线包括历史OK曲线(正常)和历史NOK曲线(不正常),其中所述历史NOK曲线表示故障部分过程。
这里特别有利的是,
-所述至少一个过程包含制造过程和产品验证过程/产品验证,并且
-所述部分过程包括所述制造过程的过程步骤和所述产品验证过程/产品验证的产品验证步骤,并且
-所述历史曲线包括历史过程曲线和历史产品验证曲线,所述历史OK曲线包括历史OK过程曲线和历史OK产品验证曲线,并且所述历史NOK曲线包括历史NOK过程曲线和历史NOK产品验证曲线,并且
-所述故障部分过程包含故障过程步骤和故障产品。
还有利的是,针对每个部分过程生成所述参数表包括:
-从所述历史曲线中选择所述历史NOK曲线;以及
-对于每条选择的历史NOK曲线并且根据部分过程的类型:
-将所述历史NOK曲线划分成多个部分或划分成多个象限;
-确定每个部分/每个象限的多个参数值,与部分过程的所述类型相关的参数被存储在配置表中;
-执行映射步骤,其中故障模式被分配给所述历史NOK曲线,其中所述故障模式从与存储在所述配置表中的所述部分过程的所述类型相关的一组故障模式中选择,并且其中故障模式被优选地分配给多条历史NOK曲线。
在将所述故障模式分配给所述历史NOK曲线之后,生成所述参数表可以进一步包括:
-对于每个故障模式,确定属于相应故障模式的参数(参数群)的特征分布;
-从所有故障模式中确定基于单个参数群明确可识别的那些故障模式,其中这一个参数群不与所述故障模式的任何其它参数群重叠;以及
-将所述确定的明确可识别的故障模式插入到所述参数表中,其中针对所述相应的故障模式,仅将明确可识别误差图像的所述参数群的那些值作为特点存储在所述参数表中。
有利的是,对基于单个参数群无法明确识别的那些故障模式实施以下步骤:
i)将所述参数群的区间长度减小预定的相对值或绝对值;
ii)确定基于具有减小的区间长度的参数群明确可识别的那些误差图像,并且将确定的明确可识别的故障模式插入所述参数表的末尾,其中具有原始区间长度作为特征的所述参数群的所述值存储在所述参数表中;以及
iii)检查是否仍有尚未插入到所述参数表中的故障模式,并且如果这个测试是肯定的,则继续步骤i),直到所有故障模式均已插入到所述参数表中。
存储在所述参数表中的所述特点可以在存储之前调整预定的相对值或绝对值,具体地,区间极限可以增加预定的相对值。这样可以补偿对故障模式进行检测时的波动。
在将所有故障模式插入到所述参数表之后,可以执行验证步骤,其中所述验证步骤包括:
i)对于生成所述参数表所基于的每条历史NOK曲线,通过选择其在所述参数表中的特征与所述历史NOK曲线的特征相匹配的关联故障模式基于所述参数表来确定所述故障模式;其中将存储在所述参数表中的所述故障模式以升序与所述历史NOK曲线的所述特征进行比较,并且当已经确定故障模式时,终止所述比较;
ii)对于来自步骤i)的每条历史NOK曲线,验证检测到的所述故障模式是否与所述映射步骤中与所述历史NOK曲线相关联的所述故障模式相匹配;以及
iii)如果对于步骤ii)中的故障模式,一定数量的检测到的故障模式与所述相关联的故障模式不匹配,则
-将所述数量保存到所述参数表中的所述故障模式;
-生成至少一个另外的特征并且将所述另外的特征与所述故障模式的所述特征一起作为新的故障模式存储在所述参数表中;以及
-对具有至少一个另外的特征的那些故障模式执行权利要求4中的步骤。
对于即使用所述另外的特征也无法明确识别的故障模式,有利的是执行二元逻辑回归,其中对于这些故障模式,将所述二元逻辑回归的公式存储到所述参数表中的所述故障模式,并且然后重复所述验证步骤。
在所述参数表中,可以标记这些故障模式,其中所述验证步骤中存储了最小的相应数量。
所述历史传感器数据可以由传感器提供。这些传感器可以被分配给生产设备、工具、测试装置和/或产品验证装置。
在创建所述参数表之后,可以执行以下步骤:
a)收集由传感器在部分过程期间提供的传感器数据,其中所述收集的传感器数据描述了具有至少两个维度的至少一条曲线,并且其中所述收集的传感器数据被分配给所述部分过程;
b)将所述收集的传感器数据与所述参数表中存储的这个部分过程的特征故障模式进行比较,其中对于所述比较,从所述收集的传感器数据中提取与描述这个部分过程的所述特征故障模式的特征相对应的实际特征,其中根据比较规则将所述实际特征与所述参数表中的所述特征进行比较;以及
c)从所述参数表中选择所述故障模式,所述故障模式的特征与所述实际特征匹配到预定匹配程度。
对于所述预定匹配程度,任选地提供了每个实际特征和所述故障模式的对应特征满足预定匹配标准。
在步骤c之后),可以为所述选择的故障模式选择与所述故障模式相关联的至少一个故障原因和/或与所述故障模式相关联的至少一个故障消除措施,其中所述故障原因和/或所述故障消除措施以及对所述相应故障模式的分配被存储在表中。
进一步提供了一种适于实施根据本发明的方法的系统,具体地,具有存储装置和用于接收传感器数据的接口的计算机系统,所述参数表存储在所述存储装置中,所述传感器数据中的故障模式应当被检测。
附图说明
从结合附图作出的以下描述中,本发明的另外的细节和特点将变得显而易见,在附图中,本发明不限于以下所描述的实施例。在附图中:
图1示出了根据本发明的方法的流程图;
图2包括一组过程曲线,所述一组过程曲线包括多条历史NOK过程曲线和多条历史OK过程曲线;
图3示出了历史OK过程曲线和历史NOK过程曲线的具体实例(划分为象限);并且
图4示出了多个故障模式的参数值的示例性分布。
具体实施方式
利用根据本发明的方法或利用根据本发明的系统,可以实现几乎无故障且稳健的产品和过程,特别是制造过程。根据本发明的方法和根据本发明的系统通过在生产和组装时将过程数字联网对零故障策略以及对产品和过程优化做出了重大贡献。
根据本发明的方法的示例性应用是
-基于过程和/或产品验证曲线或基于连续特征如在制造过程期间在线,区分OK案例(正常)与NOK案例(不正常),如区分故障产品与无故障产品,或故障过程与无故障过程,和/或
-识别来自NOK曲线例如来自NOK过程和/或产品验证曲线的故障模式,以便能够基于故障模式启动具体的故障排除措施。
利用根据本发明的方法/系统,因此可以识别来自产品验证和过程曲线的故障模式,可以确定用于每个故障模式的因果关系和原因,并且可以提供或使每个故障原因的解决方案和措施可用。例如,如果在生产过程期间直接检测到故障模式,则在生产过程中可能已经启动并实施了用于消除故障的措施。
图1示出了根据本发明的方法的流程图。
根据本发明,提供了首先必须对系统进行“示教(teach-in)”,利用所述系统实施对产品验证和/或制造过程的过程步骤的监测,或者利用所述系统识别有缺陷的产品和/或过程步骤的故障模式。基于“了解到的(learned)”信息,系统然后可以优选地在线即例如在产品验证和/或制造过程期间,监测产品质量或产品功能和/或制造过程并识别故障产品和/或过程步骤和其可能的原因,并且基于确定的故障模式提出用于消除故障的解决方案和措施。
下文中,术语“过程步骤”包含产品验证步骤和/或制造过程的过程步骤两者。这些过程步骤还被称为部分过程。术语“制造过程”还包括产品验证过程。术语“过程曲线”还包括产品验证曲线。
因此,根据本发明,以下参考过程、过程步骤和过程曲线描述的方法还可以应用于产品验证、产品验证过程或产品验证曲线。
为此目的,在第一步骤S10中,提供对传感器数据的检测,在此基础上在另外的步骤S20中实施系统的“示教”。传感器数据可以描述具体过程或过程步骤的过程曲线,即优选地获取传感器数据作为n元组(n>=1)。
传感器数据由传感器提供,所述传感器监测例如特定生产装置或特定工具。例如,电动扭矩驱动器可以具有扭矩传感器和角度传感器,利用所述扭矩传感器和所述角度传感器可以在拧紧操作期间检测扭矩和旋转角度。根据记录的扭矩和旋转角度(2元组),可以生成过程曲线,所述过程曲线指示扭矩作为旋转角度的函数。
可以提供另外的物理参数的传感器。因此,例如,可以提供计时器,所述计时器除了扭矩和旋转角度之外还检测拧紧时间(例如,以毫秒为单位)。根据记录的扭矩、旋转角度和拧紧时间(3元组),可以再次生成过程曲线(在这种情况下是三维过程曲线),所述过程曲线指示例如扭矩作为旋转角度的函数或指示扭矩作为拧紧时间的函数。
代替曲线,还可以为过程和/或产品验证提供连续特点。
获取的用于对系统进行示教的这个传感器数据或由此导出的过程曲线在下文中被称为“历史传感器数据”或“历史过程曲线”。历史传感器数据存储在系统的存储器装置中。根据过程的性质,可以在一定的时间段内收集历史传感器数据或历史过程曲线,以便提供足够大的数据库供学习用。
如果收集了不同过程或过程步骤的历史传感器数据,则将历史传感器数据分配给存储器装置中的相应过程或过程步骤。为了能够在监测期间识别故障过程步骤,有利的是属于过程或过程步骤的历史过程曲线不仅包括OK过程曲线而且包括最小数量的(例如,至少六个)NOK过程曲线。NOK过程曲线表示故障过程步骤或者故障产品或产品功能。
以下步骤S21到S24在步骤S20的过程中执行或者是步骤S20的子步骤。
步骤S21a到S21d被称为“示教”S21。
步骤S22a到S22c被称为“标志(fingerprint)计算”S22。
步骤S23a到S23b被称为“范围调整”S23。
步骤S24a到S24d被称为“验证步骤”S24。
首先,生成参数表并将其存储在根据本发明的系统的存储器装置中。在对系统进行示教之后,参数表包含多个不同的过程或过程步骤的多个特征故障模式。
为此目的,首先,在步骤S21a中,从对应的历史过程曲线(所述历史过程曲线具有NOK过程曲线和OK过程曲线)中为每个过程选择NOK过程曲线以进行示教。
NOK过程曲线的选择可以由用户例如通过适当的输入/选择屏幕进行。在这种情况下,选择的NOK过程曲线的数量应当达到一定的数量级,以确保有一定样本大小的NOK案例供每个“故障模式”进行“示教”。
图2中示出了一组历史过程曲线的实例,包含多条NOK过程曲线和多条OK过程曲线。扭矩曲线在这里示出为拧紧操作中的旋转角度的函数。这里的NOK过程曲线是在预定目标范围之外结束的那些曲线,其中所述目标范围在这里由窗口F表示。窗口F在这里由具体的旋转角度区间和具体的扭矩区间定义。
在选择历史NOK过程曲线之后,在步骤S21b中将这些历史NOK过程曲线划分为部分或象限(单独地或一起)。图3中示出了划分为象限的历史NOK过程曲线,其中还示出了历史OK过程曲线。在图3所示的实例中,NOK过程曲线被划分为总共9个象限。
将历史NOK过程曲线划分为象限或部分可以通过两种方式完成:
1.基于其传感器针对相应历史过程曲线生成并提供传感器数据的工具或机器的各种设置参数,可以自动设置部分或象限。在拧紧操作中,例如,为此目的,可以使用发现扭矩、阈值扭矩、期望扭矩,另外的扭矩和相应的角度或旋转角度。例如,在图3所示的实例中,发现转矩FM和阈值转矩SWM以及相应的旋转角度已经被用作用于设置前四个象限的参数。
2.基于来自用户的输入。在这种情况下,用户可以自己设置部分或象限,从而将某些参数考虑在内或甚至不管参数。
在将历史NOK过程曲线划分成部分/象限之后,在下一步骤S21c中针对每条NOK过程曲线的每个部分/每个象限确定多个参数值。要确定值的参数一方面取决于相应NOK过程曲线所基于的过程步骤的类型并且另一方面取决于相应的部分/象限。例如,可以为两个不同的拧紧过程或为要确定值的NOK过程曲线的两个不同的象限提供不同的参数。
将与每种类型的过程步骤或与每个部分/每个象限有关的参数存储在配置表中,所述配置表可以存储在系统的存储器装置中。参数可以包括统计参数。每个部分/象限的这种参数的实例为:
-端值(X)、端值(Y)
-最大(X)、最大(Y)
-标准偏差(X)、标准偏差(Y)
-平均数/中位数(X)、平均数/中位数(Y)
-斜率Y(从X处开始;到)、曲率Y(从X处开始;到)等。
根据NOK过程曲线和部分/象限的类型,可以定义某些参数组合。
确定的参数值可以存储在存储器装置中并且分配给相应的历史NOK过程曲线。
在已经确定历史NOK过程曲线的参数值之后,在映射步骤S21d中将故障模式分配给历史NOK过程曲线。优选地,每条历史NOK过程曲线单独分配有故障模式。这优选地手动完成。为了帮助用户,可以可视化相应历史NOK过程曲线,优选地还显示了象限/部分划分和确定的参数值。另外,可以示出分配了相同故障模式的那些历史NOK过程曲线。
根据历史NOK过程曲线的类型,可以分配不同的故障模式。将可能的可分配故障模式存储在配置表中。例如,故障模式“旋转角度过大”可以分配给表示拧紧操作的NOK过程曲线,而不是分配给表示焊接操作的NOK过程曲线。当然,可以将特定故障模式分配给不同过程的多条NOK过程曲线或同一过程的多条NOK过程曲线。
NOK过程曲线到故障模式的分配存储在系统的存储器装置中。于是,每个故障模式同时被分配了多个参数。
拧紧操作(例如,利用电动扭矩螺丝刀)的故障模式可以是例如:
-螺丝刀滑脱/自旋
-端点角度过高
-端点扭矩等过低
图3所示的历史NOK过程曲线可以分配有例如故障模式“滑脱”,所述故障模式滑脱可以例如通过扭矩在大约720°的旋转角度下突然下降到近0Nm来识别。
在将故障模式映射到历史NOK过程曲线之后,可以针对每个分配的故障模式检查历史NOK过程曲线的数量是否满足代表性样本大小的标准。例如,可以检查是否已经将故障模式分配给至少n个(例如,n≥6)历史NOK过程曲线。
在步骤S21d之后并且必要时在样本大小检查之后,将具有关联故障模式的多个历史NOK过程曲线和每个故障模式的代表性样本大小存储在系统中。因此,“示教”完成。将故障模式分配给历史NOK过程曲线在下文称为“专家意见(expert opinion)”。
接下来,在步骤S22中,针对每个故障模式即针对与故障模式相关联的历史NOK过程曲线计算所谓的统计标志。
为此目的,首先,在步骤S22a中,针对每个故障模式确定分配给相应故障模式的历史NOK过程曲线的在步骤S21c中确定的参数值的特征分布。与故障模式相关联的历史NOK过程曲线被称为故障模式群,故障模式群(称为参数群)中的每个参数具有特征分布。
图4中示出了参数“最大扭矩”和针对故障模式“滑脱”、“停止”、“早期进位误差(early biting error)”、“后期进位误差”、“角度最大”和“攻丝扭矩过高”的箱线图形式的特征分布的实例。
在步骤S22a之后,在步骤S22b中,基于单个参数或单个参数群确定可明确识别的那些故障模式。这些是具有不与所有故障模式的相同参数的任何其它参数群重叠的至少一个参数群的那些故障模式。即,具有其群不与其它故障模式的相同参数的群重叠的参数的故障模式可相对于所述参数被明确识别。因此,相对于这个参数,这个故障模式也是明确可识别的,这个参数还不必明确地描述另一种故障模式。
在图4所示的实例中,故障模式“角度最大”可通过参数“最大扭矩”明确识别,因为故障模式“角度最大”的参数“最大扭矩”的群不与其余故障模式的参数“最大值扭矩”的任何其它群重叠,而参数“最大扭矩”的群在其余故障模式中有重叠。对于图4所示的其余故障模式,然后进一步检查是否存在其它参数,利用所述其它参数可基于单个参数明确地识别故障模式。
然后在后续步骤S22c中,将步骤S22b中确定的明确可识别的故障模式分到参数表的开头。这里,优选地,针对每个故障模式仅存储参数表中的参数值(例如,区间极限),并将其分配给故障模式,利用所述故障模式可以明确地识别相应的故障模式。在图4所示的实例中,对于故障模式“角度最大”,将会如以“100<=最大扭矩[Nm]<=152”的形式仅存储参数“最大扭矩”的值,如果将下和上visker(群极限)存储为区间极限的话。
因此,当监测拧紧操作的制造过程时,如果最大扭矩在100Nm与152Nm之间,则可以确定故障模式“角度最大”。
另外,其余参数的值也可以存储在参数表中的故障模式中,在这种情况下,可以单独区分使明确地识别故障模式成为可能的特点。
可以将存储在参数表中的参数值可以调整例如相对值或绝对值。例如,可以将区间极限调整±5%,使得在上述实例中将会存储“95<=最大扭矩[Nm]<=159.6”。这可以用于补偿由于故障模式群的样本大小而未记录的波动。
下表示出了图4所示的故障模式“角度最大”的参数表的一部分,其中已经适配了区间极限。
因为参数“最大扭矩[Nm]”使故障模式“角度最大”的明确可识别成为可能,所以仅将这些值存储在参数表中。其余参数的值保持为空。
参数 | 最小值 | 最大值 |
角度[°] | -- | -- |
标准偏差 | -- | -- |
最大扭矩[Nm] | 95 | 159.6 |
初始扭矩[Nm] | -- | -- |
最终扭矩[Nm] | -- | -- |
如果故障模式的明确可识别需要若干个参数,则针对这些若干个参数中的每个参数,将对应的值存储在参数表中。另外,可以将各个参数的值进行逻辑链接(AND/OR、XOR、…)的方式存储在参数表中。
在随后的步骤S23中对通过单个参数或单个参数群无法识别的那些(其余的)故障模式进行后处理,以便(如果可能的话)同样地实现这些故障模式的明确可识别,所述随后的步骤被称为“范围适配”。
在这种情况下,在步骤S23a中,首先将其余故障模式的所有参数的区间长度(例如,下和上visker(群极限))减小预定的相对值或绝对值。
随后,在步骤S23b中检查在其余故障模式中是否存在基于单个参数明确地可识别的一个(或多个)故障模式。
如果是:在步骤22c,将所述一个或多个明确可识别的故障模式必要时与参数的适配区间极限一起以类似的方式插入到参数表的末尾。
如果否:返回到步骤23a,继续进行“范围调整”。
迭代地实施范围适配,直到基于单个参数可明确识别所有故障模式并将其插入到参数表中。
在完成步骤S23后,将与这些故障模式相关联的所有故障模式或参数作为故障模式的特征存储到参数表中在步骤S21a中选择的历史NOK过程曲线。
在步骤S23之后,执行验证步骤S24。
根据本发明的变体,仅对只能借助于步骤23(范围适配)分到参数表中的那些故障模式实施验证步骤。
根据本发明的另外的变体,对所有故障模式实施验证步骤。
在验证步骤S24的范围内,首先在步骤S24a中,基于先前生成的用于每条历史NOK过程曲线的参数表(可能具有上述约束)确定来自参数表的关联故障模式,所述历史NOK过程曲线用于生成参数表。由此针对历史NOK过程步骤确定的故障模式被称为“计算意见(calculated opinion)”。
随后,在步骤S24b中,针对每个历史NOK故障模式检查专家意见是否对应于计算的意见或者这两个意见之间是否存在差异。因此,检查与步骤S21d中的历史NOK过程曲线相关联的故障模式是否与步骤S24a中针对这个历史NOK过程曲线获得的故障模式相同。理想的是,对于每条历史NOK过程曲线,与步骤S21d相关联的故障模式与在步骤S24a中确定的相应故障模式相同。
对每个故障模式执行步骤S24b中的验证。即,确定在步骤S21d中哪些NOK过程曲线已经被分配有要验证的故障模式。随后,检查在步骤S24a中针对这些历史NOK过程曲线确定了哪些故障模式。如果这里没有偏差,则可以终止这个历史故障模式的步骤S24。
然而,如果故障模式在这里出现偏差,即如果在步骤S24a中将不同于步骤S21d的故障模式分配给历史NOK过程曲线,则专家意见偏离计算意见。然后可以将偏差的数量存储在相应故障模式的参数表中。同时,针对这个故障模式定义一个或多个另外的参数。然后将这个故障模式(原始参数和另外的参数)保存在参数表中作为新的故障模式,其中参数表中已经存在的故障模式也可以被覆写。一个或多个另外的参数的定义可以由系统的用户进行。另外的参数可以是例如区间中的分布、区间中的斜率、区间中的曲率等。
随后,对于已经定义了另外的参数的那些故障模式(步骤S24c),检查是否存在利用单个参数明确可识别的故障模式。对于情况就是这样的那些故障模式,验证步骤在此结束。
对于其余故障模式,在随后的步骤S24d中实施二元逻辑回归(BLR),并且针对相应的故障模式存储二元逻辑回归的公式。
在参数表中,针对每个故障模式另外存储二元逻辑回归的公式,故障模式利用所述方法插入到参数表中,即
-根据步骤S22b和S22c,或
-根据步骤S23b(范围调整),或
-根据步骤S24c(范围调整+另外的特征),或
-根据步骤S24d(BLR),
其中还指示了哪种方法导致专家意见与计算意见之间的偏差最小。
在步骤S24d结束时,步骤S20也结束,并且系统可以被视为正进行示教。
利用被示教以用于某些过程或过程步骤的系统,可以在线即在操作期间并且优选地实时地监测这些过程或过程步骤,并且在检测到故障后,可以立即通知员工对应的故障模式以及在必要时适当的故障消除措施。
为此目的,在步骤S30中,由工具/机器等提供传感器数据,所述传感器数据由分配给工具/机器的传感器收集。例如,可以将电动扭矩驱动器与扭矩传感器和角度传感器相关联。在这种情况下,传感器数据描述了分配给过程/过程步骤的过程曲线,例如在拧紧操作期间,例如扭矩随时间的变化过程或扭矩随旋转角度变化的过程。
在步骤S40中,现在可以将由此获得的传感器数据或得到的过程曲线存储在参数表中的故障模式进行比较。根据与过程/过程步骤相关联的特征故障模式的参数,从相应的过程曲线中提取对应的参数值,并将其与参数表中的故障模式的参数进行比较。
如果比较是肯定的,则从参数表中选择对应的故障模式作为步骤S50中比较的结果,并且然后可以使其可供用户使用。另外,可以从动作表中选择分配给这个故障模式的故障消除措施并使其可供用户使用。
否则没有故障,或故障仍然未知。在后一种情况下,只要对应的历史NOK过程曲线的可用样本足够大,就可以针对这个未知故障对系统进行示教。
例如,这样使得可以在正在进行的生产过程中几乎实时地检测故障或故障模式。由例如制造设备实时提供的传感器数据可以直接与存储的故障模式进行比较。在某些情况下,已经可以在过程步骤结束之前检测到故障加工步骤—例如,可以在拧紧操作完成之前从扭矩扳手的扭矩的过程中检测到可能的故障,使得拧紧操作甚至不必完成。
Claims (13)
1.一种用于监测至少一个过程并且用于确定在所述至少一个过程中发生的故障的故障模式的方法,其中针对所述至少一个过程的多个部分过程生成具有特征故障模式的参数表,其中所述参数表基于历史传感器数据生成,其中所述历史传感器数据描述具有至少两个维度并且分别分配给部分过程的多条历史曲线,并且其中每个部分过程的所述历史曲线包括历史OK曲线(正常)和历史NOK(不正常)曲线,其中所述历史NOK曲线表示故障部分过程。
2.根据前一权利要求所述的方法,其中
-所述至少一个过程包含制造过程和产品验证过程/产品验证,并且
-所述部分过程包括所述制造过程的过程步骤和所述产品验证过程/产品验证的产品验证步骤,并且
-所述历史曲线包括历史过程曲线和历史产品验证曲线,所述历史OK曲线包括历史OK过程曲线和历史OK产品验证曲线,并且所述历史NOK曲线包括历史NOK过程曲线和历史NOK产品验证曲线,并且
-所述故障部分过程包含故障过程步骤和故障产品。
3.根据前述权利要求中任一项所述的方法,其中针对每个部分过程生成所述参数表包括:
-从所述历史曲线中选择(S21a)所述历史NOK曲线;以及
-对于每条选择的历史NOK曲线并且根据部分过程的类型:
-将所述历史NOK曲线划分(S21b)成多个部分或划分成多个象限;
-确定(S21c)每个部分/每个象限的多个参数值,其中与部分过程的所述类型相关的参数被存储在配置表中;
-执行(S21d)映射步骤,其中故障模式被分配给所述历史NOK曲线,所述故障模式从与存储在所述配置表中的所述部分过程的所述类型相关的一组故障模式中选择,并且其中故障模式优选地被分配给若干条历史NOK曲线。
4.根据前一权利要求所述的方法,其中在将所述故障模式分配给所述历史NOK曲线之后,生成所述参数表进一步包括:
-对于每个故障模式,确定(S22a)属于相应故障模式的参数(参数群)的特征分布;
-从所有故障模式中确定(S22b)从单个参数群中能够明确识别的那些故障模式,其中这一个参数群不与所述故障模式的任何其它参数群重叠;以及
-将所述确定的能够明确识别的故障模式插入(22c)到所述参数表中,其中针对所述相应的故障模式,仅将能够明确识别所述故障模式的所述参数群的那些值作为特征存储在所述参数表中。
5.根据前一权利要求所述的方法,其中对无法从单个参数群中明确识别的那些故障模式执行以下步骤:
i)将所述参数群的区间长度减小(S23a)预定的相对值或绝对值;
ii)确定(S23b)从具有减小的区间长度的参数群中能够明确识别的那些故障模式,并且将确定的能够明确识别的误差图像插入所述参数表的末尾,其中具有原始区间长度作为特征的所述参数群的所述值存储在所述参数表中;以及
iii)检查是否仍有尚未插入到所述参数表中的故障模式,并且如果这个测试是肯定的,则继续步骤i),直到所有故障模式均已插入到所述参数表中。
6.根据前述两项权利要求中任一项所述的方法,其中将存储在所述参数表中的所述特征在存储之前调整预定的相对值或绝对值,具体地,将区间极限增加预定的相对值。
7.根据前述两项权利要求中任一项所述的方法,其中在将所有所述故障模式插入到所述参数表中之后,执行验证步骤(S24),所述验证步骤包括:
i)对于生成所述参数表所基于的每条历史NOK曲线,通过选择其在所述参数表中的特征与所述历史NOK曲线的特征相匹配的关联故障模式基于所述参数表来确定(S24a)所述故障模式,其中将存储在所述参数表中的所述故障模式以升序与所述历史NOK曲线的所述特征进行比较,并且一旦确定故障模式,就终止所述比较;
ii)对于来自步骤i)的每条历史NOK曲线,验证(S24b)检测到的故障模式是否与所述映射步骤中与所述历史NOK曲线相关联的所述故障模式相匹配;以及
iii)如果对于步骤ii)中的故障模式,一定数量的检测到的故障模式与所述相关联的故障模式不匹配,则
将所述数量保存到所述参数表中的所述故障模式;
生成至少一个另外的特征并且将所述另外的特征与所述故障模式的所述特征一起作为新的故障模式存储在所述参数表中;以及
对具有至少一个另外的特征的那些故障模式执行权利要求4中的步骤。
8.根据前一权利要求所述的方法,其中对于无法用所述另外的特征明确识别的故障模式执行二元逻辑回归,并且其中对于这些故障模式,将所述二元逻辑回归的公式存储到所述参数表中的所述故障模式,并且随后重复所述验证步骤。
9.根据前一权利要求所述的方法,其中在所述参数表中标记这些故障模式,其中所述验证步骤中存储了最小的相应数量。
10.根据前述权利要求中任一项所述的方法,其中所述历史传感器数据由传感器提供。
11.根据前述权利要求中任一项所述的方法,其中在生成所述参数表之后,执行以下步骤:
a)收集(S30)由传感器在部分过程期间提供的传感器数据,其中所述收集的传感器数据描述了具有至少两个维度的至少一条曲线,并且其中所述收集的传感器数据被分配给所述部分过程;
b)将所述收集的传感器数据与所述参数表中存储的这个部分过程的特征故障模式进行比较(S40),其中对于所述比较,从所述收集的传感器数据中提取与描述这个部分过程的所述特征故障模式的特征相对应的实际特征,其中根据比较规则将所述实际特征与所述参数表中的所述特征进行比较;以及
c)从所述参数表中选择(S50)所述故障模式,所述故障模式的特征与实际特点匹配到预定程度。
12.根据前一权利要求所述的方法,其中在预定匹配程度下,每个实际特征和所述故障模式的对应特征满足预定匹配标准。
13.根据前述两项权利要求中任一项所述的方法,其中在步骤c)之后,为所述选择的故障模式选择与所述故障模式相关联的至少一个故障原因和/或与所述故障模式相关联的至少一个故障消除措施,其中所述故障原因和/或所述故障消除措施以及对所述相应故障模式的分配被存储在表中。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017104884.7 | 2017-03-08 | ||
DE102017104884.7A DE102017104884B4 (de) | 2017-03-08 | 2017-03-08 | System und Verfahren zum Bestimmen von Fehlerbildern aus Sensordaten in Produktvalidierungs- und Fertigungsprozessen |
PCT/EP2018/055473 WO2018162481A1 (de) | 2017-03-08 | 2018-03-06 | System und verfahren zum bestimmen von fehlerbildern aus sensordaten in produktvalidierungs- und fertigungsprozessen |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110603548A true CN110603548A (zh) | 2019-12-20 |
CN110603548B CN110603548B (zh) | 2024-02-09 |
Family
ID=61622558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880016645.0A Active CN110603548B (zh) | 2017-03-08 | 2018-03-06 | 用于在产品验证和制造过程中根据传感器数据确定故障模式的系统和方法 |
Country Status (13)
Country | Link |
---|---|
US (1) | US20190392533A1 (zh) |
EP (1) | EP3593302A1 (zh) |
JP (1) | JP7241708B2 (zh) |
KR (1) | KR102505722B1 (zh) |
CN (1) | CN110603548B (zh) |
AU (1) | AU2018232670A1 (zh) |
BR (1) | BR112019018300A2 (zh) |
CA (1) | CA3053998A1 (zh) |
DE (1) | DE102017104884B4 (zh) |
MX (1) | MX2019010547A (zh) |
RU (1) | RU2770297C2 (zh) |
WO (1) | WO2018162481A1 (zh) |
ZA (1) | ZA201905211B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113844434A (zh) * | 2021-11-11 | 2021-12-28 | 无锡城市职业技术学院 | 一种基于传感器容错的混合动力汽车控制方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11042459B2 (en) * | 2019-05-10 | 2021-06-22 | Silicon Motion Technology (Hong Kong) Limited | Method and computer storage node of shared storage system for abnormal behavior detection/analysis |
AT525224A1 (de) | 2021-06-21 | 2023-01-15 | Engel Austria Gmbh | Verfahren, System und Computerprogrammprodukt zum Überwachen eines Formgebungsprozesses |
DE102021127029B3 (de) | 2021-10-19 | 2022-08-11 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren, System und Computerprogrammprodukt zur Prädiktion von Undichtigkeiten an Dichtungsschnittstellen von verschraubten Bauteilkomponenten |
DE102021214406B3 (de) | 2021-12-15 | 2023-06-07 | Zf Friedrichshafen Ag | Verfahren zum Detektieren von bekannten Fehlerursachen an EOL-Prüfständen |
CN117008559B (zh) * | 2023-10-07 | 2024-01-26 | 同心县京南惠方农林科技有限公司 | 应用于有机肥料生产系统的数据采集处理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040078171A1 (en) * | 2001-04-10 | 2004-04-22 | Smartsignal Corporation | Diagnostic systems and methods for predictive condition monitoring |
KR20050042167A (ko) * | 2002-09-13 | 2005-05-04 | 킴벌리-클라크 월드와이드, 인크. | 제조 공정 운용을 관리하기 위한 시스템 및 방법 |
US20080015726A1 (en) * | 2006-05-07 | 2008-01-17 | Applied Materials, Inc. | Ranged fault signatures for fault diagnosis |
CN101556168A (zh) * | 2008-04-11 | 2009-10-14 | 株式会社东芝 | 设备运行数据监控装置 |
US20130132000A1 (en) * | 2010-05-20 | 2013-05-23 | Kenji Tamaki | Monitoring diagnostic device and monitoring diagnostic method |
JP2016081482A (ja) * | 2014-10-22 | 2016-05-16 | 株式会社日立製作所 | プラント監視支援システム及びプラント監視支援方法 |
JP2016186779A (ja) * | 2015-03-27 | 2016-10-27 | 東レ株式会社 | 工程診断装置、工程診断方法および工程診断プログラム |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19518804A1 (de) | 1994-05-27 | 1995-12-21 | Fraunhofer Ges Forschung | Verfahren zur Überwachung eines Produktionsprozesses |
US5461570A (en) * | 1994-06-10 | 1995-10-24 | Johnson & Johnson Vision Products, Inc. | Computer system for quality control correlations |
JPH10124134A (ja) * | 1996-10-21 | 1998-05-15 | Osaka Gas Co Ltd | 診断システム |
AU4733601A (en) * | 2000-03-10 | 2001-09-24 | Cyrano Sciences Inc | Control for an industrial process using one or more multidimensional variables |
DE10241746B8 (de) | 2002-09-10 | 2007-09-20 | Haag, Günter, Prof.Dr. | Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen |
US7584165B2 (en) * | 2003-01-30 | 2009-09-01 | Landmark Graphics Corporation | Support apparatus, method and system for real time operations and maintenance |
US8645092B2 (en) * | 2004-10-22 | 2014-02-04 | Fisher-Rosemount Systems, Inc. | Quality control system and method for construction, commissioning, and other initiation of a process plant |
DE102004054902A1 (de) | 2004-11-12 | 2006-05-24 | Schott Ag | Vorrichtung und Verfahren zur Optimierung von technischen Produktionsprozessen durch Verdichtung, Zusammenführung und Analyse von Prozess-/Qualitätsdaten |
US20100292825A1 (en) * | 2006-08-09 | 2010-11-18 | Auckland Uniservices Limited | Process control of an industrial plant |
RU2454692C1 (ru) * | 2011-05-05 | 2012-06-27 | Общество с ограниченной ответственностью "Газпром добыча Ямбург" | Способ повышения достоверности поступающей информации в автоматизированной системе управления технологическими процессами, функционирующей в условиях крайнего севера |
KR101554216B1 (ko) | 2013-06-18 | 2015-09-18 | 삼성에스디에스 주식회사 | 시계열 형태의 센싱 데이터 배드 패턴 검증 방법 및 그 장치 |
KR101549743B1 (ko) * | 2013-07-29 | 2015-09-02 | 현대오토에버 주식회사 | 품질불량예방 관리시스템 |
JP6178768B2 (ja) * | 2014-09-17 | 2017-08-09 | 株式会社東芝 | 品質管理装置およびその管理方法 |
US10037026B2 (en) | 2014-09-25 | 2018-07-31 | General Electric Company | Systems and methods for fault analysis |
KR102570756B1 (ko) * | 2016-01-04 | 2023-08-24 | 한화정밀기계 주식회사 | 제조공정 가시화 장치 및 방법 |
-
2017
- 2017-03-08 DE DE102017104884.7A patent/DE102017104884B4/de active Active
-
2018
- 2018-03-06 KR KR1020197026284A patent/KR102505722B1/ko active IP Right Grant
- 2018-03-06 RU RU2019129916A patent/RU2770297C2/ru active
- 2018-03-06 WO PCT/EP2018/055473 patent/WO2018162481A1/de active Application Filing
- 2018-03-06 AU AU2018232670A patent/AU2018232670A1/en not_active Abandoned
- 2018-03-06 EP EP18710404.7A patent/EP3593302A1/de active Pending
- 2018-03-06 BR BR112019018300-0A patent/BR112019018300A2/pt unknown
- 2018-03-06 CA CA3053998A patent/CA3053998A1/en active Pending
- 2018-03-06 JP JP2019570622A patent/JP7241708B2/ja active Active
- 2018-03-06 MX MX2019010547A patent/MX2019010547A/es unknown
- 2018-03-06 CN CN201880016645.0A patent/CN110603548B/zh active Active
-
2019
- 2019-08-07 ZA ZA2019/05211A patent/ZA201905211B/en unknown
- 2019-09-05 US US16/561,772 patent/US20190392533A1/en not_active Abandoned
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040078171A1 (en) * | 2001-04-10 | 2004-04-22 | Smartsignal Corporation | Diagnostic systems and methods for predictive condition monitoring |
KR20050042167A (ko) * | 2002-09-13 | 2005-05-04 | 킴벌리-클라크 월드와이드, 인크. | 제조 공정 운용을 관리하기 위한 시스템 및 방법 |
US20080015726A1 (en) * | 2006-05-07 | 2008-01-17 | Applied Materials, Inc. | Ranged fault signatures for fault diagnosis |
CN101556168A (zh) * | 2008-04-11 | 2009-10-14 | 株式会社东芝 | 设备运行数据监控装置 |
US20130132000A1 (en) * | 2010-05-20 | 2013-05-23 | Kenji Tamaki | Monitoring diagnostic device and monitoring diagnostic method |
JP2016081482A (ja) * | 2014-10-22 | 2016-05-16 | 株式会社日立製作所 | プラント監視支援システム及びプラント監視支援方法 |
JP2016186779A (ja) * | 2015-03-27 | 2016-10-27 | 東レ株式会社 | 工程診断装置、工程診断方法および工程診断プログラム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113844434A (zh) * | 2021-11-11 | 2021-12-28 | 无锡城市职业技术学院 | 一种基于传感器容错的混合动力汽车控制方法 |
Also Published As
Publication number | Publication date |
---|---|
MX2019010547A (es) | 2019-12-05 |
RU2019129916A3 (zh) | 2022-02-11 |
BR112019018300A2 (pt) | 2020-03-31 |
KR20190123279A (ko) | 2019-10-31 |
RU2019129916A (ru) | 2021-04-08 |
ZA201905211B (en) | 2020-05-27 |
CN110603548B (zh) | 2024-02-09 |
CA3053998A1 (en) | 2018-09-13 |
AU2018232670A1 (en) | 2019-09-12 |
WO2018162481A1 (de) | 2018-09-13 |
DE102017104884A1 (de) | 2018-09-27 |
JP7241708B2 (ja) | 2023-03-17 |
RU2770297C2 (ru) | 2022-04-15 |
US20190392533A1 (en) | 2019-12-26 |
KR102505722B1 (ko) | 2023-03-02 |
DE102017104884B4 (de) | 2019-02-14 |
JP2020509521A (ja) | 2020-03-26 |
EP3593302A1 (de) | 2020-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110603548B (zh) | 用于在产品验证和制造过程中根据传感器数据确定故障模式的系统和方法 | |
US10725465B2 (en) | State diagnostic device | |
US10678193B2 (en) | Computer-implemented method and system for automatically monitoring and determining the status of entire process sections in a process unit | |
US7194325B2 (en) | System to and method of monitoring condition of process tool | |
US20090204249A1 (en) | Quality Assurance Method When Operating An Industrial Machine | |
US10768188B2 (en) | Diagnostic device and method for monitoring operation of a technical system | |
DE102016208852B4 (de) | Verfahren zur Charakterisierung von Schraubprozessen | |
CN107111312B (zh) | 监视在工业现场运行的过程的至少一个步骤的监视装置和监视方法 | |
CN107729985B (zh) | 识别技术设施的过程异常的方法和相应的诊断系统 | |
US11544554B2 (en) | Additional learning method for deterioration diagnosis system | |
CN109960232B (zh) | 领先辅助参数的选择方法和设备维护预诊断的方法 | |
CN115201395B (zh) | 一种基于大数据技术的色谱仪监管方法及装置 | |
CN112041819B (zh) | 用于监测和识别电驱动系统中的传感器故障的方法 | |
CN110399926B (zh) | 一种路灯故障诊断方法及装置 | |
CN113424120A (zh) | 无需计量地捕获机器特别是机床的特性确定该特性的方法 | |
CN105308523A (zh) | 车间诊断系统 | |
CN111356963A (zh) | 用于制造设施的状态监控的方法 | |
CN114611567A (zh) | 有教师学习器的数据集的标签标注方法、有教师学习器、状态估计装置 | |
US11378063B2 (en) | System and method for detecting turbine underperformance and operation anomaly | |
CN108628251B (zh) | 用于齿轮组件的自动加工的方法和装置 | |
CN107121975B (zh) | 一种基于信息几何的机器故障诊断方法和装置 | |
JP2020187502A (ja) | 診断装置と診断方法および加工装置 | |
US20190287189A1 (en) | Part supply amount estimating device and machine learning device | |
CN117348564A (zh) | 基于综合误差判定的工艺集推荐方法及其相关设备 | |
CN117043700A (zh) | 基于模拟的征兆的异常的原因分析 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |