CN116625595A - 对流体技术的系统中异常情况的识别 - Google Patents

Abstract

本申请涉及对流体技术的系统中异常情况的识别。给出了一种用于识别流体技术的系统(10)中的异常情况的传感器装置(18，20)，该传感器装置具有用于确定系统(10)的管路(14)中的瞬时流速的测量值的至少一个传感器(18)以及控制和评估单元(20)，该控制和评估单元被设计用于根据至少一个测量值确定是否存在异常情况。控制和评估单元(20)还被设计用于评估测量值的时间序列，以便首先确定周期持续时间，针对该周期持续时间的时间序列的至少一个区段确定至少一个特征参量，将该特征参量与参考特征参量进行比较，并且如果偏差超过公差则确定异常情况的存在。

Description

对流体技术的系统中异常情况的识别

本发明涉及根据权利要求1和15的前序部分所述的用于识别流体技术的系统中的异常情况的传感器装置和方法。

压缩空气的生产和处理对满足工业用电需求做出了重大贡献。压缩空气是一种重要但同时又昂贵的能源。因此，尽快发现压缩空气系统中的异常情况非常重要，以便有效地控制能源消耗和运营成本。DIN EN ISO 11011：2015-08为评估压缩空气系统能效提供了程序和文件的基础。

因此，在现有技术中采用各种方法来检查压缩空气系统的异常情况，特别是泄漏。当压缩空气从封闭系统中逸出时，内部压力会下降。因此，如DIN EN 13184:2001-07中所述，可以向已知体积的封闭的气动系统加压，并在达到热平衡状态之后，测量在一定时间段内的压降。虽然通过相对于预期的压降的变化以高灵敏度确定了泄漏，但未能进行定位。在这种情况下，必须将压缩空气系统关停几个小时，并且只能测试系统中在静态下也处于压力之下的分支。不检测泄漏以外的异常情况。

DE 20 2019 210 600 B4公开了一种诊断设备，该诊断设备监控被设置用于调节压力室的压力的阀装置。压力调节确保达到或保持一压力额定值。根据压力调节的调整信号推断出压力流体的泄漏。通过这种方式，诊断可以说是依赖于压力调节。其中没有描述压力调节如何获得所需的压力调节的调整信号，并且在任何情况下都没有克服基于压力的异常情况检测的缺点。

另一种用于定位压缩空气系统中的泄漏的方法是基于对由于气体逸出而产生的超声波的测量。为此，需要特殊的测量技术来检测这种超声波，并使其能够被人耳听见。与压力变化方法一样，这种超声波测量既复杂又耗时。从经济角度来看，只有在事先知道系统中存在泄漏的情况下，使用超声波技术进行专业的泄漏检测才有意义。超声波也不能检测到泄漏以外的其他异常情况。

同时，还提供了具有集成泄漏探测的流量测量传感器。监控在停机状态的阶段中进行，当所测量的质量流下降到第一阈值以下时，则认为是停机状态，其中，当在停机状态下仍检测到质量流时，则识别为泄漏，这利用第二阈值来检查。正确地设定阈值是非常棘手的，一方面要在泄漏较大的情况下还完全识别出停机状态，另一方面又不能将在正常运行下的低质量流与泄漏混淆。此外，只有在停机状态下用压缩空气加压的构件中探测到泄漏，而在停机状态下将系统的大部分切换为无压力是很常见的，这样就没有考虑到系统的大部分的泄漏探测。

在现有技术中，人工智能的方法也用于评估传感器数据，以便发现压缩空气系统中的异常情况。例如，神经网络根据已知数据学习压缩空气致动器的控制信号与相关联的质量流量之间的关系，以便在训练结束之后预测未来工艺过程的预期流量。如果测量的质量流量与预测的质量流量之间的差异过大，则推断有泄漏。这在相应特定的压缩空气系统中效果很好，但是很难将其推广到任意系统，并且对于单个系统进行单独培训通常太复杂。此外，由于传感器本身通常不具备进行推理或甚至训练神经网络所需的硬件，因此在现场往往缺乏具有足够计算能力和工作存储器的广泛技术基础设施。

例如，在Santolamazza,A.、V.Cesarotti和V.Introna的文章“Evaluation ofmachine learning techniques to enact energy consumption control of compressedair generation in production plants”,23rd Summer School”Francesco Turco”-Industrial Systems Engineering 2018,Vol.2018,AIDI-Italian Association ofIndustrial Operations Professors,2018，以及Desmet、Antoine和Matthew Delore的文章“Leak detection in compressed air systems using unsupervised anomalydetection techniques”，Annual Conference of the PHM Society,Vol.9.No.1.2017中，可以找到使用人工智能方法识别压缩空气系统中的泄漏的方法。

在DE 10 2020 100 347 A1中，通过以下方式识别清洁系统中的流量异常情况：用麦克风记录由液体的引导所引起的噪声并将这些声音信息与清洁系统的图像叠加。如果噪音发生在意想不到的地方，则这归因于泄漏。

因此，本发明的目的在于改进对这种类型的系统中的异常情况的识别。

该目的通过根据权利要求1和15所述的用于识别流体技术的系统中的异常情况的传感器装置和方法来实现。流体技术包括借助流体传递能量的各种方法，特别是气动系统或压缩空气系统，其中可以使用任意气体，并且也包括使用液压液体代替空气的液压系统。异常情况包括泄漏，但也包括被监控系统的其他不期望的状态，例如过滤器堵塞、软管弯折等。

至少一个传感器确定在系统的管路中的瞬时流速的测量值。根据传感器原理，实际的测量值可能与流速不同，但如果没直接测量实际的测量值，则可以将其转换成流速。控制和评估单元根据至少一个这样的测量值确定系统中是否存在异常情况。控制和评估单元可以是传感器的一部分或连接到传感器上，例如作为可编程逻辑控制器、边缘设备、云或其他计算装置，或通过传感器和连接的设备分布式地实现。

本发明基于以下基本思想：收集测量值的时间序列，并且将其与在没有异常情况下处于完好状态下的系统的期望值进行比较。优选地，时间序列形成所有最新测量值的直接历史记录，该历史以各自当前的测量值结束，但也可以设想稀疏的时间序列和/或包含至少过去较长时间的测量值。首先，根据时间序列确定周期持续时间，因为假定系统在操作中是循环进行的，这是由于加工和生产周期在实践中是重复的。

然后，考虑时间序列的周期持续时间的一个区段或多个这样的区段来评估单个周期或多个这样的周期。为此，确定一个或更多个特征参量，该特征参量特别地反映各周期的统计特征。将该至少一个特征参量与各相关的参考特征参量(即，在没有异常情况下处于完好状态下的系统的特征参量的期望值)进行比较。如果在公差范围内不一致，则假定有异常情况。如下面在不同的实施方式中所述，公差优选地针对每个特征参量单独确定，但可替代地也可以指定为绝对偏差或相对偏差。优选地，报告识别出的异常情况，例如作为信号报告给上级的系统控制器、自身的显示器、警告和/或维护请求。

本发明的优点在于，可靠地识别到整个系统的异常情况。即使是仅在短时间内有效的小泄漏也能被检测出来。在使用阈值的常规评估中，该小泄露通常不能被发现，因为全局参量(如质量流平均质量流量或最大质量流量)几乎没有受明显影响。除泄漏外，还检测也会影响系统的能效和功能性但在现有技术中没有被检测的其他异常情况。这些异常情况也可能影响最终产品的质量，因此本发明还有助于质量保证。由于周期性的独立确定，不需要传达关于由系统支持的制造过程的信息，因此不需要将传感器更深入地集成到系统控制器中。由于免除了人工智能的方法，硬件要求也保持得很低。

优选地，控制和评估单元被设计用于，确定流速在周期持续时间内的分布的统计特征参量。统计特征参量的优点在于，由于测量不精确性等引起的小的瞬时偏差仅对统计特征参量产生轻微的影响。特别是通过对流速的分布进行统计评估，实现了更高的鲁棒性，因为统计评估不会因时间序列不同而改变。对测量值在周期内出现频率的分析使测量值与时间脱离关系(abkoppeln)。由此，也不需要测量值的时间戳。如在所有实施方式中那样，参考特征参量应适当地选择，在这里也是完好系统的流速分布的统计特征参量。同样如在所有实施方式中那样，可以评估恰好一个周期或多个周期。

优选地，控制和评估单元被设计用于，形成流速在周期持续时间内的直方图，其中，根据直方图的仓(Bin)中的数量来确定至少一个特征参量。直方图是所测量的流速的分布的离散化，因此特别易于使用。直方图的一个仓中的数量可以用作特征参量，优选地，针对多个或所有仓确定多个这样的特征参量。优选地，参考特征参量再次被类似地确定，即从在没有异常情况下处于完好状态下的系统中所记录的直方图中确定。

优选地，控制和评估单元被设计用于，确定时间序列的测量值相对于参考时间序列的累积差值。该评估也可以在刚好一个周期或多个周期内进行。参考时间序列对应于没有异常情况的完好系统的测量值。在该实施方式中，每个测量值本身就是一个特征参量，而参考时间序列提供相关联的参考特征参量。通过稍后描述的降低时间序列的分辨率，可以减少特征参量的数量。测量值的时间序列与参考时间序列之间的逐点确定的差值也可以理解为测量曲线与参考测量曲线在一个周期或在多个平均周期内的面积差在数学上，该面积差对应于测量曲线与参考测量曲线的差值的积分。

优选地，控制和评估单元被设计用于，检测并评估在系统的操作中的测量值的时间序列。因此，异常情况的识别是即时地(online)或在常规操作中进行的，不需要切断或暂停系统。这是与开篇所述的许多现有技术方法的区别，在这些方法中，只有当系统处于停机状态时才能检测异常情况，甚至为此必须例如针对系统中的压力设置特殊的状态。

优选地，控制和评估单元被设计用于，通过计算时间序列的自相关性、傅里叶变换的或数值上的差值来确定周期持续时间。在时间序列的自相关性或者相关的频谱中，出现与周期性相对应的峰值。这种用于确定时间序列的周期持续时间的方法本身是已知的，但是迄今尚未用于识别流体技术的系统中的异常情况。确定自相关性的优选实施方式是形成相对于自身移位的时间序列的差的累积数值，其中移位的间隔迭代地增加。如果现在绘制关于移位的差值的总和，则获得在一个周期持续时间及多倍的周期持续时间内的极值点。在如开篇所述的传统方法中，周期持续时间并不重要。

优选地，控制和评估单元被设计用于，识别周期持续时间的区段彼此间的时间偏移，并进行校正。虽然系统中的各个工作循环原则上具有周期持续时间，但可能总是出现较小的时间移位。周期之间的这种波动或相移可能会歪曲异常情况的检测，因此对时间偏移进行补偿是有利的。然后，将待评估的区段彼此对齐，使得曲线尽可能相似地叠置。这例如通过计算区段的成对相关性来实现。

优选地，控制和评估单元被设计用于，将测量值的时间序列转换成具有较低时间分辨率的时间序列。经过这种分辨率降低(Downsampling—下采样)，进一步的评估可以事半功倍。在最简单的情况下，仅保留每第i个测量值，优选地随后进行平滑或低通滤波。同样，可以设想具有任意时间比例因子的更复杂的插值法。此外，可以设想只在部分步骤中使用降低的分辨率，而在其他步骤中使用全分辨率。例如，周期持续时间的确定和周期持续时间的区段彼此间的相移的校正可以在全分辨率下进行，但随后在分辨率降低之后确定特征参量。

优选地，控制和评估单元被设计用于学习模式(Einlernmodus)，在该学习模式中，检测并评估测量值的时间序列，由此确定周期持续时间，为周期持续时间的时间序列的至少一个区段确定至少一个特征参量，并且将特征参量存储作为参考特征参量。因此，在学习模式中获得参考特征参量，因而这应该在确保不存在异常情况的阶段中进行。在学习模式中已经存在的异常情况在以后不会被识别，而是被视为是合理的。用于确定参考特征参量的方法原则上对应于如上所述的在实际操作期间确定特征参量的方法。没有必要进行比较，因为在学习过程中，情况将被如实检测。由于采用了学习模式，可以灵活且方便地适配新的系统和过程。

在学习模式中，优选地，相应的特征参量在不同的区段上被多次确定，以便确定作为参考特征参量的统计度量和/或作为相对于所存储的参考特征参量的公差的波动度量。通过这种考虑多个周期的统计学习，除了稳健的期望值之外，还可以学习合适的公差。例如，平均值、重心、中位数或其他分位数适合作为统计度量。统计度量可以是已经获得的中间结果，例如直方图的仓。由此，确定了期望值。波动度量(例如，方差、标准方差、较高的矩(Moment)或其组合或者其倍数)决定了该期望值的相关公差。取消了如在现有技术中某些情况下对固定阈值的设置。

在学习模式中，优选地，形成流速在周期持续时间内的直方图，其中，参考特征参量根据直方图的仓中的数量来确定，和/或相关的公差根据仓中的数量的波动度量来确定。通过直方图确定特征参量和参考特征参量是特别简单的，同时导致非常可靠地识别异常情况。对单个仓、多个仓或所有仓设置期望值，并在操作中对其进行检查。在此，期望值对应于在多个周期的评估中的统计度量，例如平均值、各仓中的数量，而公差由波动度量给出，例如在不同的周期内在仓中确定的数量的标准方差的倍数。

优选地，控制和评估单元被设计用于，在周期持续时间改变时暂时切换到学习模式。在该实施方式中，当所观察到的过程发生变化时，传感器装置自动识别新的周期持续时间，从而识别另一加工周期或过程周期。这就不会被理解为异常情况，而是被理解为一种期望的转换，并且重新适当地学习参考参量。利用新的参考参量，传感器装置随后就可以监控改变后的过程的异常情况。然而，新的周期持续时间应该是稳定的，否则最好将其视为异常情况。自动转换可以与警告相结合，并且如果需要，还可以要求确认确实发生了期望的转换。

优选地，控制和评估单元被设计用于，在具有至少一个参考参量的多个集合之间切换。因此，传感器装置为系统的不同过程做好准备。通过使用具有至少一个参考参量(优选地包括相关的公差)的适当的集合，在各自活动的过程中识别异常情况。

优选地，控制和评估单元被集成到传感器中。于是，传感器装置是传感器，或者说是具有集成的异常情况识别的智能传感器。这样就不需要进一步的技术基础设施来检查系统的异常情况。可替代地，控制和评估单元可以在多个传感器上分布式地实现，或者存在具有自身评估的至少一个智能传感器和仅提供测量值的至少一个另外连接的传感器以及任何混合形式。

根据本发明的方法可以用类似的方式进一步发展并同时显示出类似的优点。这种有利的特征在从属于独立权利要求的从属权利要求中示例性地但不详尽地进行了描述。

附图说明

下面将示例性地基于实施方式并参考附图对本发明的其他特征和优点进行更详细的阐述。在附图中：

图1示出了流体技术的系统的示意图，该系统具有用于监控其异常情况的传感器；

图2示出了用于在没有异常情况下向系统学习期望值的示例性流程图；

图3示出了在没有异常情况下系统流量的测量值的示例性时间序列的示图；

图4示出了根据图3的时间序列的按周期划分的示图；

图5示出了在根据图4的各周期内出现的流量频率的直方图；

图6示出了从对应于图5的各个周期的多个直方图中确定的具有公差范围的每仓数量的期望值；

图7示出了用于检查系统的异常情况的示例性流程图；

图8示出了被监控系统的流量的测量值的示例性时间序列的示图；

图9示出了根据图8的时间序列的按周期划分的示图；

图10示出了在根据图9的各周期内出现的流量频率的直方图；

图11示出了将根据图10的直方图中出现的频率与根据图6的期望值进行比较的结果；

图12示出了在有异常情况和没有异常情况下系统中两个时间序列的比较示图；

图13示出了所测量的流量的多个时间序列的叠加示图，以说明对代表性周期的确定；

图14示出了根据图13确定的具有公差带(Toleranzband)的代表性周期的单独示图；以及

图15示出了通过确定在具有异常情况和没有异常情况的系统中测量值的周期之间的面积差来识别异常情况的另一评估的图示。

图1示出了流体技术的系统10的示意性概览图。在所示出的示例中，该系统被设计为压缩空气系统，但本发明也包括流体技术的其它系统，特别是除了气动系统之外的液压系统。

压缩空气存储器12经由管路14向不同的消耗器供应压缩空气，多个工作气缸16纯示例性示出。在管路14上布置有传感器18，该传感器测量压缩空气的流速。该测量通常用于对系统10的常规监控和控制任务的系统控制(未示出)。根据本发明，传感器18的测量数据用于异常情况监控，其中这可以是安装传感器18的主要目的和次要目的。在实践中，系统还可能分支更多且更复杂，并且为了异常情况的监控，可以将多个传感器布置在管路14的不同位置上。

传感器18可以为流量测量实现任何测量原理，传感器18特别地可以是科里奥利传感器、用于除空气以外具有最小电导率的流体的磁感应式流量传感器、超声波式流量传感器或涡流传感器。也不必直接测量流速，只要可以从测量中导出流速或与其等价的测量参量(如质量流)，例如在压差测量的情况下。优选地，传感器18安装得尽可能靠近消耗器或者工作气缸16，因为这样有效监控的体积保持较小，从而以高灵敏度来检测由于异常情况所引起的变化。

设置有连接到传感器18上(或者与图示不同地集成在传感器中)的控制和评估单元20，在该控制和评估单元20中评估传感器18的测量数据，以便识别系统10是否如预期地工作或者系统里是否存在异常情况。如果识别到异常情况，则传感器18可以显示该异常情况或者将相应的通知传送给系统10的上级控制器(未示出)。异常情况主要是指泄漏，但也可以是其他异常情况，例如过滤器堵塞或管路14弯折。现在参考其他附图阐述用于识别异常情况的方法。

图2示出了在没有异常情况时向系统10学习参考值或期望值的示例性流程图。然后，可以在操作中与该期望值进行比较，如稍后参考图7所述，以便从显著的偏差中推断出异常情况。在学习期间，假定系统10没有异常情况，或者此时已经存在的异常情况无法在以后被发现。

根据本发明的方法基于以下假设：系统10中的过程周期性地运行，因此在一定的周期持续时间之后会重复。该周期性相应地反映在传感器18的测量值中。这一假设在实践中通常得到满足。例如，在制造特定构件时使用压缩空气来操作工件以及更换工具，其中每个另外的构件都重新开始循环。

在步骤S1中，在暂存器中收集传感器18关于各流速的测量值的时间序列。该时间序列形成待学习的无异常情况的输入信号，并且在图3中示出了一个示例。收集测量值的阶段被选择得长到足以使时间序列包括系统10的待监控过程的多个循环或周期。

在步骤S2中，根据时间序列来确定时间序列的周期持续时间。用于确定时间序列的周期持续时间的方法本身是已知的，并且例如基于自相关性或傅立叶变换。为了降低问题的复杂性，可以首先减少时间序列的触发(下采样)。

在步骤S3中，将时间序列划分为周期持续时间的区段或周期。图4从上到下分别示出了根据图3的时间序列的这些周期中的三个周期，对肉眼来说，时间序列总共包括八个周期。关于这些周期的相似性是清晰可辨的，并且已经使人相信，由于异常情况而造成的显著偏差是可以检测出来的。

在步骤S4中，对根据图4的周期中的单个周期进行统计评估。在一优选的实施方式中，为此形成各个流速或质量流的出现频率的直方图，如在图5中示例性地针对根据图4的一个周期所示。为此，可能的流速或质量流被划分成区间或仓，优选地被划分成均匀的仓，并绘制在X轴上，其中在Y轴上对每个仓合适的测量值被测量的次数进行计数。优选地，针对时间序列的至少一些周期或优选地所有周期反复生成这种直方图。直方图是一个特别合适的统计工具，但是也可以设想其它的特征参量，利用该特征参量可以描述根据图4的区段中测量值的走向。

在步骤S5中，根据在不同周期直方图相应的仓中的数量(Counts计数)计算统计度量，特别是各个数量的平均值和标准方差。由此，得出对流速或质量流包括公差在内的分布的期望值。公差范围可以通过围绕平均值向上和向下的间距为多个(例如，三个)标准方差的公差带(Korridor)来确定。图6通过在仓的平均值处的黑色小横线以及灰色突出显示的相关公差范围示出了所得到的参考参量。

图7示出了示例性的流程图，其中通过将在操作中记录的测量值的时间序列与学习的参考参量和相关的公差进行比较可以确定系统10中的异常情况。根据图2和图7的流程是相似的，因为对来自操作的测量值的各个时间序列的处理方式与学习时类似，以便获得可以与参考特征参量进行比较的特征参量。然而，在根据图2的流程中涉及在假设系统10没有异常情况时对参考特征参量的学习，其中对参考特征参量不进行评估，而是将其存储为期望值。当前，在根据图7的流程中，在系统10的状态未知的情况下获得特征参量并且将其与参考特征参量进行比较。

在步骤S6中，在暂存器中收集传感器18关于各流速的测量值的时间序列。该时间序列形成输入信号，并且在图8中示出了一个示例。对于该时间序列，与根据图3的时间序列不同，事先未知在系统10中是否存在异常情况。收集时间序列的测量值的阶段被选择得长到足以包括系统10的待监控的过程的至少一个周期，优选多个周期。

在步骤S7中，根据时间序列来确定时间序列的周期持续时间。对于该过程，请参考根据图2的步骤S2，其中特别地可以使用相同的方法。此外，从学习中已知周期持续时间，因此步骤S7是可选的。另一方面，将周期持续时间与当前的时间序列实际联系起来可能是有意的，以便捕捉波动，或者也作为可信度检验，因为在学习期间和在操作期间确定的周期持续时间之间的较大偏差本身已经表明系统10中存在异常情况或至少违反系统10中稳定周期的过程的假设。如果在步骤S7中反复且稳定地确定了与在步骤S2中的学习期间不同的周期持续时间，则这也可能是因为系统10中的过程已经转换，而没有重新学习参考特征参量。

在步骤S8中，类似于步骤S3，将时间序列划分为周期持续时间的区段或周期。图9从上到下分别示出了根据图8的时间序列的这些周期中的三个周期。用肉眼看，通过与图4的比较，已经可以推测出存在异常情况。

在步骤S9中，类似于步骤S4，对根据图9的单个周期进行统计评估。为此，在一优选的实施方式中，形成各个流速或质量流的出现频率的直方图，如在图10中示例性地针对根据图9的一个周期所示。直方图可以由一个或更多个周期形成。在使用多个周期时，优选地进行归一化，以便可以将从直方图中获得的特征参量(特别是仓中的数量)与参考参量进行比较。当使用多个周期时，用于识别异常情况的方法的反应稍慢，具有所有相关的优点和缺点。直方图是尤其合适的统计工具，但是也可以设想其它的特征参量，利用该特征参量可以描述根据图9的区段中测量值的走向。

在步骤S10中，将在步骤S9中获得的特征参量与参考参量进行比较。在相关的公差范围内的差值仍然可以接受，从较大的变化推断出异常情况。在图11中，示出了来自当前测量值的周期的根据图10的直方图与根据图6的期望值的比较结果。示出的条的高度对应于根据图10测量的特征参量，但这些条由于比较结果不同而具有不同的灰度值。对于灰色的倒数第二个条，比较在公差范围内。另一方面，浅色条显示出向下的差值，黑色条显示出向上的差值，黑色条都超出了公差范围。因此，在该示例中，所考虑的一个或更多个周期内的测量值的平均分布发生了很大的变化，以至于假设存在异常情况；否则，所有条都必须如灰色的倒数第二个条一样表明在公差范围内的位置。在此，还可设想附加的总公差，该公差允许仓或一定比例的仓有显著的偏差，而不表明有异常情况。

图12示出了在没有异常情况的系统10中的根据图4的周期和在待检查的系统10中的根据图9的周期的比较示图。显然，所述对特征参量相比于参考参量的评估在所阐述的示例中得出了正确的结论，因为这里存在可识别的异常情况。

所述对异常情况的识别基于借助直方图的评估。一个周期或更多个周期的时间序列也可以通过其他方式进行评估，例如通过箱形图、柱状图或Q-Q图。作为统计度量，可以使用中位数或其他分位数来代替平均值，同样波动也可以通过分位数或更高的矩来反映，而不是通过标准方差。另一可替代方案是为直方图的每个仓选择具有低通特性和合适时间常数的IIR滤波器，以便近似地估计类中测量值的频率。当出现新的测量值时，执行所有IIR滤波器的新循环。如果测量值不属于其仓，则相应IIR滤波器的输入值为“0”，否则为“1”。

在另一可替代方案中，评估可以基于一个代表性周期。可以通过首先消除所有周期的相移使得各个周期彼此尽可能是全等的，来计算该代表性周期。随后，针对周期内的每个时间点，可以形成相应测量值的平均值以及标准方差。然后，可以基于标准方差为每个时间点指定一个公差。图13示出了原始周期的测量值内的一个代表性周期。图14示出了包括由标准偏差定义的公差带在内的代表性周期的单独图示。各个点构成了参考特征参量，并且在操作中将一个周期与该参考特征参量进行比较，该周期必须在所有地方或在一限定的份额内位于公差带内。在操作期间确定的周期也可以从多个周期形成为代表性周期。

图15再次示出了另一可替代方案，该可替代方案基于确定学习的周期与在操作期间为了识别异常情况而检测的周期之间的面积。优选地，这是代表性周期之间的面积。在计算上，该面积对应于差值大小的积分。所得到的面积应当保持较小，例如作为其中一个周期本身积分的一部分来测量。

参考特征参量的相应学习涉及系统10中特定的循环过程。由于工业制造过程不断变化，例如由于格式改变、产品改变或产品更换，因此传感器18可以通过简单的学习做出反应是很重要的。优选地，向传感器18通知将来要生产哪种产品，从而触发学习。传感器18也可以建立关于不同产品变型的参考特征参量的数据库，并且如果是已知过程就可以简单切换，而无需重新学习。

如果传感器18对制造过程一无所知，则传感器18也可以自行暂时进入学习模式，并且在检测到参考参量之后过渡到识别异常情况，或者逐渐地建立由参考参量构成的集合。判断是否发生另一个过程的特征是本身测定的周期持续时间。因此，在已知周期持续时间的情况下，传感器18可以使用先前测定的参考参量，或者以其他方式自行学习所需的参考参量。

在所述方法的扩展方案中，不仅确定存在异常情况，而且还对异常情况进行区分。为此，相应地，要学习相应更精细区分的参考特征参量。此外，在例如通过电路图、开关信号或功能图了解系统10的结构的情况下，有可能对探测到的异常情况进行定位。

Claims (15)

1.一种用于识别流体技术的系统(10)中的异常情况的传感器装置(18，20)，所述传感器装置具有：至少一个传感器(18)，其用于确定所述系统(10)的管路(14)中的瞬时流速的测量值；以及控制和评估单元(20)，所述控制和评估单元被设计用于，根据至少一个测量值确定是否存在异常情况，

其特征在于，

所述控制和评估单元(20)被设计用于，评估测量值的时间序列，以便首先确定周期持续时间，针对所述周期持续时间的时间序列的至少一个区段，确定至少一个特征参量，将所述特征参量与参考特征参量进行比较，并且如果偏差超过公差则确定异常情况的存在。

2.根据权利要求1所述的传感器装置(18，20)，其中，所述控制和评估单元(20)被设计用于，确定流速在所述周期持续时间内的分布的统计特征参量。

3.根据权利要求1或2所述的传感器装置(18，20)，其中，所述控制和评估单元(20)被设计用于，形成流速在所述周期持续时间内的直方图，其中根据所述直方图的仓中的数量来确定至少一个特征参量。

4.根据前述权利要求中任一项所述的传感器装置(18，20)，其中，所述控制和评估单元(20)被设计用于，确定所述时间序列的测量值相对于参考时间序列的累积差值。

5.根据前述权利要求中任一项所述的传感器装置(18，20)，其中，所述控制和评估单元(20)被设计用于，检测并评估在所述系统(10)的操作中的所述测量值的时间序列。

6.根据前述权利要求中任一项所述的传感器装置(18，20)，其中，所述控制和评估单元(20)被设计用于，通过计算所述时间序列的自相关性、傅立叶变换或数值上的差值来确定所述周期持续时间。

7.根据前述权利要求中任一项所述的传感器装置(18，20)，其中，所述控制和评估单元(20)被设计用于，识别所述周期持续时间的区段彼此间的时间偏移，并进行校正。

8.根据前述权利要求中任一项所述的传感器装置(18，20)，其中，所述控制和评估单元(20)被构造用于，将测量值的所述时间序列转换成具有较低时间分辨率的时间序列。

9.根据前述权利要求中任一项所述的传感器装置(18，20)，其中，所述控制和评估单元(20)被设计用于学习模式，在所述学习模式中，检测并评估测量值的时间序列，由此确定周期持续时间，为所述周期持续时间的时间序列的至少一个区段确定至少一个特征参量，并且将所述特征参量存储为参考特征参量。

10.根据权利要求9所述的传感器装置(18，20)，其中，在所述学习模式中，相应的特征参量在不同的区段上被多次确定，以便确定作为参考特征参量的统计度量和/或作为相对于所存储的参考特征参量的公差的波动度量。

11.根据权利要求9或10所述的传感器装置(18，20)，其中，在所述学习模式中，形成流速在所述周期持续时间内的直方图，其中，所述参考特征参量根据所述直方图的仓中的数量来确定，和/或相关的公差根据仓中数量的波动度量来确定。

12.根据权利要求9至11中任一项所述的传感器装置(18，20)，其中，所述控制和评估单元(20)被设计用于，在所述周期持续时间改变时暂时切换到所述学习模式。

13.根据前述权利要求中任一项所述的传感器装置(18，20)，其中，所述控制和评估单元(20)被设计用于，在具有至少一个参考参量的多个集合之间切换。

14.根据前述权利要求中任一项所述的传感器装置(18、20)，其中，所述控制和评估单元(20)被集成到所述传感器(18)中。

15.一种用于识别流体技术的系统(10)中异常情况的方法，其中，至少一个传感器(18)确定所述系统(10)的管路(14)中的瞬时流速的各测量值，并且根据至少一个测量值确定是否存在异常情况，

其特征在于，

评估测量值的时间序列，以便首先确定周期持续时间，针对所述周期持续时间的时间序列的至少一个区段，确定至少一个特征参量，将所述特征参量与参考特征参量进行比较，并且如果偏差超过公差则确定异常情况的存在。