CN115943353A - 用于确定机器的运行异常的原因的系统和方法以及计算机程序和电子可读的数据载体 - Google Patents

用于确定机器的运行异常的原因的系统和方法以及计算机程序和电子可读的数据载体 Download PDF

Info

Publication number
CN115943353A
CN115943353A CN202180052383.5A CN202180052383A CN115943353A CN 115943353 A CN115943353 A CN 115943353A CN 202180052383 A CN202180052383 A CN 202180052383A CN 115943353 A CN115943353 A CN 115943353A
Authority
CN
China
Prior art keywords
machine
correlation
parameters
cause
parameter
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.)
Pending
Application number
CN202180052383.5A
Other languages
English (en)
Inventor
克里斯蒂安·德格
迈克尔·莱波尔特
马蒂亚斯·曼格
贝恩德·瓦克尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
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 AG filed Critical Siemens AG
Publication of CN115943353A publication Critical patent/CN115943353A/zh
Pending legal-status Critical Current

Links

Images

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
    • G05B23/0259Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • 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
    • G05B23/0259Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • 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
    • G05B23/0224Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024Quantitative 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及方法、系统、计算机程序和数据载体。在该方法中,通过机器(12)的至少一个传感器(24)检测(S10)机器参数,运行异常通过检测到的机器参数确定(S12)并且通过计算装置检索(S14)来自至少一个外部数据源(28)的环境参数和检测到的机器参数,其中环境参数至少根据机器的位置和/或机器参数的测量时间来过滤。此外,机器参数、过滤的环境参数与运行异常之间的至少一种关联借助于关联模型通过计算装置(14)得出(S16),并且根据至少一个通过关联模型得出的关联确定(S18)运行异常的原因。

Description

用于确定机器的运行异常的原因的系统和方法以及计算机程序和电子可读的数据载体
技术领域
本发明涉及一种用于确定机器运行异常的原因的方法、一种具有机器和计算装置的系统、一种能够直接加载到计算装置的存储器中的计算机程序和一种电子可读的数据载体,数据载体具有在其上存储的用于计算机程序的控制信息。
背景技术
由于未知的外部影响,使得机器、特别是驱动系统处的损坏或磨损的诊断变得更加困难。能够在异常中找到外部原因,异常的原因不被机器测量,因为机器即具有有限数量的传感器,并且无法考虑所有环境参数。在某些情况下,机器的现有传感器也会提供错误的值或不提供任何值。
在诊断机器时,环境参数或外部参数通常是未知的。环境参数例如是环境条件,例如空气湿度、热量、天气影响、外部机器的影响(例如振动、爆炸)和/或并非源于机器实际任务的影响。运行异常存在于非典型的机器参数,即测量值中。异常能够是实际值,或者也能够由传感器错误引起。因此,有故障的传感器会显示出实际不存在的过高的温度。
由于大部分机器制造商不知道如何使用机器,机器处于哪里并且机器在何种条件下运行,所以通常使得确定运行异常的原因变得困难,并且至今为止仅通过人工调查探寻来确定。
发明内容
本发明的目的是确定机器运行异常的原因。
根据本发明,该目的通过独立专利权利要求的主题实现。本发明的有利的设计方案和改进方案在从属专利权利要求、以下描述和附图中说明。
本发明基于以下知识,即通过机器参数与环境参数的一个或多个关联能够得出运行异常的结论,例如,机器是否正在其正常设计的工作范围内运行或者且是否正常地架设。通过使用环境参数,能够补充关于运行异常的缺失信息,由此能够实现原因确定。
通过本发明提供一种用于确定机器运行异常的原因的方法。机器能够是驱动系统,例如工业环境中的具有耦合连接的工作机器的马达或发电机。通常,其尤其能够是电驱动器、气动驱动器和/或液压驱动器。该方法还能够用于机器的各个构件,特别是用于机器的控制器。
该方法包括通过机器的至少一个传感器检测机器参数,通过检测到的机器参数确定运行异常,并且通过计算装置检索来自至少一个外部数据源的环境参数以及检测到的机器参数,其中,至少根据机器的位置和/或机器参数的测量时间来过滤环境参数。
换言之,机器具有至少一个传感器,借助传感器能够测量机器参数,即运行数据。传感器能够例如是能够监控机器正常运行的光学的、电的、声的和/或机械的传感器。优选地设有多个传感器,传感器监控或检测多个机器参数。能够借助检测到的机器参数来识别和确定运行异常。
运行异常在此能够是错误消息或测量到的对于机器运行不是典型的机器参数。检测到的机器参数能够与来自至少一个外部数据源的环境参数一起由计算装置检索以进一步处理。优选地,计算装置还能够促使机器测量机器参数并发送给计算装置。此外,能够优选地提出,计算装置从检测到的机器参数中通过以下方式确定运行异常,例如检查机器参数是否遵守预设的工作范围。
外部数据源能够是计算机云(云计算),计算机云包括特别是通过机器外部的传感器来记录环境的宏观数据的一台或多台计算机和/或服务器。能够优选地从公共或外部数据库和信息源中检索环境参数,环境参数能够显示天气信息、地震信息、诸如本地能源成本的经济信息、能源供应商的关于电网问题和供应可靠性的信息。也能够从可访问的社交网络获得信息,从社交网络中能够得出关于机器的环境的信息。
为了对于通过计算装置进行进一步处理而限制环境参数的数量,能够至少根据机器的位置和/或机器参数的测量时间来过滤环境参数。这意味着,计算装置能够首先时间上同步以及均化环境参数,并且能够为了进一步处理丰富计算装置的数据储量。均匀化表示根据机器位置和/或机器参数的测量时间进行过滤。然而,均匀化也能够包括根据数据质量进行的参数清理和数据清理、数据的标准化和移除重复。在此,位置和/或测量时间的过滤能够以适当的方式适配于环境参数的类型。
在检索环境参数之后,作为方法步骤的是,通过计算装置借助于关联模型得出机器参数、过滤的环境参数与运行异常之间的至少一个关联,和根据至少一个通过关联模型得出的关联确定运行异常的原因。因此,计算装置设计用于执行关联模型。在执行关联模型时,关联模型得出机器参数、过滤的环境参数与运行异常之间的至少一种关联。这就是说,通过计算装置检查是否能够在机器参数与过滤的环境参数之间找到与运行异常的关联,并且如果找到这种关联,则能够从中推导出运行异常的原因。为此,能够优选地提供关联模型,在该关联模型中对已知的关联建模以及通过统计分析来得出未知的关联。这就是说,能够纳入对于相关模型已知的、从历史数据中已知的关系和/或联系知识。换言之,能够基于至今为止经验的比较连同新关联的比较来构建关联模型。因此,能够将至今为止的经验、即已知的关联用新的关联来丰富,由此增加确定运行异常原因的概率。
借助于如此找到的关联,优选地借助于多个找到的关联能够改进地得出运行异常的原因,优选自动地根据找到的关联来得出。替代地或附加地,能够在语义网络中整理和可视化一个或多个关联,其中,新的关联能够作为新的知识路径示出,或者如果没有发现关联的话,现有的知识路径能够基于来自关联得出中的新获得的知识而减少。语义网络能够优选地用作关联模型的模板。
能够从运行异常的识别到的原因中推导出用于优化的建议和处理措施,特别地,能够预测该原因如何影响机器的运行。因此,能够对机器或机器的架设地点产生影响,例如影响其中架设机器的工厂。这意味着,例如能够发动警报、节流或关闭。
用于检索环境参数和机器参数并且用于得出至少一个关联的计算装置能够优选地是机器外部的计算机,特别是设置在数据网络、例如因特网中的服务器。
通过本发明得到以下优点,即使机器本身没有合适的传感器来识别原因,也能够得出关于运行异常的原因的结论。因此,能够做出改进的预测和诊断,并且能够提前预防或减少可能对机器造成的损坏,因为在已知原因的情况下能够及早采取对策。此外,如果已经出现损坏,则能够检查其是否为保修情况、保险情况还是磨损情况。
在本发明的一个有利的设计方案中提出,通过统计分析得出至少一种关联。特别地,能够借助于统计分析来寻找新的、未知的关联。统计分析能够优选地包括异常值识别、聚类分析、机器参数和环境参数的分类、关联分析和/或回归分析。回归分析能够优选地用于从预设的模型函数的最小化来确定关系、即数据模式识别。为此,关联模型能够具有预设的函数,函数例如借助于最小二乘法检查机器参数与环境参数之间关联的存在。通过这种设计方案得到以下优点,即能够得出未知的和新的关联进而能够改进对运行异常的原因确定。
优选地提出,关联模型根据已知的关系和/或已知的限制来建模。借此,例如能够为了得出至少一个关联而减少或有针对性地评估关联模型的基本的知识路径,以便将计算能力和计算时间保持在界限内。换言之,能够通过弃用对具有已知限制的参数的分析和/或有针对性地从外部数据源检索具有已知关系的、即具有已知关联的参数,来限制机器参数和尤其环境参数,其中,通过计算装置使用机器参数和环境参数来进行分析。数据因此能够在通过计算装置处理之前被进一步过滤。
此外,有利地提出,如果针对运行异常的原因识别出新的关联,则通过机器学习功能调整关联模型。特别地,机器学习功能能够借助于已知关系和/或已知的限制自动迭代地调整和改进关联模型。由此产生以下优点,即能够加速地并且尤其有效地得出至少一个关联。
在该方法的一个有利的改进方案中提出,通过计算装置借助于人工智能根据预设的关联模式来确定运行异常的原因,其中,对机器参数和环境参数检查预设的关联模式的存在。这就是说,人工智能对机器参数和环境参数检查已知的关联,通过关联模式预设关联。如果找到关联模式一致,则人工智能能够自动确定运行异常的原因。人工智能能够基于例如神经网络,神经网络针对参数检查预设的关联模式的存在。通过这种改进方案得到以下优点,即能够自动地执行运行异常的原因的识别,这有助于加速该方法。
有利地提出,由外部环境传感器测量环境参数。换言之,外部数据源能够收集和存储由外部环境传感器记录的环境参数。外部环境传感器意味着如下传感器,其不属于机器,而是例如属于机器的周边中的装置。例如,能够提供天气传感器作为环境传感器,天气传感器测量温度、降水或降雪和/或空气湿度。此外,环境传感器能够包括电流传感器、地震传感器、其他机器或工厂的传感器和/或气体传感器。由此得到以下优点,即机器的传感器能够通过其他环境传感器来扩展,而其他环境传感器不构建在机器中,由此能够节约成本。
在本发明的有利的改进方案中提出,根据所述运行异常的原因产生控制信号,利用控制信号驱控机器或另一机器的机器功能。换言之,能够针对运行异常的一个或多个预设的原因产生相应的预设的控制信号,利用控制信号能够驱控一个或多个机器。例如,在识别到运行异常的原因时,能够产生控制信号,控制信号能够将该机器和/或处于其附近的其他机器进行节流或关闭。替代地或附加地,能够通过控制信号触发机器或机器所在的工厂的警报。此外,例如如果确定运行异常是对机器无害的原因,还能够通过控制信号提供解除警报。通过该改进方案得到以下优点,能够自动地快速对运行异常做出反应,由此能够避免对机器的损坏或能够维持机器的运行。
本发明的另一方面涉及一种用于确定机器的运行异常的原因的系统,系统具有机器和计算装置,其中,机器设计用于通过至少一个传感器检测机器参数,并通过检测到的机器参数确定运行异常,其中,计算装置设计用于检索来自至少一个外部数据源的环境参数和检测到的机器参数,其中,至少根据机器的位置和/或机器参数的测量时间来过滤环境参数,借助于关联模型得出机器参数、过滤的环境参数与运行异常之间的至少一个关联,并且根据至少一个通过关联模型得出的关联确定运行异常的原因。方法的改进方案以及相应的优点分别意义上也可转用于根据本发明的系统。因此,根据本发明的方法的这种改进方案也属于本发明,改进方案具有在此未明确以相应组合描述的设计方案,以避免不必要的重复。
本发明的另一方面是根据本发明的计算机程序,计算机程序在电子计算装置上执行根据本发明的方法。在此,计算机程序也能够以直接加载到计算装置的存储器中的计算机程序产品的形式存在。计算机程序产品具有程序代码构件,以便当计算机程序产品在计算装置中或通过计算装置执行时执行根据本发明的方法。
本发明的另一方面涉及一种电子可读数据载体。在此,根据本发明的电子可读数据载体包括存储在其上的电子可读的控制信息,控制信息包括至少一个根据本发明的计算机程序或者设计为使得控制信息在计算机装置中使用数据载体时执行根据本发明的方法。
附图说明
本发明的其他优点、特征和细节从以下优选实施例的描述和附图中得出。
现在,根据所附的附图更详细地解释本发明,其中示出:
图1示出根据一个示例性的实施方式的具有机器和计算装置的系统的示意图;
图2示出根据一个示例性的实施方式的方法的方框图。
具体实施方式
下面更详细描述的实施例是本发明的优选的实施方式。然而,它们不应被视为是限制性的。
在图1中示出根据一个示例性的实施方式的具有机器12和计算装置14的系统10。在该实施例中,机器12能够设置在发电厂16中并且能够包括例如驱动机器18、电机20和转换器22。此外,机器20能够具有至少一个传感器24,传感器能够设计用于检测一个或多个机器参数。
机器参数能够具有机器12的测量数据,测量数据监控机器12的符合规定的运行。特别地,机器12的运行异常能够通过机器参数来确定。例如,通过传感器24能够确定机器12在临界温度范围内运行。
为了确定该运行异常的原因是什么,计算装置14能够设计用于从机器12检索机器参数。能够优选地在能够访问机器12的机器参数的计算机云26中提供计算装置14。附加地,计算装置14能够设计用于从至少一个外部数据源28中检索环境参数。一个或多个外部数据源28能够包括数据库,例如能够在其他计算机云30中提供数据库。来自外部数据源28的环境参数例如能够由外部的环境传感器32来测量,其中,外部的环境传感器32例如能够包括用于确定天气/气候的传感器,并且例如能够设置在发电厂16之外和/或发电厂16之内。例如,也能够在发电厂16中在另一机器中提供外部的环境传感器32。
优选地,环境参数能够包括其他宏观数据,宏观数据能够存储在一个或多个外部数据源28中。例如,外部数据源28能够包括经济信息,例如本地能源成本、能源供应商的关于网络故障和电压波动的信息和/或来自社交网络的信息。优选地,也能够从其他发电厂或工厂34检索环境参数,其中,工厂34的环境参数例如能够经由访问设备36(边缘设备或网关)获得。
为了从外部数据源28检索环境参数,计算装置14能够首先均匀化环境参数。这意味着,计算机装置14能够至少根据机器12的位置和/或机器参数的测量时间来过滤环境参数。因此,能够从异质的数据源28中过滤掉可能与异常相关的那些环境参数。机器的位置和/或测量机器参数的时间能够例如存储在计算装置上的关联模型中,其中,关联模型能够附加地包括环境参数与关于运行异常检测到的机器参数的已知的关联和/或已知的限制。因此,能够对于关联模型预先过滤数据,由此,能够限制计算装置14的计算性能和计算时间。
计算装置14还设计用于,借助于关联模型来得出机器参数、过滤的环境参数与运行异常之间的至少一种关联。为此,一方面,能够搜索已知的关联,优选地借助于人工智能来搜索,人工智能根据预设的关联模式检查机器参数和环境参数,并且自动地找到已知的关联。另一方面,能够通过统计分析、特别是通过回归分析来得出未知的关联,其中,在发现这种新的未知的关联时,能够通过机器学习函数来调整关联模型。因此,对了后续确定运行异常的原因,能够提供新的关联作为人工智能的预设的关联模式,由此,能够减少计算耗费。
如果识别到机器参数、过滤的环境参数与运行异常之间的至少一个关联,则能够从该关联中确定运行异常的原因。特别地,在识别原因时,能够创建各种诊断和预测,利用该诊断和预测能够提供用于优化的建议或处理措施。特别优选地能够提出,计算单元14设计用于根据识别到的运行异常原因产生控制信号,利用控制信号能够驱控机器12的机器功能,例如关闭机器以免损坏。替代地或附加地,在识别到运行异常的原因时,也能够借助于控制信号在发电厂16中驱控其他机器,以便也避免损坏机器。替代地,能够提供仅一个控制信号以进行警报,该控制信号能够发送给机器12和/或发电厂16。
在图2中示出根据示例性的实施方式的用于确定机器12的运行异常的原因的方法图。在步骤S10中,通过机器12的至少一个传感器24检测机器参数。在步骤S12中,通过检测到的机器参数确定运行异常。在步骤S14中,通过计算装置14检索至少一个外部数据源28的环境参数和检测到的机器参数,其中,至少根据机器的位置和/或机器参数的测量时间来过滤环境参数。
在步骤S16中,在机器参数、过滤的环境参数与运行异常之间的至少一个关联借助于关联模型通过计算装置14来得出。最后,在步骤S18中,根据至少一个通过关联模型得出的关联来确定运行异常的原因。
特别地,该方法能够在以下场景中有利地支持机器的用户,例如,能够通过太阳辐射加热机器的温度传感器,由此,尽管不存在机器的不允许的加热,仍例如能够通过安全功能防止接通机器。对于位于现场的操作员无法理解的是,其是否为传感器故障或运行异常。然而,借助于该方法能够确定加热与太阳辐射的关联,并且操作员能够确定不存在有害原因。在另一种情况下,例如,溢流会导致冷却,即使机器满负荷运行并且操作员会预期较高的运行温度,而温度信号会是低的。在此,温度会是无害的,然而溢流会导致机器处的水损,其中,操作员能够通过这种知识采取适当的措施。
例如,故障的温度传感器也能够不显示温度,由此,不由于机器中的高温而触发保护功能。然而,这能够有利地借助于环境参数来识别,并且能够采取措施。本地能源成本也会基于供应和需求波动,其中,运营商能够确定暂时停住机器,这通过重复地停止和启动而会导致提高的机械磨损还有温度循环。该运行异常和其他运行异常能够借助于该方法识别,并且能够对原因产生影响。特别地,能够确定其是否为保修情况、保险情况、磨损情况或是机器不正常的运行。
整体上示出如下示例,即如何通过本发明能够提供用于机器的、尤其用于驱动器的基于上下文的专家系统。

Claims (11)

1.一种用于确定机器(12)的运行异常的原因的方法,所述方法具有以下方法步骤:
-通过所述机器(12)的至少一个传感器(24)检测(S10)机器参数;
-通过检测到的所述机器参数确定(S12)所述运行异常;
-通过计算装置检索(S14)来自至少一个外部数据源(28)的环境参数和检测到的所述机器参数,其中,至少根据所述机器的位置和/或所述机器参数的测量时间过滤所述环境参数;
-借助于关联模型,通过所述计算装置(14)得出(S16)所述机器参数、过滤的所述环境参数与所述运行异常之间的至少一种关联;
-根据至少一个通过所述关联模型得出的关联来确定(S18)所述运行异常的原因。
2.根据权利要求1所述的方法,其中,通过统计分析得出至少一种关联。
3.根据权利要求2所述的方法,其中,执行回归分析作为所述统计分析。
4.根据前述权利要求中任一项所述的方法,其中,根据已知的关系和/或已知的限制将所述关联模型建模。
5.根据权利要求4所述的方法,其中,如果针对所述运行异常的原因识别到新的关联,则通过机器学习功能来调整所述关联模型。
6.根据前述权利要求中任一项所述的方法,其中,通过所述计算装置(14)借助于人工智能根据预设的关联模式来确定所述运行异常的原因,其中,对所述机器参数和所述环境参数检查所述预设的关联模式的存在。
7.根据前述权利要求中任一项所述的方法,其中,由外部环境传感器(32)测量所述环境参数。
8.根据前述权利要求中任一项所述的方法,其中,根据所述运行异常的原因产生控制信号,利用所述控制信号驱控所述机器(12)或另一机器的机器功能。
9.一种用于确定机器(12)的运行异常的原因的系统(10),所述系统具有机器(12)和计算装置(14),其中,所述机器(12)设计用于,通过至少一个传感器(24)检测机器参数并通过检测到的所述机器参数确定运行异常,其中,所述计算装置(14)设计用于检索来自至少一个外部数据源(28)的环境参数和检测到的所述机器参数,其中,至少根据所述机器的位置和/或所述机器参数的测量时间来过滤所述环境参数,借助于关联模型得出所述机器参数、过滤的所述环境参数与所述运行异常之间的至少一个关联,并且根据至少一个通过所述关联模型得出的关联确定所述运行异常的原因。
10.一种计算机程序,所述计算机程序能够直接加载到计算装置(14)的存储器中,所述计算机程序具有程序构件,使得在所述计算装置(14)中执行该程序时,执行根据权利要求1至8中任一项所述的方法的步骤。
11.一种电子可读的数据载体,所述数据载体具有存储在所述数据载体上的可读的控制信息,所述控制信息包括至少一个根据权利要求10所述的计算机程序,并且所述控制信息设计成,使得所述控制信息在计算装置(14)中使用所述数据载体时执行根据权利要求1至8中任一项所述的方法。
CN202180052383.5A 2020-08-24 2021-08-06 用于确定机器的运行异常的原因的系统和方法以及计算机程序和电子可读的数据载体 Pending CN115943353A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP20192353.9 2020-08-24
EP20192353.9A EP3961333A1 (de) 2020-08-24 2020-08-24 System und verfahren zur bestimmung einer ursache einer betriebsanomalie einer maschine sowie computerprogramm und elektronisch lesbarer datenträger
PCT/EP2021/072047 WO2022043030A1 (de) 2020-08-24 2021-08-06 System und verfahren zur bestimmung einer ursache einer betriebsanomalie einer maschine sowie computerprogramm und elektronisch lesbarer datenträger

Publications (1)

Publication Number Publication Date
CN115943353A true CN115943353A (zh) 2023-04-07

Family

ID=72234685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180052383.5A Pending CN115943353A (zh) 2020-08-24 2021-08-06 用于确定机器的运行异常的原因的系统和方法以及计算机程序和电子可读的数据载体

Country Status (4)

Country Link
US (1) US20230359191A1 (zh)
EP (2) EP3961333A1 (zh)
CN (1) CN115943353A (zh)
WO (1) WO2022043030A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4293457A1 (de) * 2022-06-15 2023-12-20 Siemens Aktiengesellschaft Überwachungsverfahren, computerprogrammprodukt, überwachungsseinheit, gasanalysevorrichtung und verwendung einer künstlichen intelligenz

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8996334B2 (en) * 2011-03-02 2015-03-31 General Electric Company Method and system for analysis of turbomachinery
WO2017139046A1 (en) * 2016-02-09 2017-08-17 Presenso, Ltd. System and method for unsupervised root cause analysis of machine failures

Also Published As

Publication number Publication date
EP3961333A1 (de) 2022-03-02
EP4150422A1 (de) 2023-03-22
WO2022043030A1 (de) 2022-03-03
US20230359191A1 (en) 2023-11-09

Similar Documents

Publication Publication Date Title
US20050096759A1 (en) Distributed power generation plant automated event assessment and mitigation plan determination process
US6981182B2 (en) Method and system for analyzing fault and quantized operational data for automated diagnostics of locomotives
KR101995042B1 (ko) 감독 학습 방법론들을 활용하는 가스 터빈 고장 예측
CN111242323B (zh) 用于修理机器次优操作的主动自动系统和方法
KR102444442B1 (ko) 설비 고장 진단 장치 및 방법
KR102102346B1 (ko) 함정설비의 상태기반 정비지원 시스템 및 방법
WO2008116966A2 (en) Method and apparatus for monitoring condition of electric machines
CN113074833A (zh) 机房健康状态预警系统及方法
WO2018106150A1 (ru) Способ и система удаленного мониторинга объектов
KR102331463B1 (ko) 이송장치를 구동하는 모터에 관한 머신러닝 기반 예지보전방법 및 시스템
JP6482743B1 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
WO2014199177A1 (en) Early warning and prevention system
CN113196311A (zh) 用于识别和预测机器的异常感测行为模式的系统和方法
CN111788042A (zh) 机器人的预见性分析
KR102470112B1 (ko) 원전의 지능형 상태감시 방법 및 시스템
CN103678087A (zh) 服务器风扇状态监控方法及系统
da Silva Arantes et al. A novel unsupervised method for anomaly detection in time series based on statistical features for industrial predictive maintenance
CN115943353A (zh) 用于确定机器的运行异常的原因的系统和方法以及计算机程序和电子可读的数据载体
JP6574533B2 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
CN111555899B (zh) 告警规则配置方法、设备状态监测方法、装置和存储介质
KR102108975B1 (ko) 함정설비의 상태기반 정비 지원 장치 및 방법
CN111766514B (zh) 一种设备检测点的数据分析方法
Das et al. Performance monitoring and failure prediction of industrial equipments using artificial intelligence and machine learning methods: A survey
US20230305076A1 (en) Monitoring of a converter
US11543808B2 (en) Sensor attribution for anomaly detection

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