CN114450647A - 技术系统的诊断 - Google Patents
技术系统的诊断 Download PDFInfo
- Publication number
- CN114450647A CN114450647A CN202080068850.9A CN202080068850A CN114450647A CN 114450647 A CN114450647 A CN 114450647A CN 202080068850 A CN202080068850 A CN 202080068850A CN 114450647 A CN114450647 A CN 114450647A
- Authority
- CN
- China
- Prior art keywords
- describing
- variables
- technical system
- principal component
- normal state
- 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
- 238000003745 diagnosis Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000000513 principal component analysis Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000011179 visual inspection 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
- G05B23/0218—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
- 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
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/026—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system using a predictor
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及一种用于诊断技术系统的方法、一种装置、一种计算机程序产品，其适用于‑对用于描述技术系统的正常状态的n个变量的预设值进行主成分分析并且得出n个变量的至少一个主成分，其中，n≥2；‑预先确定用于描述技术系统的正常状态的至少一个主成分；‑得出用于描述技术系统的当前状态的n个变量的值与用于描述正常状态的预先确定的至少一个主成分的偏差，以便推断出故障，本发明还涉及一种数据载体。
Description
本发明涉及一种诊断技术系统的方法，其中，得出用于描述技术系统在确定的时间点的当前状态的至少n个变量的值与用于描述正常状态的预设值的偏差，以便推断出故障，其中，n≥2，本发明还设计一种计算机程序产品和一种数据载体以及一种装置。
预测性维护的目的是预测部件故障、例如轴承或者冷却系统的故障。通常会识别出与其他部件相比或与自身过去相比表现异常的部件。由于列车中的传感器、部件数量大并且传感器、部件取决于行驶特性，因此难以自动地并且全面地对部件进行监控并且自动地产生维护措施。
已知用于故障识别和/或故障原因归属的不同方法。由此可以根据简单的指标来比较相同类型的不同部件的相同测量量的特性，并且将出现偏差的标记为有问题的。还已知为部件的运行产生所谓的工程标准曲线、例如作为温度函数的、例如与温度成正相关的压力变化曲线，并且监测所进行的测量与该函数关系的偏差，以识别该部件与其正常状态的偏差可以根据简单的规则对故障原因进行归属，例如如果温度X>温度Y并且压力A<压力B，则存在故障Z。
文献EP 3 460 727 A1或者EP 3 427 325 A1公开了按照本发明类型的用于对技术系统进行监控和故障识别的方法。
文献EP 3142 909 A1还教导了一种用于在构件运行期间确定部件上的运行应力的方法。在调整阶段根据构件的不同运行模式的测量值确定计算规则，计算规则可以在后续的运行阶段中用于确定运行应力。
本发明所要解决的技术问题是，能够自动化地实施技术系统的诊断。
所述技术问题通过独立权利要求1、10、11和12的技术方案解决。本发明的扩展设计和设计方案体现在从属权利要求的特征中。
按照本发明的用于诊断技术系统的方法，所述技术系统尤其是有轨车辆、尤其轨道车辆，其中，得出用于描述技术系统、尤其技术系统的至少一个部件在确定的时间点的当前状态的至少n个彼此不同的变量的值、例如测取的测量值与用于描述正常状态的预设值的偏差，以便推断出故障，其中，n≥2，所述方法具有以下方法步骤：
a.对至少n个变量的预设值进行主成分分析并且得出n个变量的至少一个主成分，其中，n≥2；
b.预先确定用于描述技术系统的正常状态的至少一个主成分；
c.得出用于描述技术系统的当前状态的n个变量的值与用于描述正常状态的预先确定的至少一个主成分的偏差，以便推断出故障。
所述技术系统例如是具有多个部件的复杂系统。按照本发明的第一扩展设计，n个变量涉及相同的物理量和/或描述了技术系统的相同部件的状态。例如，第一变量涉及输入轴的轴承的区域中的传动装置的温度T1，并且第二变量涉及相同的变速器在输出轴的轴承的区域中的温度T2。在本示例中，n＝2个变量涉及相同的测量值和相同的部件。
可以在特定时间点检测、尤其是作为测量值检测用于描述技术系统当前状态的n个变量的值。作为在计算精度方面足够精确的时间量度，时间点在此也可以理解为在预设的时间段内对所述值进行测量。而该时间段必须足够短，以充分地描述技术系统在确定时间点的事件中的状态。继续上述的示例，在相同的时间点检测T1和T2。
用于描述技术系统的当前状态的n个变量的值尤其来自技术系统的持续的运行。技术系统的当前状态由此也可以被称为运行状态。确定用于描述技术系统的运行状态的n个变量的值与用于描述正常状态的相同的n个变量的值之间的偏差。
如前所述地，可以作为测量值检测用于描述技术系统的当前状态的n个变量的值。这在技术系统的运行阶段中、例如在轨道车辆行驶时进行。所述方法则可以相应地包括另一方法步骤，该方法步骤用于检测用于描述技术系统的当前状态的n个变量的测量值。技术系统相应地可以具有适宜地设计的测量装置以检测每个变量的值。
然而用于描述当前状态的n个变量的值也可以作为预处理的值存在。所述预处理的值例如由所检测的测量值确定。用于描述正常状态的n个变量的值同样可以作为在下述时间点检测的测量值存在，技术系统在所述时间点已知地处于正常状态中。
在方法步骤a中首先尤其借助适宜地设计的分析单元对用于描述技术系统的正常状态的至少n个变量的预设值进行主成分分析。作为结果得到n个变量的预设值的主成分。为了进行主成分分析，可以形象化地展开状态空间，所述状态空间以n个彼此不同的变量作为维度。回到上述示例，建立以T1和T2为轴的二维的图表。T1和T2的在相同的时间点检测的或者代表相同的时间点的值作为数据点录入图表中，例如分别在时间点t0检测T1和T2构成数据点。如果存在不同时间点t0、t1、t2的多个值，则形成点图。主成分分析现在以已知的方式方法进行。在两个变量的情况下得到两个主成分。
方法步骤a尤其在学习阶段进行。方法步骤b也尤其在学习阶段中进行：尤其借助分析单元预先确定预设所得出的多个主成分中的至少一个主成分，用于描述技术系统、尤其技术系统的至少一个部件的正常状态。这些主成分包括用于描述技术系统正常状态的n个变量的值作为直线，相对于所述的用于描述技术系统正常状态的n个变量的值得出与用于描述运行状态的n个变量的值的偏差。主成分通常以向量表示法表示并且因此也称为主成分向量。
按照另一扩展设计，在所述方法步骤b中预先确定用于描述正常状态的n个变量的最多x个主成分，其中，1≤x＜n。因此在两个变量T1和T2的情况下仅预先确定一个主成分用于描述技术系统的正常状态。按照扩展设计，只有总共涵盖用于描述正常状态的n个变量的值的总方差的至少70％(累积百分比)、尤其至少80％的主成分被预先确定。一种扩展设计规定，仅预先确定主导的主成分、即在数据的总方差中具有最大份额的主成分。
主成分分析伴随着数据减少。大规模的数据集被简化和结构化，因为多个变量是由少量尽可能有说服力的主成分近似得出的。此外能够自动地进行主成分分析并且预先确定至少一个主成分用于描述技术系统的正常状态。
按照扩展设计，针对技术系统的m个彼此不同的运行模式、尤其轨道车辆的行驶模式实施所述方法步骤a，其中，m≥2。在方法步骤b中，根据技术系统的当前的运行模式Z、尤其根据轨道车辆的当前的行驶模式从m个运行模式中选择用于描述正常状态的至少一个主成分并且相应地预先确定用于描述正常状态的至少一个主成分。
当前的运行模式Z、例如当前的行驶模式，是m个预设的运行模式中的模式，技术系统、例如轨道车辆当前以所述模式运行，并且针对该模式检测或者确定用于描述技术系统的、尤其技术系统的至少一个部件的当前状态的n个变量的值。
之后在方法步骤a和b中对m个预设的运行模式进行主成分分析，并且预先确定至少一个主成分用于描述技术系统的、尤其技术系统的至少一个部件的正常状态，在正常状态中预设了m个预设的运行模式的相应的运行模式Z。根据当前的运行模式Z选择相应的主成分。
之后在方法步骤c中相应地根据当前的运行模式Z确定与至少一个主成分的偏差。在步骤c中相应地：得出用于描述处于m个预设的运行模式中的运行模式Z中的技术系统的当前状态的n个变量的值与用于描述处于m个预设的运行模式中的相同的运行模式Z中的技术系统的正常状态的至少一个预先确定的主成分的偏差，以便推断出故障。
在方法步骤c中，通常与方法步骤a类似地尤其通过分析单元建立状态空间，将n个变量作为维度并且将用于尤其在运行期间描述技术系统的当前状态的n个变量的值作为(多个)数据点录入，以及将相应地预先确定的主成分录入。接着得出用于描述技术系统的当前状态的n个变量的值与预先确定的主成分的偏差。由所述偏差推断出故障。
按照另一扩展设计，为了确定偏差，得出用于描述当前状态的n个变量的值与用于描述正常状态的至少一个预先确定的主成分的间距。
为此例如可以针对由用于描述当前状态的n个变量的值得到的每个数据点计算出至预先确定的主成分(至主成分向量)的最短的距离向量。然后计算向量的范数。这可以是欧几里得范数或者偏差度量。例如，向量的分量的二次平方(4次方)之和的平方根被计算为范数。再次回到上面的示例：计算用于描述技术系统在t0时刻的当前状态的距离向量作为主导的主成分向量，所述距离向量具有t0时刻的值T1和T2的数据点的分量D1和D2。然后二次平方之和计算距离度量PR＝D1 4+D2 4。
按照扩展设计，可以在所述方法步骤c之后的方法步骤d中根据偏差的量推断出预设的故障。彼此不同的故障以及所述故障的原因可以是已知的，并且可以根据间距量识别故障并且推断出故障的原因。
例如如果上文计算的值PR小于与系统相关的极限值E1，即PR<E1，则在用于检测温度T1和T2的温度传感器其中之一、例如具有距离向量D中的最大录入项的温度传感器中识别出故障。而如果所述值大于另一个与系统相关的极限值E2，即PR>E2，则这是由行驶状态产生的偏差。
除了这些和其他间距量之外，还可以在方法步骤c中实施用于确定偏差的模型识别。
方法步骤c以及必要时方法步骤d尤其在方法的运行阶段中实施。
通过所述方法能够借助对与根据运行状态的主成分的偏差所进行的模型识别进行自动的故障类型识别。
按照所述方法，通过主成分分析学习了传感器值的与驶状态相关地最合理的组合。通过将所述组合与实际测量的值进行比较形成偏差模型，所述偏差模型能够用于预测部件的故障类型，并且可以用于产生维护措施。
所述方法的其他优点可以由此得出，即能够自动地识别异常的部件特性以及自动地识别传感器故障和和部件故障。所述方法还实现了在不进行目视检查的情况下根据部件自身的特性和等效的其他部件的特性同时评价部件的功能。此外能够自动地产生维护要求。
按照本发明的计算机程序产品(或也称为软件程序或者简称为“app”)在适宜地设计的分析单元上实施或者能够实施，其中，所述分析单元是计算机或者作为计算机起作用，由此使得按照本发明的方法是所谓的计算机实施的方法，即由分析单元实施或者能够由分析单元实施的方法。
所述计算机程序产品包含指令，在安装有程序的分析单元执行所述程序时，所述指令使所述分析单元实施按照本发明的方法的相应步骤。
所述计算机程序产品也可以存储在数据载体上，所述数据载体本身因此包括指令，在由适宜的、尤其市场销售的计算机执行所述指令时，所述指令使得所述计算机实施按照本发明的方法的步骤。数据载体在此可以包括任意计算机可读的存储介质。
按照本发明的装置包括技术系统和分析单元，其中，所述分析单元设置用于执行按照本发明的方法。所述方法适宜地设计用于：
-对用于描述技术系统的正常状态的n个变量的预设值进行主成分分析并且得出n个变量的至少一个主成分，其中，n≥2；
-预先确定用于描述技术系统的正常状态的至少一个主成分；
-得出用于描述技术系统的当前状态的n个变量的值与用于描述正常状态的预先确定的至少一个主成分的偏差，以便推断出故障。
所述技术系统还可以具有用于检测用于描述所述系统的当前状态的适宜的器件。所述技术系统尤其是轨道车辆。分析单元可以布置在陆地或轨道以外、例如中央分析装置中，其中，轨道车辆则具有用于向陆上传输测量值的适宜的发送单元。
用于描述当前状态的值相应地在行驶的车辆上检测或者确定并且向陆上传输以实施方法步骤c并且必要时实施其他的、后续的方法步骤。方法步骤c在陆上在中央的分析装置中实施。尤其在需要干预技术系统、尤其轨道车辆的运行、例如需要立即停车时，结果或者由结果产生的措施例如可以重新传递回车辆。然而通常由所述结果推导出维护措施，在车辆的维护计划中会顾及到维护措施。除了分析单元之外，陆地侧的分析装置还包括相应适宜的接收单元，用于接收和进一步处理所传输的数据。
本发明允许大量的实施方式。根据后续附图详细阐述本发明，在这些附图中分别示出一个实施例。附图中相同的元件设有相同的附图标记。
图1示出用于对两个变量进行主成分分析的图表，
图2示出具有多个传感器的轨道车辆的驱动部件。
图1通过图像在图表中示出了主成分分析。在该实施例中仅考虑了相同物理量的两个变量的值，以便确保视图的简洁性并且避免多个变量的多维的视图。
图1中的图表具有两个坐标轴T1和T2，以表明两个变量T1和T2之间的功能方面的关系。具有代表相同的时间点tj的值(T1Yj，T2Yj)的数据点Yj(j＝1,2,3...)是针对技术系统的已知运行模式预设的，所述数据点表征技术系统在预设的运行模式中的正常状态。预设的值也可以是两个变量T1和T2的测量值、在此即不同温度传感器的温度测量值。那么每个数据点的测量值是在相同的时间点检测的。所述测量值也可以是针对技术系统的相同部件检测的。
在学习阶段中，现在学习取决于运行模式的常态曲线(Normalkurve)，方式为针对每个运行模式、例如“加速”、“制动”、“快速行驶”、“隧道行驶”、“工场”等彼此独立地计算用于监测和诊断预设的变量T1、T2、...的多变量分布(T1、T2、...)的主成分。换言之，计算这些传感器信号的协方差矩阵的主导的特征向量。
曲线H是分别所基于的行驶模式中最合理的传感器值组合的一维的表示。曲线H是用于描述技术系统在预设的运行模式中的正常状态的变量T1和T2的预设的值的主成分。
H可以用向量表示法表示为H＝(m1,m2,m3,...)+a*(v1,v2,v3,...)，其中，m1是第一传感器信号的中位数、m2是第二传感器信号的中位数，m3是第三传感器信号的中位数等，并且v1、v2、v3表示主成分向量。
所展开的状态空间具有两个变量作为用于描述正常状态的维度，现在也将由用于描述当前的运行状态的变量的值得到的数据点录入该状态空间中。每个数据点代表两个变量在运行期间在时间点t0、t1、t2...检测的值。数据点S0的值T1S0和T2S0在技术系统的运行期间由温度传感器在时间点t0检测。
针对这些数据点确定与学习的常态曲线的偏差。为此为每个数据点计算与相应的取决于运行模式的常态曲线的距离最短的向量D＝(D1,D2,...)，图示为DS0＝(D1S0,D2S0)。每个录入项Di在其中表示传感器i的值与在整个图像中最合理的值偏差了多少。
根据向量D的范数接着首先判断所述向量是否描述了正常状态。如果不是，则在第二步中根据(距离向量D中的录入项的)偏差模型对应配设故障图像。
具体地可以计算值PR＝(D1^4+D2^4)。如果该值小于与系统相关的限值E1，即PR<E1<2，则涉及的是在D中具有最大录入项的传感器中的传感器故障。如果该值大于与系统相关的限值E2，即N>PR>E2>N/2，则涉及的是运行模式产生的偏差。此外如果分析相同车辆中的分别具有L个相似传感器的K个部件，则对于具有最大录入项D的传感器所属的部件中的故障适用3*L/2>PR>L/2，而接近K的PR值同样可以指示尚未检测的行驶模式。
可以使用多次前后相继地出现并且指示部件失灵的模型以产生维护要求。
所述方法为此用于自动地产生标准曲线、探测部件在运行中的异常性并且由每个异常性的模型推导出存在的故障。
图2图示出了轨道车辆的驱动部件。所述驱动部件包括轴的两个轮子、也被称为牵引发动机的驱动发动机以及用于将力从驱动轴传递到所述轴上的传动装置。
为了在高速列车中区分传感器损坏、风机损坏和轴承损坏，除了对于轨道车辆的所有驱动部件相同的外部温度和驱动速度相同外，还为每个相同地构造或者相似地构造的驱动部件检测传感器时间序列。在当前示例中为：
L1检测第一牵引电机轴承的温度，
L2检测定子叠片铁芯的温度，
L3检测第二牵引电机轴承的温度，
L4检测小齿轮的第一传动器轴承的温度，
L5检测小齿轮的第二传动器轴承的温度，
L6检测大传动齿轮的第一传动器轴承的温度，
L7检测大传动齿轮的第二传动器轴承的温度。
此外可以检测轮对内轴承温度和轮对外轴承温度。
从技术角度来看，温度TL1至TL7通过通风耦连。冷却空气在L1处被吸入，在牵引电机(L2)中升温，然后通过其余的部件L3至L7排出。
应当根据驱动部件的温度对所述驱动部件的功能进行监控，所述温度在不同的位置、然而分别在相同的时间点被检测。由于部件温度相互影响，但并不存在工程模型，因此首先在统计学方面确定发动机的正常的运行特征曲线(传感器值的典型分布)。接着使用测量中的与该特征曲线的大的偏差来识别关键的状况。
对于轨道车辆的每个相同地构造的驱动部件的所提及的温度被用作输入量并且由此产生所述输入量的正态分布。例如，如果在较更长的时间段上对测试数据集的主成分分析表明，数据集中的80％以上的变化由第一成分解释，则首先将该主导的主成分用作正常的驱动运行的特征曲线。
之后针对新的测量值计算到该正态分布的距离。根据故障模型识别所涉及的是传感器故障、风机的问题、与运行模式相关故障还是通信问题。由异常性产生故障警告。
Claims (13)
1.一种诊断技术系统的方法，其中，得出用于描述技术系统在确定的时间点的当前状态的至少n个变量的值与用于描述正常状态的预设值的偏差，以便推断出故障，其中，n≥2，其特征在于，所述方法具有以下方法步骤：
a.对用于描述技术系统的正常状态的至少n个变量的预设值进行主成分分析并且得出n个变量的至少一个主成分，其中，n≥2；
b.预先确定用于描述技术系统的正常状态的至少一个主成分；
c.得出用于描述技术系统的当前状态的n个变量的值与用于描述正常状态的预先确定的至少一个主成分的偏差，以便推断出故障。
2.根据权利要求1所述的方法，其特征在于，所述方法步骤a和b在学习阶段实施，并且方法步骤c在运行阶段实施。
3.根据权利要求1或2所述的方法，其特征在于，分别针对m个彼此不同的运行模式实施所述方法步骤a，其中，m≥2，其中，在方法步骤b中根据当前的运行模式预先确定用于描述正常状态的至少一个主成分。
4.根据权利要求1至3之一所述的方法，其特征在于，所述n个变量描述了相同的物理量，和/或所述n个变量的值描述了技术系统的相同部件的状态。
5.根据权利要求1至4之一所述的方法，其特征在于，在所述方法步骤b中预先确定用于描述正常状态的n个变量的最多x个主成分，其中，1≤x＜n。
6.根据权利要求5所述的方法，其特征在于，只有总共涵盖用于描述正常状态的n个变量的值的总方差的至少70％的主成分被预先确定。
7.根据权利要求1至4之一所述的方法，其特征在于，在所述方法步骤b中只预先确定主导的主成分。
8.根据权利要求1至7之一所述的方法，其特征在于，在所述方法步骤c之后的方法步骤d中根据偏差的量推断出预设的故障。
9.根据权利要求1至8之一所述的方法，其特征在于，为了确定偏差，在方法步骤c中得出用于描述当前状态的n个变量的值与用于描述正常状态的至少一个预先确定的主成分的间距。
10.一种计算机程序产品，其包含指令，在通过适宜的移动终端设备执行程序时，所述指令使得所述移动终端设备实施根据权利要求1至9之一所述的方法。
11.一种数据载体，根据权利要求10所述的计算机程序产品存储在所述数据载体上。
12.一种包括技术系统和分析单元的装置，其中，所述分析单元适宜地设计用于：
-对用于描述技术系统的正常状态的n个变量的预设值进行主成分分析并且得出n个变量的至少一个主成分，其中，n≥2；
-预先确定用于描述技术系统的正常状态的至少一个主成分；
-得出用于描述技术系统的当前状态的n个变量的值与用于描述正常状态的预先确定的至少一个主成分的偏差，以便推断出故障。
13.根据权利要求12所述的装置，其特征在于，所述技术系统是轨道车辆。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102019215068.3 | 2019-09-30 | ||
| DE102019215068 | 2019-09-30 | ||
| PCT/EP2020/074734 WO2021063629A1 (de) | 2019-09-30 | 2020-09-04 | Diagnose von technischen systemen |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114450647A true CN114450647A (zh) | 2022-05-06 |
| CN114450647B CN114450647B (zh) | 2023-12-15 |
Family
ID=72915794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080068850.9A Active CN114450647B (zh) | 2019-09-30 | 2020-09-04 | 技术系统的诊断 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20220342404A1 (zh) |
| EP (1) | EP4010770B1 (zh) |
| CN (1) | CN114450647B (zh) |
| ES (1) | ES2961321T3 (zh) |
| PL (1) | PL4010770T3 (zh) |
| WO (1) | WO2021063629A1 (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1108762A (zh) * | 1993-02-25 | 1995-09-20 | 丰田自动车株式会社 | 基于与参考值比较的所检测的物理量的冲压机的诊断方法 |
| DE4438854A1 (de) * | 1994-11-02 | 1996-05-15 | Siemens Ag | Überwachungssystem für eine technische Anlage |
| CN101899563A (zh) * | 2009-06-01 | 2010-12-01 | 上海宝钢工业检测公司 | 基于pca模型的连续退火机组炉内温度、张力监测及故障追溯方法 |
| EP2453330A1 (de) * | 2010-11-13 | 2012-05-16 | ABB Technology AG | Intelligente Visualisierung der Überwachung von Prozess- und/oder Anlagegrössen |
| US20140365179A1 (en) * | 2013-06-11 | 2014-12-11 | Ypf Sociedad Anonima | Method and Apparatus for Detecting and Identifying Faults in a Process |
| WO2015139709A1 (en) * | 2014-03-19 | 2015-09-24 | Northern Vo Aps | Method and system for monitoring a vehicle |
| CN106777719A (zh) * | 2016-12-23 | 2017-05-31 | 中国人民解放军军械工程学院 | 双模冗余的故障检测装置和方法及其设计方法 |
| CN108490923A (zh) * | 2018-04-28 | 2018-09-04 | 南京航空航天大学 | 用于电气牵引系统的微小故障检测与定位的系统设计方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ATE546794T1 (de) * | 2005-10-18 | 2012-03-15 | Honeywell Int Inc | System, verfahren und computerprogramm zur frühen ereigniserkennung |
| NO2785692T3 (zh) | 2014-08-06 | 2018-02-24 | ||
| EP3217465A1 (de) | 2016-03-08 | 2017-09-13 | BOS Balance of Storage Systems AG | System zur speicherung elektrischer energie |
| JP6691082B2 (ja) * | 2017-08-28 | 2020-04-28 | 株式会社日立製作所 | 指標選択装置及びその方法 |
| DE102017217099A1 (de) | 2017-09-26 | 2019-03-28 | Siemens Mobility GmbH | Verfahren zur Untersuchung eines Funktionsverhaltens eines technischen Systems und Auswerteeinheit |
-
2020
- 2020-09-04 PL PL20792924.1T patent/PL4010770T3/pl unknown
- 2020-09-04 US US17/765,087 patent/US20220342404A1/en active Pending
- 2020-09-04 EP EP20792924.1A patent/EP4010770B1/de active Active
- 2020-09-04 CN CN202080068850.9A patent/CN114450647B/zh active Active
- 2020-09-04 WO PCT/EP2020/074734 patent/WO2021063629A1/de unknown
- 2020-09-04 ES ES20792924T patent/ES2961321T3/es active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1108762A (zh) * | 1993-02-25 | 1995-09-20 | 丰田自动车株式会社 | 基于与参考值比较的所检测的物理量的冲压机的诊断方法 |
| DE4438854A1 (de) * | 1994-11-02 | 1996-05-15 | Siemens Ag | Überwachungssystem für eine technische Anlage |
| CN101899563A (zh) * | 2009-06-01 | 2010-12-01 | 上海宝钢工业检测公司 | 基于pca模型的连续退火机组炉内温度、张力监测及故障追溯方法 |
| EP2453330A1 (de) * | 2010-11-13 | 2012-05-16 | ABB Technology AG | Intelligente Visualisierung der Überwachung von Prozess- und/oder Anlagegrössen |
| US20140365179A1 (en) * | 2013-06-11 | 2014-12-11 | Ypf Sociedad Anonima | Method and Apparatus for Detecting and Identifying Faults in a Process |
| WO2015139709A1 (en) * | 2014-03-19 | 2015-09-24 | Northern Vo Aps | Method and system for monitoring a vehicle |
| CN106777719A (zh) * | 2016-12-23 | 2017-05-31 | 中国人民解放军军械工程学院 | 双模冗余的故障检测装置和方法及其设计方法 |
| CN108490923A (zh) * | 2018-04-28 | 2018-09-04 | 南京航空航天大学 | 用于电气牵引系统的微小故障检测与定位的系统设计方法 |
Non-Patent Citations (2)
| Title |
|---|
| ANNA STIEF: "《Process and alarm data integration under a two-stage Bayesian framework for fault diagnostics》", IFAC-PAPERSONLINE, pages 1220 * |
| 杜志敏: "《基于主成分分析的建筑空调系统传感器故障检测》", 《东华大学学报(自然科学版)》, no. 5, pages 16 - 20 * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4010770B1 (de) | 2023-07-26 |
| ES2961321T3 (es) | 2024-03-11 |
| WO2021063629A1 (de) | 2021-04-08 |
| US20220342404A1 (en) | 2022-10-27 |
| CN114450647B (zh) | 2023-12-15 |
| EP4010770C0 (de) | 2023-07-26 |
| EP4010770A1 (de) | 2022-06-15 |
| PL4010770T3 (pl) | 2024-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11521105B2 (en) | Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device | |
| JP5454671B2 (ja) | 故障原因診断システムおよびその方法 | |
| CN109000940B (zh) | 一种机车车辆异常轴温诊断方法及系统 | |
| JP5539382B2 (ja) | 航空エンジン内の故障の識別 | |
| US6898554B2 (en) | Fault detection in a physical system | |
| US8417432B2 (en) | Method for calculating confidence on prediction in fault diagnosis systems | |
| US20170284896A1 (en) | System and method for unsupervised anomaly detection on industrial time-series data | |
| EP1242923B1 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
| US11544554B2 (en) | Additional learning method for deterioration diagnosis system | |
| EP3449232B1 (en) | Fault diagnosis during testing of turbine unit | |
| CN113467420B (zh) | 区域控制器故障检测方法及装置 | |
| CN112067335A (zh) | 一种基于多元状态估计的电厂送风机故障预警方法 | |
| US20230081892A1 (en) | Abnormality diagnosis method, abnormality diagnosis device and non-transitory computer readable storage medium | |
| CN102375452A (zh) | 改善故障代码设定和隔离故障的事件驱动的数据挖掘方法 | |
| CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
| JP5164954B2 (ja) | 機器診断方法及び機器診断装置 | |
| CN110582626B (zh) | 用由磨损因子校正的异常检测来监视涡轮机的系统和方法 | |
| ITCO20090068A1 (it) | Metodo e sistema per diagnosticare compressori | |
| WO2016121689A1 (ja) | 不具合診断方法及び不具合診断システム | |
| CN116292367A (zh) | 基于一维卷积的电厂风机系统异常工况检测方法 | |
| CN117454221A (zh) | 一种高铁牵引制动系统多传感器融合的异常识别方法 | |
| CN117689269B (zh) | 一种智能手表加工阶段的故障溯源方法 | |
| CN109141945B (zh) | 一种基于多方向重构的列车轴承故障诊断方法 | |
| CN109990803B (zh) | 检测系统异常的方法、装置及传感器处理的方法、装置 | |
| CN118034197A (zh) | 工厂运行数据异常预警方法、预警设备及存储介质 |
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 |