CN116382141A - 用于通过机器学习进行监测的方法 - Google Patents
用于通过机器学习进行监测的方法 Download PDFInfo
- Publication number
- CN116382141A CN116382141A CN202211597805.XA CN202211597805A CN116382141A CN 116382141 A CN116382141 A CN 116382141A CN 202211597805 A CN202211597805 A CN 202211597805A CN 116382141 A CN116382141 A CN 116382141A
- Authority
- CN
- China
- Prior art keywords
- link
- errors
- current
- model
- voltage
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000010801 machine learning Methods 0.000 title claims description 16
- 238000012423 maintenance Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000003909 pattern recognition Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000000528 statistical test Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 15
- 238000013473 artificial intelligence Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 238000007781 pre-processing Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000001939 inductive effect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 239000012530 fluid Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
- G05B19/058—Safety, monitoring
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- 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
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24036—Test signal generated by microprocessor, for all I-O tests
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
提出了一种用于监测IO链路系统和/或所述IO链路系统的至少一个IO链路装置和/或与所述IO链路系统一起工作的设备、设备部分和/或程序的方法。这里，在所述IO链路系统的IO链路主站的至少一个端口处记录(42)电流(Im)、电压(Um)和/或电功率(Pm)。通过先前通过机器学习来学习的针对所述电流、所述电压和/或所述电功率的模型(M)，在所述IO链路主站中发生所述IO链路系统和/或所述至少一个IO链路装置和/或所述设备、所述设备部分和/或所述程序的状态(Z)的监测、和/或异常、错误、偏差和/或维修指标的检测、和/或维修需求、错误和/或停机的预测。
Description
技术领域
本发明涉及通过机器学习对IO链路系统和/或与之一起工作的部件进行监测。
背景技术
在设备构建和自动化技术中，多种标准化现场总线系统已被证明它们可替代并行的单独布线。这里，多个所谓的现场总线模块通过现场总线附接到中央控制装置。终端装置进而附接到现场总线模块。
所谓的IO链路连接最近也已用于将终端装置连接到现场总线模块。从DE 10 2012009494A1中已知这种IO链路连接以及用于操作这种连接的方法和控制装置。如其中所述，现场总线模块充当IO链路“主站”的角色。机器的传感器、致动器、显示装置、操作装置以及甚至传动系统都被视为终端装置(以下称为IO链路装置)。
受影响生产商的联盟已经指定了用于具有所提指称“IO链路”的智能传感器/致动器接口的标准，所述标准在标准IEC 61131-9中标准化为国际开放标准。所提IO链路装置然后通过描述文件IODD(即IO链路装置描述)来描述。IODD也应作为标准语言在标准ISO15745中标准化为开放标准。
这种IO链路连接提供用于传感器和致动器与机器的IO平面之间的信号传输的串行点对点连接。原则上，IO链路连接在IO链路主站与作为装置连接的IO链路装置之间传输数据。
为了确保设备或程序无故障运转，进行状态监测以随时了解设备或程序的状况，并且对偏差做出迅速反应。因此可及早识别干扰，并且可防止可能的机器停止。维修工作也可提前计划，并且以设备的状态为导向。状态监测因此导致设备的高效、安全且不受干扰的操作，使得可提高设备的总体效率。
通常，只使用传感器数据进行状态监测。在最简单的情况下，监测是否超过或低于限定阈值。这种状态监测有时已经由传感器提供。
然而，这种简单的阈值监测情况并不适用于检测所有状态、异常、错误、偏差和/或维修指标。
基于以机器学习为基础的人工智能(AI)的状态监测提供了进一步的起点。在此程序中，学习基于设备数据和传感器数据与设备状态之间往往复杂的联系的相关联的状态而发生。迄今为止，这种基于AI的状态监测仅在工业领域中在边缘装置上、内部公司服务器上或云中进行。在这些情况下，分别需要从现场总线调用传感器数据并且将其提供用于评估的边缘网关。
如果只使用控制设备所不需要的额外的传感器进行状态监测，则这些传感器可直接连接到评估单元。然而，由于额外的传感器，监测系统的复杂性和成本增加。如果将也可用于控制设备的传感器用于状态监测，则需要连接到现场总线。因此，边缘装置上、服务器上或云中的状态监测导致额外的硬件和布线努力。
因此，本发明的目的是提供直接通过IO链路系统及其部件的基于AI的监测，所述监测使用适用于监测并且IO链路系统或其部件可访问的数据。
发明内容
公开了一种用于监测IO链路系统和/或IO链路系统的至少一个IO链路装置和/或与IO链路系统一起工作的设备、设备部分和/或程序的方法。
根据本发明，在IO链路系统的IO链路主站的至少一个端口处记录电流、电压和/或电功率。在IO链路主站的至少一个端口处的电变量的记录，特别是以电流、电压和/或电功率的测量结果的形式，在IO链路主站中直接发生。因此，附接的IO链路装置的电流消耗、电压和/或功率消耗在IO链路主站中直接测量。
电变量的测量不需要额外的外部传感器。电流可在IO链路主站中以已知方式确定，例如通过在小电阻(感测或分流电阻)处的电压降以及电压降到数字值的变换。另选地，可使用电流测量部件，其通过磁场测量确定电流。电压可以已知方式通过模拟/数字变换直接确定。电功率P可根据公式1计算为电流I和电压U的乘积：
P＝U·I (公式1)
根据本发明，在IO链路主站中使用基于机器学习的人工智能(AI)，以便在此基础上进行监测方面(稍后将详细描述)中的一个或若干个方面。因此，基于AI的监测通过IO链路主站直接发生。在机器学习期间，针对电流、电压和/或电功率使用先前学习的模型。学习也被描述为训练。模型表征电流、电压和/或电功率与IO链路系统和/或至少一个IO链路装置和/或设备、设备部分和/或程序的状态、异常、错误、偏差和/或维修指标的联系。
所谓的智能状态监测可作为监测方面进行。通过使用先前通过机器学习来学习的模型进行IO链路系统和/或至少一个IO链路装置和/或设备、设备部分和/或程序的状态的基于AI的监测。为此，通过模型对状态进行分类。具体地，可通过至少一个IO链路端口处的电流消耗、电压和/或电功率消耗来监测附接的IO链路装置的状态，并且还可优化其使用。设备、设备部分和/或程序的状态也可通过至少一个IO链路端口处的所提电变量来监测，特别是结合下文描述的传感器数据进行监测。这里，一般可了解正常状态，然后可识别与此正常状态的偏差。优选地在基于AI的状态监测中学习若干个状态，并且对IO链路系统和/或至少一个IO链路装置和/或设备、设备部分和/或程序处于何种状态进行分类。这里，未知状态可被识别为异常。正常状态和/或若干个状态例如也在基于AI的状态监测中通过如上所提电变量的分布、通过电变量的信号值的特定时间序列、通过电变量的信号的周期性等来确定。这对于纯阈值监测是不可能的。出于对状态进行分类和监测的目的，并行活动的若干个模型一般是可能的。
作为另外的监测方面，可检测IO链路系统和/或至少一个IO链路装置和/或设备、设备部分和/或程序的异常、错误、偏差和/或维修指标。来自电流或功率消耗的额外信息使得能够可靠地识别异常、错误、偏差和/或维修指标。从单独的传感器数据无法检测到的另外的错误或维修指标的示例也可通过电流或功率数据识别。这特别适用于至少一个IO链路装置是致动器的情况，所述致动器的状态既不由致动器本身也不通过传感器来监测。
另外的监测方面提出对IO链路系统和/或至少一个IO链路装置和/或设备、设备部分和/或程序的维修需求、错误和/或停机的预测。通过机器学习和合适的模型，这种预测是非常有可能的。
单纯地从原则上，IO链路端口的所有电流、电压或电功率数据都适用于基于AI的监测，对于所述监测，电流、电压或电功率的行为与IO链路系统或至少一个IO链路装置或设备、设备部分或程序的状态、异常、错误、偏差或维修指标之间存在联系。这些联系不需要是明显地或直观地可识别的。借助于机器学习，可识别若干个数据源与状态、异常、错误、偏差或维修指标之间的用户无法直接识别的复杂联系。
因此，测量和基于AI的评估在IO链路主站上直接发生。IO链路系统、IO链路装置、设备、设备部分和/或程序的监测因此发生(这在先前无法实现，或者只能通过额外的硬件努力实现)，并且这不需要额外的硬件诸如传感器。与常规的设定点监测相比，在根据本发明的基于AI的监测的情况下，可更好地监测、检测和/或预测IO链路系统和/或至少一个IO链路装置和/或设备、设备部分和/或程序的特定状态、异常、错误、偏差和/或维修指标，并且完全能够监测、检测和/或预测其他状态、异常、错误、偏差和/或维修指标。因此，相对于常规IO链路主站，根据本发明的使用此方法的IO链路主站表示更全面的用于监测的工具。
对于IO链路主站，一般存在若干个选项来学习模型。模型优选地在IO链路主站中直接学习。为此，针对用于学习的电流、电压和/或电功率测量训练数据，并且记录对应的状态、异常、错误、偏差和/或维修指标，并且根据这些计算模型。可提前记录训练数据，其中对应的状态、异常、错误、偏差和/或维修指标是已知的并且特别是出于训练目的而导致的。另选地，也可在学习期间记录训练数据。
如果模型是在IO链路主站上学习的，则可允许将学习的模型从这个IO链路主站传输到至少一个其他IO链路主站。这提供了优势，主要是在其他IO链路主站在以简化模型学习相同的方式构建的IO链路系统中使用的情况下。
另选地，模型可在外部系统中预学习。外部系统可以是例如外部计算机或云。这里，模型也可在工厂中预学习，并且在交付时已经在IO链路主站上实现，或者在稍后的时间点通过更新传输到后者。
可在学习期间使用电流、电压和/或电功率的所有可用数据，或者这些数据源的仅部分数量。预处理也可在学习和/或评估期间进行，其中可从可用数据中提取特征，或者可对数据进行变换、过滤、聚合和/或以其他方式进行预处理。所使用的预处理连接到相应模型，并且与后者在IO链路主站中一起实现。当记录电流、电压和/或电功率时，优选地使用数据的相同的预处理。
模型可在其用于操作时通过测量值进行更新，所述测量值然后用作训练数据。模型因此不断改进。模型还适应IO链路系统、设备和/或程序的变化，并且保持最新。
如果识别出特定状态，则可触发确定的动作。例如，可输出所识别的状态，和/或可基于状态激活或停用致动器、设备部分和/或装置。这也可针对所检测到的的异常、错误、偏差和/或维修指标以模拟方式进行。可输出警告消息，特别是在预测到维修需求、错误和/或停机的情况下。
可允许将监测结果输出给用户。这可根据可用的部件和连接通过以下方式中的一种或若干种发生：通过IO链路主站上的信号(例如，通过LED、警告声音或通过IO链路主站的显示器)，通过借由过现场总线进行的状况报告，通过IO链路系统的IO链路装置(例如照明装置、警告灯或显示器)的控制，通过集成网络服务器，通过特定地用于移动装置的应用程序，通过电子邮件，通过SMS，通过互联网服务或通过另外的信息渠道。
优选地，用户可进行回复。为此可提供接口，例如作为人机接口(HMI)，通过接口，用户可对模型的使用的结果进行评估和/或校正，和/或确认或表征电流状态、错误、偏差和/或维修指标。用户因此可确认或校正监测结果。通过这些回复，可改进监测或模型。
存在用于记录以上所提电变量：电流、电压和/或电功率的不同选项。一方面，可在IO链路主站的端口处记录电流、电压和/或电功率的时间进程并且在监测期间使用。可例如从时间进程确定电变量的信号值的特定序列、电变量的信号的周期性等，据此可对状态进行分类，和/或可检测异常、错误、偏差和/或维修指标，和/或可对维修需求、错误和/或停机进行预测。另选地或额外地，可从时间进程得出随后在监测中使用的另外的变量。
此外，可在IO链路主站的若干个端口处测量电流、电压和/或电功率。这里，特别地在一时间点组合的测量值可用于监测。还可如上所述记录每个端口的电变量的时间进程，并且在监测中组合使用这些变量。另选地或额外地，可从测量值得出随后在监测中结合使用的另外的变量。
另外，可确定电变量的统计特性值，诸如平均值、标准差、方差、峰读、斜度或中值，并且将其用于监测。
本身已知的不同类别的算法可用于机器学习。下文中作为示例给出优选类别：
-人工神经网络；
-基于决策树的方法；
-基于边界的方法；
-聚类方法；
-集成方法；
-最近邻法；和/或
-线性和/或非线性回归方法。
当在状态监测期间对状态进行分类时，和/或当检测到异常、错误、偏差和/或维修指标时，和/或当预测到维修需求、错误和/或停机时，可使用识别程序的不同变体以便将模型应用于测量值。
可提供使用电流、电压和/或电功率的测量值的图案识别，其中识别电变量中和/或从它们得出的变量中的图案，并且基于模型将这些图案联系到状态、异常、错误、偏差和/或维修指标。图案识别还允许根据图案预测维修需求、错误和/或停机。例如，可在电变量的分布中、在电变量的信号值序列中、在电变量的信号的周期性等中识别图案。
另选地，可在使用模型进行使用电流、电压和/或电功率的测量值的统计测试方法。
这里，术语“使用”应理解为意味着：图案识别或统计测试方法不仅可基于测量值，而且可基于从它们得出的变量。
IO链路数据，以及因此直接从IO链路装置中的一个或若干个传输到IO主站的数据，例如传感器数据，通常可供IO链路主站使用。根据本发明，额外地可在监测中使用此IO链路数据。一方面，可已经在学习模型时使用了IO链路数据。然而，模型的学习也可独立于IO链路数据发生。另一方面，也可在学习模型的使用期间，和/或在对状态进行分类时，和/或在检测到异常、错误、偏差和/或维修指标时，和/或在预测到维修需求、错误和/或停机时，使用IO链路数据。这里，可将测量电变量与IO链路数据融合在一起。
下文中以示例性形式示出用于监测不同部件的状态的不同组合。这些可转变成对相应部件的异常、错误、偏差和/或维修指标的检测和/或对相应部件的维修需求、错误和/或停机的预测：
-通过IO链路主站的IO链路端口的电变量对IO链路装置进行的状态监测；
-通过IO链路主站的IO链路端口的电变量和接收到的IO链路数据对IO链路装置进行的状态监测；
-通过IO主站的若干个IO链路端口的电变量对一个或若干个IO链路装置进行的状态监测；
-通过IO链路主站的若干个IO链路端口的电变量和接收到的IO链路数据对一个或若干个IO链路装置进行的状态监测。
-通过IO链路主站的一个或若干个IO链路端口的电变量对设备、设备部分或程序进行的状态监测；
-通过IO链路主站的一个或若干个IO链路端口的电变量和接收到的IO链路数据对设备、设备部分或程序进行的状态监测。
这里，所描述变体中的若干个变体可在IO链路主站上并行运行。为此，还可并行使用不同的模型。
根据本发明，IO链路主站设置有电子计算装置，例如微控制器或微处理器，其被配备来进行上述的用于监测的方法。
根据本发明的解决方案不限于连接到IO链路主站的IO链路装置。通过信号转换器通信的开关传感器或例如还有模拟传感器等可连接到IO链路主站，并且也用于监测。解决方案在具有IO链路端口的边缘装置或具有IO链路主站功能性的其他装置上也可同等地使用。
关于IO链路主站通过什么现场总线系统(诸如Profibus、Profinet、EtherCAT、CC-Link或Ethernet IP)进行操作，则与本发明无关。
附图说明
在附图中描绘并且在以下描述中更详细地解释本发明的示例性实施方案。
图1示出IO链路系统的示意性描绘。
图2a和图2b分别示出根据现有技术的常规IO链路端口，其中图2a示出4针脚端口，并且图2b示出5针脚端口。
图3是测量电流强度随设备的周期性程序的时间变化的图，其中标记了正在发生的异常。
图4示出来自图3的图，其中通过本发明方法标记所检测到的异常。
图5a和图5b示出根据本发明的方法的实施方案的流程图。
图6示出IO链路装置与错误之间的关联，以及可基于其检测到错误的数据。
具体实施方式
下文中彼此独立地描述用于状态、异常、错误、偏差和维修指标的实施方案。然而，所描述实施方案可转变成其他实施方案和/或与它们组合。
图1示出具有IO链路主站1的IO链路系统，所述IO链路主站通过现场总线FB连接到可编程控制PLC和外部计算机PC。计算机PC既用作外部计算装置又用作通向用户的接口，通过所述接口，可输出监测结果，并且用户可给出答复。IO链路主站1具有计算装置(未描绘)，其如下所述进行根据本发明的方法。IO链路主站1还具有连接到IO链路装置的若干个链路端口11(出于概观的原因，仅一个端口具备附图标号)。示例性传感器S1、S2、S3和S4—S4通过电感耦合器IC—和致动器A1各自通过每一者一个端口11连接到IO链路主站1。
图2a示出根据现有技术的常规4针脚IO链路端口，其总共具有四个针脚：针脚1、针脚2、针脚3、针脚4。
图2b示出根据现有技术的常规5针脚IO链路端口，其总共具有五个针脚：针脚1、针脚2、针脚3、针脚4、针脚5。下文中将针脚根据连接器中的标注分别表示为“针脚1”至“针脚4”或“针脚5”。IO链路端口根据标准IEC 61131-9中的IP65/67中的连接技术指定，其方式为使得针脚1和针脚3用于提供能量，并且数据通过针脚4传输。在图2b中描绘的根据类型B的IO链路端口中，通过针脚2和针脚5提供额外的能量供应。在如图2a所示的4针脚端口中，在针脚1或针脚3处发生电流测量，并且在针脚1与针脚3之间进行电压测量。在如图2b所示的5针脚端口中，另外可在针脚2或针脚5处进行电流测量，并且另外可在针脚2与针脚5之间发生电压测量。
在图3和图4中的每一者中，描绘了在IO链路主站1的端口11处测量的电流强度I随设备的周期性程序的时间t变化的图。在图3中，标记了异常20至23。虽然异常20表现为尖峰(“异常值”)，但异常21、22和23表示进程中的变化。常规地进行阈值监测，其中将测量电流强度I与在此示出为SW的用于比较的阈值进行比较。可看出，在这个示例中，在阈值监测中可仅检测到异常20，以及因此“异常值”。
在图4中，输入了已经通过根据本发明的方法检测到的所检测到的异常30至33。与图3的比较示出，所检测到的异常30至33既包括“异常值”形式的异常20，又包括进程中的异常21、22和23。因此可通过根据本发明的方法检测到所有异常20至23。
图5a和图5b示出根据本发明的用于智能状态监测的方法的流程图。可对整个IO链路系统、对IO链路装置S1、S2、S3、S4、A1和/或对与IO链路系统一起工作的设备、设备部分和/或程序进行状态监测。在下文中，将监测IO链路装置S1、S2、S3、S4、A1。
图5a示出模型M的学习和训练阶段。在这个示例性实施方案中，在IO链路主站1的端口11处分别测量和记录电流Ie、电压Ue和/或电功率Pe，以便使用它们作为用于学习模型的训练数据。记录IO链路装置S1、S2、S3、S4、A1中的每一个在测量期间所处的对应状态Ze。将训练数据Ie、Ue、Pe添加到预处理40。在此示例性实施方案中，包括从传感器S1、S2、S3、S4发送到IO链路主站1的IO链路数据D，并且也将所述数据添加到预处理40。在预处理40中，可从数据中提取特征或者可对数据进行变换、过滤、聚合和/或以其他方式进行处理。所使用的预处理40连接到特定模型M并且与所述模型在IO链路主站1中一起实现。然后发生模型M的学习41(也描述为训练)，其中学习训练数据以及因此电流Ie、电压Ue、电功率Pe和IO链路数据D与对应的状态Ze之间的联系。机器学习基于图案识别，例如，其中识别电变量Ie、Ue、Pe和IO链路数据D的进程中的图案并且将其联系到状态Ze。这由例如人工神经网络但不限于机器学习的此变体提供。在另外的示例性实施方案中，还可在学习41期间维持用于学习的测量的电变量Ie、Ue、Pe和IO链路数据D。
在此示例性实施方案中，模型M的预处理40和学习41在IO链路主站1的计算装置中直接发生。学习的模型M可从其中对其进行学习的IO链路主站1传输到其他IO链路主站，所述其他IO链路主站优选地在以相同方式构建的IO链路主站中使用。在另外的示例性实施方案中，模型M的学习41在外部计算机PC上或通过云(未描绘)发生，其中的任一者通过现场总线FB连接到IO链路主站1。模型M最后被传输到IO链路主站1。
图5b示出评估或操作阶段。IO链路主站1的端口11处的电变量并且因此电流Im、电压Um和/或电功率Pm的测量42在操作期间发生。电流Im在IO链路主站1中通过小感应电阻处的电压降以及随后电压降到数字值的变换来提供。另选地，可使用通过磁场测量确定电流Im的电子电流测量部件。电压Um直接通过模拟/数字化变换来确定。电功率Pm根据公式1(见上文)计算为电流Im和电压Um的乘积。将在操作期间测量的电变量Im、Um、Pm添加到预处理43。在此示例性实施方案中，包括从传感器S1、S2、S3和S4发送到IO链路主站1的IO链路数据D，并且也将所述数据添加到预处理43。预处理43以与预处理40相同的方式进行。然后通过机器学习，通过使用模型M以及在操作中测量的电变量并且因此电流Im、电压Um和电功率Pm和IO链路数据D，发生当前状态Z的分类44。这里，机器学习也基于图案识别，例如，其中在测量的电变量Im、Um、Pm和IO链路数据D的进程中识别图案，并且基于模型M对状态Z进行分类。这由例如人工神经网络但不限于机器学习的此变体提供。另选地，进行统计测试方法。模型M可在其使用期间通过测量的电变量Im、Um、Pm和IO链路数据D来更新。
下文中描述IO链路装置S1、S2、S3、S4、A1的状态Z或待监测的设备的状态与电流或功率消耗之间的示例性联系：
在电感耦合器IC中，能量传输效率取决于两个耦合器的气隙宽度、横向偏移和角度偏移以及温度。耦合器方位或温度的变化可通过智能状态监测来识别，智能状态监测包括监测中的电感耦合器IC的电流或功率消耗。
在具有发射光源(例如，LED或激光二极管)的自适应发射功率的光学距离传感器的情况下，可通过依赖于发射功率的电流或功率消耗来识别光学部件的脏污或目标的变化。
在IO链路装置的情况下，IO链路装置的电流或功率消耗可由于电子部件升温或老化(例如，电解液冷凝器变干)而变化。这种通常非常缓慢的变化也可通过智能状态监测来识别。还对维修需求进行预测，并且可计划预期维修。
LED的功率消耗从根本上取决于IO链路装置的状态(例如，通过闪烁的LED显示警报状态)。每个LED在亮起状态下仅产生若干毫安的电流消耗。因此可由于传感器信号与电流信号之间的偏差而识别IO链路装置的有缺陷的LED。
在用于测量路径和间距的传感器(电感式、磁致伸缩式、光电式)中，如果用于给传感器元件供能的电流是自动控制的，则可往往将电流消耗以非线性方式与路径或间距联系起来，以便补偿例如所测量部分的衰变。模型中可采用这种非线性相关性。
在致动驱动器的情况下，润滑不足或腐蚀会损坏致动器的平滑度，这可导致致动驱动器的电流或功率消耗增加。在电流的进程中，也可看到驱动器的阻塞。
在液压或气动设备中，当切换电磁阀时，用于阀的液体的粘度的变化可导致电流或功率的进程的变化等。如果流体压力变化，则这导致保持电流或保持功率变化。因此无需额外的传感器即可识别流体的变化。
上面给出的这些示例应仅理解为通过使用IO链路端口的电流、电压和/或电功率在IO链路主站上进行智能状态监测的各种选项中的一部分，并且本发明不限于这些选项。根据本发明的方法也可解决状态监测领域中数据与状态之间的联系不太明显的复杂得多的任务。
在图6中，列出了图1中的IO链路装置S1、S2、S3、A1、S4和IC，并且通过不同的数据类型—IO链路数据D或在端口11处测量的电流I、电压U和/或电功率P—以示例性形式将其分配给不同的错误(错误案例)50至52。错误50可从IO链路数据D中直接检测到。然而，检测也可借助于根据本发明的方法通过电流I、电压U和/或电功率P发生。IO链路数据D与电流I、电压和/或电功率的数据的组合导致检测的改进。错误51和52无法通过IO链路数据检测到。它们只能通过根据本发明的方法通过电流I、电压U和/或电功率P来检测。为了检测错误51，在IO链路主站1的若干个端口11处测量电流I、电压U和/或电功率P，使得当检测到错误51时，传感器S1、S2、S3、致动器A1和传感器S4中的一者或若干者的电流I、电压U和/或电流P的数据与电感耦合器IC一起流入。然而，错误52仅从与电感耦合器IC一起的传感器S4的电流I、电压U和/或电功率P的数据检测到。
Claims (13)
1.一种用于监测IO链路系统和/或所述IO链路系统的至少一个IO链路装置(S1、S2、S3、S4、A1)和/或与所述IO链路系统一起工作的设备、设备部分和/或程序的方法，其特征在于，在所述IO链路系统的IO链路主站(1)的至少一个端口(11)处记录电流(Im)、电压(Um)和/或电功率(Pm)，并且通过使用先前通过机器学习来学习的针对所述电流(Ie)、所述电压(Ue)和/或所述电功率(Pe)的模型(M)，在所述IO链路主站(1)中发生所述IO链路系统和/或所述至少一个IO链路装置(S1、S2、S3、S4、A1)和/或所述设备、所述设备部分和/或所述程序的状态(Z)的监测、和/或异常(30-33)、错误(50-52)、偏差和/或维修指标的检测、和/或维修需求、错误和/或停机的预测。
2.根据权利要求1所述的方法，其特征在于，所述模型(M)在所述IO链路主站(1)中通过以下方式来学习：针对所述电流(Ie)、所述电压(Ue)和/或所述电功率(Pe)和所述对应的状态(Z)、异常(30-33)、错误(50-52)、偏差和/或维修指标的记录训练数据，并且根据这些来计算所述模型(M)。
3.根据权利要求2所述的方法，其特征在于，在所述链路主站(1)中学习的所述模型(M)被传输到至少一个其他IO链路主站。
4.根据权利要求1所述的方法，其特征在于，所述模型(M)在外部系统(PC)中预学习并且被传输到所述IO链路主站(1)。
5.根据前述权利要求中一项所述的方法，其特征在于，所述模型(M)通过在其使用时的测量值(Im、Um、Pm)升级。
6.根据前述权利要求中一项所述的方法，其特征在于，用户能够通过接口对所述模型(M)的所述使用的结果进行评估和/或校正，和/或对所述电流状态(Z)、异常(30-33)、错误(50-52)、偏差和/或维修指标进行确认或表征。
7.根据前述权利要求中一项所述的方法，其特征在于，记录所述电流(Im)、所述电压(Um)和/或所述电功率(Pm)的时间进程，并且将所述时间进程和/或从所述时间进程得出的变量用于所述监测。
8.根据前述权利要求中一项所述的方法，其特征在于，在所述IO链路主站(1)的若干个端口(11)处测量所述电流(Im)、所述电压(Um)和/或所述电功率(Pm)，并且将所述值、其时间进程和/或从所述时间进程得出的变量组合用于所述监测。
9.根据前述权利要求中一项所述的方法，其特征在于，使用以下机器学习的变体之一：
-人工神经网络
-基于决策树的方法；
-基于边界的方法；
-聚类方法；
-集成方法；
-最近邻法；
-线性和/或非线性回归方法。
10.根据权利要求1至9中任一项所述的方法，其特征在于，在状态(Z)的分类(44)的情况下，和/或当检测到异常(30-33)、错误(50-52)、偏差和/或维修指标时，和/或当预测到维修需求、错误和/或停机时，基于所述模型(M)，使用所述电流(Im)、所述电压(Um)和/或所述电功率(Pm)的所述测量值来进行图案识别。
11.根据权利要求1至9中任一项所述的方法，其特征在于，在状态(Z)的分类(44)的情况下，和/或当检测到异常(30-33)、错误(50-52)、偏差和/或维修指标时，和/或当预测到维修需求、错误和/或停机时，在使用所述模型(M)时，使用所述电流(Im)、所述电压(Um)和/或所述电功率(Pm)的所述测量值来进行统计测试方法。
12.根据前述权利要求中一项所述的方法，其特征在于，在所述模型(M)的学习(41)期间，和/或在所述学习的模型(M)的使用中，和/或在状态(Z)的分类(44)中，和/或当检测到异常(30-33)、错误(50-52)、偏差和/或维修指标时，和或当预测到维修需求、错误和/或停机时，使用从所述IO链路装置(S1、S2、S3、S4、A1)中的一个或若干个传输的额外IO链路数据(D)。
13.一种IO链路主站(1)，其具有电子计算装置，所述电子计算装置被配备来通过根据权利要求1至12中一项所述的方法进行监测。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102021133338.5 | 2021-12-15 | ||
| DE102021133338.5A DE102021133338A1 (de) | 2021-12-15 | 2021-12-15 | Verfahren zur Überwachung mittels maschinellem Lernen |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116382141A true CN116382141A (zh) | 2023-07-04 |
Family
ID=86498783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211597805.XA Pending CN116382141A (zh) | 2021-12-15 | 2022-12-12 | 用于通过机器学习进行监测的方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230185296A1 (zh) |
| CN (1) | CN116382141A (zh) |
| DE (1) | DE102021133338A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102023105820B3 (de) | 2023-03-09 | 2024-05-29 | Perma-Tec Gmbh & Co. Kg | Verfahren zur Bestimmung und/oder Überwachung des Zustandes eines Schmierstoffspenders |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1189126B1 (de) | 2000-09-14 | 2006-06-28 | Sulzer Markets and Technology AG | Verfahren zum Überwachen einer Anlage |
| DE102012009494B4 (de) | 2012-05-14 | 2017-04-13 | Balluff Gmbh | Steuereinrichtung zum Steuern eines Sicherheitsgerätes |
| DE102017213365B4 (de) | 2017-08-02 | 2019-05-29 | Festo Ag & Co. Kg | Kommunikationsvorrichtung, System und Verfahren |
| JP6810097B2 (ja) | 2018-05-21 | 2021-01-06 | ファナック株式会社 | 異常検出器 |
| DE202019105936U1 (de) | 2019-10-25 | 2021-01-26 | WAGO Verwaltungsgesellschaft mit beschränkter Haftung | Eingabe/Ausgabe-Modul mit Lastmanagementeinheit |
| DE102019219084A1 (de) | 2019-12-06 | 2021-06-10 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Bestimmen eines Zustandes einer Maschine |
-
2021
- 2021-12-15 DE DE102021133338.5A patent/DE102021133338A1/de active Pending
-
2022
- 2022-12-09 US US18/078,358 patent/US20230185296A1/en active Pending
- 2022-12-12 CN CN202211597805.XA patent/CN116382141A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| DE102021133338A1 (de) | 2023-06-15 |
| US20230185296A1 (en) | 2023-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5207614B2 (ja) | コントローラ、プロセス制御方法及びプロセス制御システム | |
| EP1390822B1 (en) | Diagnostics for industrial process control and measurement systems | |
| CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
| CN1864071A (zh) | 具有静态电流诊断的过程设备 | |
| US11275365B2 (en) | Integration of online and offline control valve data | |
| JP2006500694A (ja) | 複数のシステムを含む技術的設備、特に発電所設備、を監視するための装置および方法 | |
| US20110060569A1 (en) | Real-Time, Model-Based Autonomous Reasoner and Method of Using the Same | |
| CN116382141A (zh) | 用于通过机器学习进行监测的方法 | |
| CN105988402A (zh) | 具有回路和阀控制能力的集成过程控制器 | |
| US20190271977A1 (en) | Method for analyzing malfunctions in a system of process automation | |
| CN101878456A (zh) | 具有物理层诊断系统的电路 | |
| US9014865B2 (en) | Method for monitoring an installation | |
| Wang et al. | Intelligent predictive maintenance (IPdM) for elevator service-through CPS, IOT&S and data mining | |
| US11188059B2 (en) | Method for monitoring a plant of the automation technology | |
| AU2015393664B2 (en) | System and method for managing water or other type of fluid | |
| CN115427767A (zh) | 用于过程工厂内数据驱动的故障检测的改进模式识别技术 | |
| US11580842B1 (en) | Real-time alert management using machine learning | |
| CN110553093A (zh) | 用于监控机械系统的方法 | |
| US20230376024A1 (en) | Device and Method for Identifying Anomalies in an Industrial System for Implementing a Production Process | |
| US11595409B2 (en) | Method for monitoring an industrial network | |
| CN114730183A (zh) | 具有视觉编码的趋势曲线图的技术设施的控制系统 | |
| CN111552248A (zh) | 一种用于智能控制系统设备oee远程运维的方法 | |
| Dinesh et al. | An efficient industry 4.0 architecture for energy conservation using an automatic machine monitor and control in the foundry | |
| KR102572628B1 (ko) | 생산설비 통합 관리 시스템 | |
| Dincer et al. | PRODUCTION STATE IDENTIFICATION USING RAW ETHERNET DATA OF TOTAL POWER CONSUMPTION IN A CYBER-PHYSICAL FACTORY |
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 |