CN112740128A - 用于改进自动化现场设备的测量性能的方法 - Google Patents
用于改进自动化现场设备的测量性能的方法 Download PDFInfo
- Publication number
- CN112740128A CN112740128A CN201980059345.5A CN201980059345A CN112740128A CN 112740128 A CN112740128 A CN 112740128A CN 201980059345 A CN201980059345 A CN 201980059345A CN 112740128 A CN112740128 A CN 112740128A
- Authority
- CN
- China
- Prior art keywords
- field devices
- calibration data
- environmental information
- field device
- field
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000007613 environmental effect Effects 0.000 claims abstract description 38
- 238000013178 mathematical model Methods 0.000 claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 238000001311 chemical methods and process Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 4
- 230000018109 developmental process Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000032683 aging Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 230000035882 stress Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229940037201 oris Drugs 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000009420 retrofitting Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种用于改进自动化现场设备(1)的测量性能的方法，其中，每个现场设备(1)使用测量算法来确定或监视介质(2)的至少一个物理或化学过程变量，使用具体校准数据而被校准，并且在其特定测量位置处暴露于可测量的环境影响下，其中，该方法包括下列方法步骤：捕获现场设备(1)的校准数据和/或在每种情况下以定义的时间间隔从现场设备(1)的环境中捕获环境信息项目；将带有时间戳的校准数据和环境信息存储在数据库(3)中；选择至少一组(A)现场设备(1)，其使用基本相同的测量算法确定物理或化学过程变量，并且在预定的公差范围内关于所捕获的环境信息相对应；将随时间捕获的校准数据和环境信息相关联；创建表示校准数据和环境信息之间的函数关系的数学模型；基于模型自适应该测量算法；将自适应测量算法传输到该组(A)的所有现场设备(1)。
Description
技术领域
本发明涉及一种用于改进自动化现场设备的测量性能的方法。
背景技术
在自动化系统中，尤其是在过程和工厂自动化系统中，经常使用用于捕获和/或影响过程变量的现场设备捕获。传感器用来捕获气态、液态或固态介质的过程变量，传感器，例如集成到填充水平测量设备、流量计、压力和温度测量设备、pH-氧化还原电势仪、电导率仪、光谱仪等中，其捕获填充水平、流量、压力、温度、pH值、电导率以及介质的化学成分的相应过程变量。诸如例如阀或泵的执行器用于影响过程变量。因而，可以借助于执行器来改变管道段中的流体的流速或容器中的填充水平。现场设备原则上指所有面向过程且提供或处理过程相关信息的设备。在本发明的背景下，现场设备也被理解为指布置在自动化系统中的远程I/O、无线电适配器和通用设备。恩德莱斯和豪瑟尔集团公司(Endress+Hauser)制造并销售各种此类现场设备。
在工业工厂中，至少一个更高级控制单元与现场设备之间的通信通常使用诸如例如
PA、
或
的总线系统进行。总线系统可以被设计成有线和无线两种。更高级控制单元用于过程控制、过程可视化、过程监视以及现场设备的调试和操作，并且也被称为配置/管理工作系统。为现场设备配备用于通信和/或能量供应的互联网接口也是众所周知的。
自动化现场设备越来越多地配备了近场通信接口。相应的近场通信接口(NFC接口)优选地是标准化接口，诸如蓝牙或蓝牙低功耗(BLE)接口。然后可以使用相应的应用，借助于市售的通信工具(智能手机、平板电脑、笔记本电脑等)来操作现场设备。
在本发明的背景下，术语“操作现场设备”应被理解为指显示配置、参数化、测量和状态数据或与现场设备有关的其他数据，以及在启动的背景下或在维修使用的背景下的现场设备的参数化或配置。此外，操作可以包括将固件或软件更新传送到现场设备。
用现场设备，可能交换固件。为此目的，使用特殊方法擦除并重写闪存或EEPROM。“闪烁”使得能够更新、故障排除以及翻新附加功能。此外，有必要反复地交换旨在用于各个现场设备类型的测量程序，以便对相应的现场设备进行故障排除、改进或添加功能。
由维修技术人员使用固件更新，例如，使用专有维修接口或使用市售的近场通信接口，诸如蓝牙低功耗接口，直接在现场设备上将测量程序或测量算法载入现场设备。可替选地，已知使用更高级控制单元，诸如恩德莱斯和豪瑟尔集团公司的fieldgate，来执行更新。在传送新的测量算法之后或在更新固件后，必须校准现场设备——视需要，多次校准。
应力参数相对难以控制，应力参数是现场设备在其测量位置连续或周期性暴露的，并且肯定能够对现场设备具有相当大的影响。由于应力参数可能对现场设备的测量精度或测量性能具有非常负面的影响，因此尝试通过对现场设备执行重复校准来处理该问题。毫无疑问，该过程非常耗时。
应力参数特别是源自使用现场设备的特定位置处的物理或化学条件。这些应力参数可以是诸如温度、压力、振动/冲击、湿度、UV辐射、辐射暴露等变量。当然，介质本身的性质也有相当大的影响；例如，介质的pH值以及侵蚀性和磨蚀性等都起着重要的作用。
发明内容
本发明的目标在于减少校准现场设备所涉及的工作，以便确保测量性能。
该目标通过一种用于改进自动化现场设备的测量性能的方法来实现，其中，现场设备中的每个使用测量算法来确定或监视介质的至少一个物理或化学过程变量，其中，使用具体校准数据校准针对特定测量任务定制的所述现场设备中的每个，并且其中，现场设备中的每个暴露于可以在其特定测量位置处确定的环境影响。该方法包括下列方法步骤：
-捕获现场设备的校准数据和/或在每种情况下都以定义的时间间隔从现场设备的环境中捕获至少一项环境信息，
-将提供有时间戳的校准数据和环境信息存储在数据存储器中，
-选择至少一组现场设备，其使用基本相同的测量算法确定物理或化学过程变量，并且关于所捕获的环境信息在预定的公差范围内相对应，
-将随时间捕获的校准数据与随时间捕获的环境信息相关联，
-创建描述校准数据和所捕获的环境信息之间的函数关系的数学模型，
-基于所确定的数学模型使测量算法自适应，
-将自适应的测量算法传输到所选择的组的所有现场设备。
一般而言，通过形成一组代表性的现场设备，减少了在现场——即在自动化系统中——对现场设备的校准工作，分析该组的现场设备的相应数据和先前提到的数据，并且将分析结果，即自适应测量算法以及可能的基础数学模型传输到该组的所有现场设备。
这些优点特别是改进了各个现场设备的测量性能。在理想情况下，现场的重新校准变得完全多余，所以大大减少了维修工作量。
在说明书的引言中已经解释了结合本发明被理解为现场设备的现场设备。这里将不再重复。特别地，将对现场设备，尤其是对现场设备的老化有影响的物理或化学被测变量用作环境信息。可以定量和/或定性地确定环境信息。在这种背景下，定量是指测量这些测量设备的变量；定性是指它们对现场设备的影响要以足够的精度确定。这里可能提及的示例是临时运行的泵，泵在运行期间引起轻微、中等或强烈的振动。
根据该根据本发明的方法的发展，校准数据和环境信息被存储在数据库中。鉴于有时在全球不同位置确定和收集大量数据，因此优选地是支持云的数据库。
在“工业物联网(IIoT)”和“工业4.0”的背景下，用于存储和处理源自工业自动化系统的大量数据(大数据)的支持云的数据库变得越来越重要。与云计算技术兼容的数据库被称为支持云的数据库。在这种情况下，云计算应被理解为处理和存储信息以及使用互联网访问所存储的信息。
为了访问支持云的数据库并交换数据，使用所谓的用于应用编程的接口(应用接口，或简称为“API”)。这些定义了允许的命令和对支持云的数据库的访问类型。在访问之前，API需要对用户进行验证。通常使用密钥(所谓的“API密钥”)来实现该验证。
尽管可以将支持云的数据库视为优选解决方案，但是当然也可能将数据库分配给边缘设备，现场设备之一或本地服务器。此外，边缘设备特别确保被布置在自动化系统的定义区域中的现场设备与至少一个内部或外部服务器之间的通信。因而，边缘设备具有中间数据收集器的功能，并且可能具有例如在现场总线协议和Internet/Intranet协议之间，将一种通信协议转换为另一种通信协议的转换器的功能。
如果使用机器学习的方法来创建用于创建自适应的测量算法的数学模型，则认为结合根据本发明的方法是有利的。特别地，提供了通过使用至少一种神经网络来创建数学模型。根据本发明的方法的可替选实施例通过使用最近邻方法，通过使用决策树和/或通过使用支持向量机来产生数学模型。可以与根据本发明的解决方案结合使用的进一步变体是线性或非线性回归、合奏、朴素贝叶斯或逻辑回归方法。自适应测量算法优选地在云应用程序中创建。
现场设备的校准数据和环境信息和/或自适应测量算法被有线或无线地传输到所选择的组的现场设备。如果使用云解决方案，并且现场设备具有合适的接口，则可能使用Internet/Intranet直接进行交换。否则，使用边缘设备。毫无疑问，出于安全原因，交换的数据和信息以加密方式传输。
根据就其本身或在其不同实施例之一中的本发明的方法优选地不仅仅一次应用于现场设备。相反，提供了根据本发明的方法的各个方法步骤被循环地或迭代地重复。在可比较的环境和测量条件下使用的所选择的组的现场设备在之后的校准和/或测量循环中收集的数据被用于检查数学模型。可选地，对自适应测量算法进行检验和/或重新自适应。
结合根据本发明的方法，认为如果基于校准数据和环境信息，做出关于各个现场设备的剩余残留使用寿命和/或安装在自动化系统中的现场设备的剩余使用寿命的陈述是特别有利的。由于至少每个所选择的组的现场设备中的所有主要影响变量都是已知的，因此可能在很大程度上可靠地预测各个组中的现场设备的剩余使用寿命。
此外，充分众所周知的现场设备的剩余使用寿命或可靠了解对现场设备的使用寿命/寿命的环境影响使得现场设备开发人员可能得出结论，认为哪些改进在现场设备的新的或进一步的发展中是合理且必要的。
附图说明
将参考图1更详细地解释本发明。
图1示出了用于改进自动化现场设备1的测量性能的根据本发明的方法的有利实施例的各个方法步骤的示意性表示。
具体实施方式
现场设备1被安装在不同的自动化系统中——可能安装在全球分布的自动化系统中。每个现场设备1被设计成使得它使用相应设计的传感器元件捕获介质2的至少一个物理或化学过程变量，并且使用所定义的测量算法确定或监视过程变量。每个现场设备1通过根据特定测量任务的具体校准数据校准。此外，每个现场设备1在其特定的测量位置处暴露于可能会被定量和/或定性测量的环境影响。
在第一步骤中，以定义的时间间隔从现场设备1的环境中收集现场设备1的校准数据和/或合适(即，影响现场设备的测量性能)的环境信息。测量时间间隔使得数据反映出预定公差内的环境条件的变化。
在第二步骤中，将带有时间戳的校准数据和环境信息存储在数据库3中。由于优选地使用大数据分析，因此数据库是支持云的数据库。现场设备直接将校准数据和环境信息供应给支持云的数据库，或者例如通过集成到自动化系统的网络中的边缘设备4收集数据，并且然后转发给数据库3。对于边缘设备的交换功能，现场设备1不必配备互联网接口。如果每个现场设备1上都存在互联网接口，则数据也可以被直接传送到数据库。
然后，例如，通过软件程序选择属于组A的所有现场设备1。组A的特征在于，这里列出的现场设备属于相同的现场设备类型，并使用基本相同的测量算法确定相同的物理或化学过程变量。此外，所选择的组A的所有现场设备1的所捕获的环境信息在预定的公差极限内重合。
在第四步骤中，使用随时间捕获的校准数据和随时间捕获的组A的现场设备1的环境信息来生成数学模型。数学模型描述了校准数据和所捕获的环境信息之间的函数关系。上文已经提到了人工智能领域的合适方法。例如，Ertl教授已经出版了有关AI主题的教科书(Grundkurs Künstliche Intelligenz(人工智能基础课程)，第4版)。
在第五方法步骤中，基于所生成的数学模型来自适应或调整所选择的组A的现场设备1的测量算法。最后，将自适应测量算法传输到所选择的组A的所有现场设备1。将来，自适应测量算法则替换最初存在于所选择的组A的现场设备1中的测量算法。将来提供的现场设备1将在生产过程中已经配备了自适应测量算法。
由于已知不同所选择的组的现场设备1中的所有现场设备上的所有影响变量，因此可能在很大程度上可靠地预测各个组中的现场设备1的剩余寿命。
此外，对于现场设备1的剩余使用工作寿命的足够精确的了解或对现场设备1的使用寿命的环境影响的可靠了解使得现场设备开发人员可以得出结论，认为哪些改进在现场设备1的新的或进一步的发展中是合理且必要的。
Claims (12)
1.一种用于改进自动化现场设备(1)的测量性能的方法，其中，所述现场设备(1)中的每个使用测量算法来确定或监视介质(2)的至少一个物理或化学过程变量，其中，使用具体校准数据校准针对特定测量任务定制的所述现场设备(1)中的每个，并且其中，所述现场设备(1)中的每个在其特定测量位置处暴露于可测量的环境影响下，其中，所述方法包括下列方法步骤：
捕获所述现场设备(1)的所述校准数据和/或在每种情况下以定义的时间间隔从所述现场设备(1)的环境中捕获至少一项环境信息，
将提供有时间戳的校准数据和环境信息存储在数据存储器(3)中，
选择至少一组(A)现场设备(1)，所述至少一组(A)现场设备(1)使用基本相同的测量算法确定物理或化学过程变量，并且关于所捕获的环境信息在预定的公差范围内相对应，
将随时间捕获的所述校准数据与随时间捕获的所述环境信息相关联，
创建描述所述校准数据和所述所捕获的环境信息之间的函数关系的数学模型，
基于所确定的数学模型使所述测量算法自适应，
将所自适应的测量算法传输到所选择的组(A)的所有现场设备(1)。
2.根据权利要求1所述的方法，
其中，特别是将影响所述测量设备的老化的物理或化学被测变量用作所述环境信息。
3.根据权利要求1或2所述的方法，
其中，存储所述校准数据和所述环境信息的所述数据库(3)被指配给云应用、边缘设备、所述现场设备(1)中的一个或本地服务器，所述边缘设备特别是确保被布置在自动化系统的定义区域中的所述现场设备(1)与至少一个外部服务器之间的通信。
4.根据权利要求1、2或3所述的方法，
其中，所述数学模型是使用机器学习的方法创建的。
5.根据权利要求1、2或3所述的方法，
其中，所述数学模型是使用至少一种神经网络创建的。
6.根据权利要求1、2或3所述的方法，
其中，所述数学模型是通过使用最近邻方法，通过使用决策树和/或通过支持向量机创建的。
7.根据上述权利要求中的一项或多项所述的方法，其中，所述自适应测量算法在云应用程序中创建。
8.根据上述权利要求中的一项或多项所述的方法，其中，所述校准数据和所述环境信息，和/或所自适应的测量算法被有线地或无线地传输到所选择的组的所述现场设备。
9.根据上述权利要求中的一项或多项所述的方法，其中，所述校准数据和所述环境信息，和/或所自适应的测量算法以加密方式被传输到所选择的组(A)的所述现场设备(1)。
10.根据权利要求1至7中的一项或多项所述的方法，
其中，所述方法的所述方法步骤循环地或迭代地重复，以便基于所选择的组(A)的所述现场设备(1)的后续校准来检验和/或自适应所述数学模型，以及所自适应的测量算法。
11.根据上述权利要求中的一项或多项所述的方法，其中，基于所述校准数据和所述环境信息做出关于各个现场设备(1)的剩余残留使用寿命和/或安装在自动化系统中的所述现场设备(1)的剩余使用寿命的陈述。
12.根据上述权利要求中的一项或多项所述的方法，其中，基于对所述现场设备(1)的使用寿命的环境影响，得出关于现场设备(1)的将来新的发展的改进的结论。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102018122411.7A DE102018122411A1 (de) | 2018-09-13 | 2018-09-13 | Verfahren zur Verbesserung der Messperformance von Feldgeräten der Automatisierungstechnik |
| DE102018122411.7 | 2018-09-13 | ||
| PCT/EP2019/071896 WO2020052899A1 (de) | 2018-09-13 | 2019-08-15 | Verfahren zur verbesserung der messperformance von feldgeräten der automatisierungstechnik |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112740128A true CN112740128A (zh) | 2021-04-30 |
| CN112740128B CN112740128B (zh) | 2024-04-26 |
Family
ID=67667848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980059345.5A Active CN112740128B (zh) | 2018-09-13 | 2019-08-15 | 用于改进自动化现场设备的测量性能的方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11644827B2 (zh) |
| EP (1) | EP3850451B1 (zh) |
| CN (1) | CN112740128B (zh) |
| DE (1) | DE102018122411A1 (zh) |
| WO (1) | WO2020052899A1 (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102019121800B3 (de) * | 2019-08-13 | 2021-01-07 | Sick Ag | Verfahren und System mit einem Sensor |
| DE102020109680A1 (de) | 2020-04-07 | 2021-10-07 | Endress+Hauser Conducta Gmbh+Co. Kg | Verfahren zum Kalibrieren eines Sauerstoff-Sensors und Sauerstoff-Messsystem |
| DE102020121000B4 (de) | 2020-08-10 | 2024-03-14 | Emz-Hanauer Gmbh & Co. Kgaa | Sensor für den Einbau in ein elektrisches Haushaltsgerät |
| CN116670598A (zh) * | 2020-12-22 | 2023-08-29 | 巴斯夫欧洲公司 | 化学生产 |
| DE102021117918A1 (de) | 2021-07-12 | 2023-01-12 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein | Sensorsystem, Netzwerk mit wenigstens einem Sensorsystem und Verfahren zum Betrieb eines Sensors |
| DE102021133560A1 (de) | 2021-12-16 | 2023-06-22 | Endress+Hauser Conducta Gmbh+Co. Kg | Verfahren zum Erweitern von Anwendungsmöglichkeiten eines Sensors, Sensor und Anwendung des Sensors |
| DE102022109781A1 (de) | 2022-04-22 | 2023-10-26 | Endress+Hauser SE+Co. KG | Verfahren zur Ermittlung mindestens eines Zustandsindikators mindestens einer Komponente eines Prozessmesssystems |
| DE102022111758A1 (de) | 2022-05-11 | 2023-11-16 | Vega Grieshaber Kg | Verfahren zum Betreiben eines Feldgerätes mit Wartungsempfehlung und Feldgerät |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1344942A (zh) * | 2000-09-29 | 2002-04-17 | 罗伯特-博希股份公司 | 用于检测技术系统如电动机由老化引起的改变的方法及装置 |
| JP2008005920A (ja) * | 2006-06-27 | 2008-01-17 | Toshiba Medical Systems Corp | 非侵襲的測定装置 |
| US20080015814A1 (en) * | 2006-05-07 | 2008-01-17 | Harvey Jerry L Jr | Adaptive multivariate fault detection |
| CN101473197A (zh) * | 2006-06-20 | 2009-07-01 | 康斯坦丁·阿纳托利耶维奇·扎里诺夫 | 制造多维校准模型的方法 |
| CN101529352A (zh) * | 2006-10-25 | 2009-09-09 | 恩德莱斯和豪瑟尔两合公司 | 用于确定、监控和/或影响不同过程变量和/或状态变量的过程自动化系统 |
| CN103278561A (zh) * | 2013-04-25 | 2013-09-04 | 无锡煤矿机械厂有限公司 | 通用型超声波液体浓度检测方法及装置 |
| US20160169716A1 (en) * | 2014-12-15 | 2016-06-16 | General Electric Company | System and method for on-site measurement apparatus calibration |
| US20160370334A1 (en) * | 2015-06-17 | 2016-12-22 | Trane International Inc. | Sensor calibration systems and methods |
| CN106441402A (zh) * | 2016-08-31 | 2017-02-22 | 北京众清科技有限公司 | 一种传感器组件校准方法、装置及系统 |
| CN107861082A (zh) * | 2017-10-30 | 2018-03-30 | 广东电网有限责任公司电力科学研究院 | 一种电子测量设备的校准间隔确定方法及装置 |
| CN107949883A (zh) * | 2015-08-21 | 2018-04-20 | 美敦力迷你迈德公司 | 个性化参数建模方法及相关设备和系统 |
| CN108140246A (zh) * | 2015-10-01 | 2018-06-08 | 无限增强现实以色列有限公司 | 在无熟悉目标的情况下对传感设备进行再校准的方法与系统 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5251144A (en) * | 1991-04-18 | 1993-10-05 | Texas Instruments Incorporated | System and method utilizing a real time expert system for tool life prediction and tool wear diagnosis |
| US5554273A (en) * | 1995-07-26 | 1996-09-10 | Praxair Technology, Inc. | Neural network compensation for sensors |
| WO2001069329A2 (en) * | 2000-03-10 | 2001-09-20 | Cyrano Sciences, Inc. | Control for an industrial process using one or more multidimensional variables |
| DE10114128A1 (de) * | 2001-03-22 | 2002-09-26 | Abb Patent Gmbh | Kalibrierverfahren für ein Feldgerät |
| JP6344158B2 (ja) * | 2014-09-01 | 2018-06-20 | 株式会社Ihi | 故障検出装置 |
| EP3016352B1 (en) * | 2014-11-03 | 2019-02-06 | Fujitsu Limited | Method of managing sensor network |
| JP5946573B1 (ja) * | 2015-08-05 | 2016-07-06 | 株式会社日立パワーソリューションズ | 異常予兆診断システム及び異常予兆診断方法 |
| DE102015113756A1 (de) * | 2015-08-19 | 2017-02-23 | Endress + Hauser Gmbh + Co. Kg | Verfahren und System zur Identifikation zumindest eines Feldgeräts der Automatisierungstechnik |
| DE102016123338A1 (de) | 2016-12-02 | 2018-06-07 | Endress + Hauser Process Solutions Ag | Verfahren zur vorausschauenden Wartung von Feldgeräten der Automatisierungstechnik |
| EP3698569A1 (en) * | 2017-10-19 | 2020-08-26 | Nokia Technologies Oy | Executing analysis and management of a mobile communication network based on performance information, configuration information and environmental information |
| US11317176B2 (en) * | 2019-03-07 | 2022-04-26 | Lizard Monitoring LLC | Systems and methods for sensor monitoring and sensor-related calculations |
-
2018
- 2018-09-13 DE DE102018122411.7A patent/DE102018122411A1/de not_active Withdrawn
-
2019
- 2019-08-15 CN CN201980059345.5A patent/CN112740128B/zh active Active
- 2019-08-15 EP EP19755883.6A patent/EP3850451B1/de active Active
- 2019-08-15 WO PCT/EP2019/071896 patent/WO2020052899A1/de unknown
- 2019-08-15 US US17/275,320 patent/US11644827B2/en active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1344942A (zh) * | 2000-09-29 | 2002-04-17 | 罗伯特-博希股份公司 | 用于检测技术系统如电动机由老化引起的改变的方法及装置 |
| US20080015814A1 (en) * | 2006-05-07 | 2008-01-17 | Harvey Jerry L Jr | Adaptive multivariate fault detection |
| CN101473197A (zh) * | 2006-06-20 | 2009-07-01 | 康斯坦丁·阿纳托利耶维奇·扎里诺夫 | 制造多维校准模型的方法 |
| JP2008005920A (ja) * | 2006-06-27 | 2008-01-17 | Toshiba Medical Systems Corp | 非侵襲的測定装置 |
| CN101529352A (zh) * | 2006-10-25 | 2009-09-09 | 恩德莱斯和豪瑟尔两合公司 | 用于确定、监控和/或影响不同过程变量和/或状态变量的过程自动化系统 |
| CN103278561A (zh) * | 2013-04-25 | 2013-09-04 | 无锡煤矿机械厂有限公司 | 通用型超声波液体浓度检测方法及装置 |
| US20160169716A1 (en) * | 2014-12-15 | 2016-06-16 | General Electric Company | System and method for on-site measurement apparatus calibration |
| CN107003160A (zh) * | 2014-12-15 | 2017-08-01 | 通用电气公司 | 用于现场测量设备校准的系统和方法 |
| US20160370334A1 (en) * | 2015-06-17 | 2016-12-22 | Trane International Inc. | Sensor calibration systems and methods |
| CN107949883A (zh) * | 2015-08-21 | 2018-04-20 | 美敦力迷你迈德公司 | 个性化参数建模方法及相关设备和系统 |
| CN108140246A (zh) * | 2015-10-01 | 2018-06-08 | 无限增强现实以色列有限公司 | 在无熟悉目标的情况下对传感设备进行再校准的方法与系统 |
| CN106441402A (zh) * | 2016-08-31 | 2017-02-22 | 北京众清科技有限公司 | 一种传感器组件校准方法、装置及系统 |
| CN107861082A (zh) * | 2017-10-30 | 2018-03-30 | 广东电网有限责任公司电力科学研究院 | 一种电子测量设备的校准间隔确定方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 高利芬;: "计量器具在线校准的可行性探讨", 中国计量, no. 02, 10 February 2017 (2017-02-10) * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3850451B1 (de) | 2023-12-06 |
| US20220050447A1 (en) | 2022-02-17 |
| DE102018122411A1 (de) | 2020-03-19 |
| EP3850451A1 (de) | 2021-07-21 |
| CN112740128B (zh) | 2024-04-26 |
| US11644827B2 (en) | 2023-05-09 |
| WO2020052899A1 (de) | 2020-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112740128B (zh) | 用于改进自动化现场设备的测量性能的方法 | |
| JP6904639B2 (ja) | フィールド計装装置からの診断データのバックグラウンド収集 | |
| CN101351752B (zh) | 利用过程自动化技术的现场设备进行设备监控的方法 | |
| CN101213552B (zh) | 带有统计可重复的响应时间的多功能半导体制造控制器 | |
| EP3368955B1 (en) | Predicting maintenance requirements for a valve assembly | |
| CN108009081B (zh) | 工程设计工具协同装置及工程设计工具协同方法 | |
| US20170235292A1 (en) | System and method for monitoring and analyzing industrial operations | |
| US20220163952A1 (en) | Virtual Sensor on a Higher-level Machine Platform | |
| US10775760B2 (en) | Method and system for optimizing the commissioning of at least one of a plurality of automation technology field devices | |
| US20160378078A1 (en) | Triggering an Auto-Tuning Function of a PID Controller | |
| US10698389B2 (en) | Method and system for optimizing the operation of at least one of a plurality of field devices from automation technology | |
| DE102018127080A1 (de) | Verfahren zur Ermittlung der Zeitspanne bis zur nächsten Wartung/Kalibrierung und/oder zur Ermittlung der Restlebensdauer eines Feldgeräts der Automatisierungstechnik | |
| US11616838B2 (en) | Securing an automation component | |
| CN110941230B (zh) | 用于监视自动化技术的装置的方法 | |
| US11768750B2 (en) | Method for improving the measuring performance of an automation field device to be configured | |
| US11237550B2 (en) | Ultrasonic flow meter prognostics with near real-time condition based uncertainty analysis | |
| US20220374275A1 (en) | System for resource administration in an installation for automation engineering | |
| CN116113898A (zh) | 用于在分布式账本中集成自动化技术现场设备的方法 | |
| WO2019077422A1 (en) | REMOTE VERIFICATION OF FIELD DEVICES IN INDUSTRIAL FACILITIES |
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 |