CN117941241A - 用于监控机器的状态的方法和监控装置 - Google Patents
用于监控机器的状态的方法和监控装置 Download PDFInfo
- Publication number
- CN117941241A CN117941241A CN202280062325.5A CN202280062325A CN117941241A CN 117941241 A CN117941241 A CN 117941241A CN 202280062325 A CN202280062325 A CN 202280062325A CN 117941241 A CN117941241 A CN 117941241A
- Authority
- CN
- China
- Prior art keywords
- performance
- machine
- component
- value
- current
- 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
- 238000012806 monitoring device Methods 0.000 title claims description 28
- 238000000034 method Methods 0.000 title claims description 26
- 238000012544 monitoring process Methods 0.000 title claims description 16
- 238000004088 simulation Methods 0.000 claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 31
- 230000003862 health status Effects 0.000 claims abstract description 21
- 230000036541 health Effects 0.000 claims description 52
- 230000006378 damage Effects 0.000 claims description 11
- 239000013256 coordination polymer Substances 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 claims 2
- 230000000977 initiatory effect Effects 0.000 claims 1
- 239000000758 substrate Substances 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 11
- 230000007613 environmental effect Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000009434 installation Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000007257 malfunction Effects 0.000 description 3
- 101000806846 Homo sapiens DNA-(apurinic or apyrimidinic site) endonuclease Proteins 0.000 description 2
- 101000835083 Homo sapiens Tissue factor pathway inhibitor 2 Proteins 0.000 description 2
- 102100026134 Tissue factor pathway inhibitor 2 Human genes 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 206010016256 fatigue Diseases 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 101000703681 Homo sapiens Single-minded homolog 1 Proteins 0.000 description 1
- 101100464779 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) CNA1 gene Proteins 0.000 description 1
- 102100031980 Single-minded homolog 1 Human genes 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/14—Estimation or adaptation of motor parameters, e.g. rotor time constant, flux, speed, current or voltage
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
为了监控机器(M)的状态,持续地记录机器(M)的当前操作数据(BD),依据这些操作数据,通过并发仿真模块(SIM)来持续地模拟机器组件(C1、C2)的当前操作行为。此外,从所模拟的操作行为中持续地导出量化该机器组件(C1、C2)的当前性能的性能值(PV),并且随着时间的推移存储这些性能值。此外,依据先前导出的多个性能值,定期确定性能正常值(PN)。此外,监控这些操作数据(BD)和/或这些性能值(PV),以确定是否出现预先给定的第一变化模式(CP)。接着,作为检测到第一变化模式(CP)的结果,发起用当前的性能正常值(PN)更新性能参考值(PR)。此外,将相应当前的性能值(PV)与相应当前的性能参考值(PR)持续地进行比较。接着,根据比较结果,显示该机器组件(C1、C2)的当前健康状态(HS)。
Description
背景技术
在操作复杂机器时,越来越多地追求通过面向机器的实际健康状态的动态维护来取代迄今为止常见的反应性或预防性维护。在预防性维护中,机器会被定期关闭、检查和维修。然而,在此,仍然完好无损的、其剩余使用寿命尚未耗尽的部件经常被更换。在反应性维护中,在发生故障时,机器会被关闭、修理以及必要时维修。然而,意外故障和由此造成的停机时间可能导致问题,尤其是当该故障发生在关键操作阶段时。
相比之下,现代监控装置,即所谓的“状态监控(Condition Monitoring)”系统,允许以状态为导向的维护策略,在这些维护策略的情况下,可以更好地利用关键机器组件的使用寿命,并且可以使维护措施与机器的操作要求更灵活地协调。尤其是,此类监控装置可以测量机器组件或部件的负载和/或对负载周期进行计数。接着,依据已知的损伤累积模型,可以对机器组件或部件的剩余使用寿命进行统计估计,从中又可以得出经优化的维修周期。
在此,一个基本问题在于:测量或确定对于机器的负载或健康状态有意义的指标。然而,特别是对于复杂机器,关键机器组件在许多情况下都难以进行测量。在这方面,将传感器安装在常常高负载的电机转子上并且将传感器信号从那里传输到监控装置通常在技术上非常复杂。
已知的是:为了监控机器的状态,评估来自安装在待监控机器的更容易接近的位置处的传感器的测量值。接着,依据这些测量值,在许多情况下可以借助于物理仿真模型来推断不易接近的机器组件的负载。
此外,存在的问题是:所测量的负载常常以非常不同的方式影响机器的健康状态。尤其是,这些影响可能会根据机器的安装位置、配置、改建、执行的维修和/或环境条件而有很大差异。
发明内容
本发明的任务是说明一种用于监控机器的状态的方法和监控装置,通过该方法和该监控装置,可以更好地确定机器的健康状态。
该任务通过一种具有专利权利要求1的特征的方法、通过一种具有专利权利要求13的特征的监控装置、通过一种具有专利权利要求14的特征的计算机程序产品以及通过一种具有权利要求15的特征的计算机可读存储介质来解决。。
为了监控机器、尤其是电机、机器人、机床、制造设备、涡轮机、3D打印机、内燃机和/或机动车辆的状态,持续地记录机器的当前操作数据。基于这些操作数据,通过并发仿真模块来持续地模拟机器组件的当前操作行为。此外,从所模拟的操作行为中持续地导出量化该机器组件的当前性能的性能值,并且随着时间的推移存储这些性能值。此外,依据先前导出的多个性能值,定期确定性能正常值。此外,监控这些操作数据和/或这些性能值,以确定是否出现预先给定的第一变化模式。接着,作为检测到第一变化模式的结果,发起用当前的性能正常值更新性能参考值。此外,将相应当前的性能值与相应当前的性能参考值持续地进行比较。接着,根据比较结果,显示该机器组件的当前健康状态。
为了执行根据本发明的方法,提供监控装置、计算机程序产品以及计算机可读的、优选地非易失性的存储介质。
根据本发明的方法以及根据本发明的监控装置例如可以借助于一个或多个计算机、处理器、专用集成电路(ASIC)、数字信号处理器(DSP)和/或所谓的“现场可编程门阵列”(FieldProgrammable Gate Arrays,FPGA)来实施或实现。
尤其能看到本发明的一个优点是:性能参考值可以动态且自动地适应机器的操作条件的变化。以这种方式,在评估该健康状态时,可以考虑由于操作所引起的性能变化,例如由于各个部件的维修、改变的配置或改变的环境条件所引起的性能变化,这些性能变化通常不会显著影响该健康状态。
本发明的有利的实施方式和扩展方案在从属权利要求中说明。
根据本发明的一个有利的实施方式,通过第一变化模式,可以指定性能值和/或操作数据的波动幅度、时间梯度和/或时间方差的阈值。替代地或附加地,通过第一变化模式,可以指定性能值与当前性能参考值的距离和/或性能值和/或操作数据的波动幅度低于阈值的时长。借助于这种第一变化模式,可以有针对性地检测其中性能仅存在少许变化并且因此适合作为参考操作阶段的操作阶段。因此,当检测到这种参考操作阶段时,可以发起性能参考值的更新。
根据本发明的另一有利的实施方式,可以持续地记录机器的当前环境数据。接着,可以根据当前环境数据来进行当前性能值与当前性能参考值之间的比较。尤其是,可以记录环境温度、空气湿度、安装位置、一天中的时间、星期几、日历日期和/或季节,作为环境数据。以这种方式,在评估该健康状态时,可以考虑环境对性能的影响。
此外,可以监控环境数据,以确定是否出现预先给定的第二变化模式。接着,作为检测到第二变化模式的结果,可以发起用当前的性能正常值更新性能参考值。通过这种第二变化模式,尤其可以指定环境数据的随着时间的推移的阈值、波动幅度、梯度、方差和/或时长。借助于这种第二变化模式,可以有针对性地检测其中机器的一个或多个环境条件仅存在少许变化并且因此适合作为参考操作阶段的操作阶段。因此,当检测到这种参考操作阶段时,可以发起性能参考值的更新。
类似于此,可以监控机器,以确定机器组件和/或机器的部件是否被更换或改变。接着,作为检测到这种更换和/或这种改变的结果,可以发起用当前的性能正常值更新性能参考值,可能有预先给定的或计算的时间延迟。以这种方式,在评估该健康状态时,可以考虑机器的改变。
根据本发明的另一有利的实施方式,为了确定性能正常值,可以检测其中性能值的波动幅度低于平均值和/或低于预先给定的阈值的操作阶段。附加地或替代地,为了确定性能正常值,可以确定性能值的移动平均值。尤其是,当检测到性能值的波动微小的操作阶段时,可以将性能正常值设置为性能值的当前移动平均值。如上文已经提及的,这种操作阶段通常适合作为参考操作阶段。
根据本发明的一个有利的扩展方案,通过并发预测模块,可以依据所模拟的操作行为来持续地预测机器组件的未来健康状态。尤其是,可以预测损坏的可能发生的时间点、机器组件的可能的剩余使用寿命和/或疲劳现象的随时间的发展。
通过预测模块,可以依据所模拟的操作行为来持续地确定机器组件的负载。接着,根据该负载,可以借助于动态的负载模型、磨损模型、退化模型或使用寿命模型来预测该未来健康状态。对于此类预测,有多个已知的动态模型以及高效的数值方法可用于评估这些预测。尤其是,可以使用历史健康状态的外推和一个或多个物理退化模型的组合。后者将如应力、振动或高温等负载动态地转用于结构力学和/或其材料特性。此外,在预测时还可以考虑凭经验的剩余使用寿命曲线。
有利地,可以借助于动态的负载模型、磨损模型或使用寿命模型来确定预测不确定性、置信区间和/或损坏概率。在这种情况下,预测不确定性可以由一个或多个所使用的预测模型的不准确、在记录操作数据时的不准确以及边界条件的不确定性组成。以这种方式,通常可以明显更好地评估所预测的健康状态的意义。
根据本发明的另一有利的实施方式,在性能值与性能参考值之间的比较的框架内,可以确定性能值与性能参考值之间的距离、该距离的时间梯度和/或该距离的时间方差。接着,根据该距离、该梯度和/或该方差,可以显示当前健康状态。这样,尤其是在该距离的方差比较高的阶段,在评估该健康状态时可以对当前距离和/或该距离的当前梯度给予更小的权重。以这种方式,通常可以避免:该距离的短期波动由于伪影而损害该健康状态的显示。
根据本发明的另一有利的实施方式,可以监控多个机器组件,其中,针对这些机器组件中的每个机器组件,
–仿真模块可以具有特定于组件的仿真模型,用于模拟相应机器组件,
–预测模块可以具有特定于组件的预测模型,用于预测相应机器组件的未来健康状态,
–可以导出特定于组件的性能值,
–可以通过特定于组件的计算方法来确定特定于组件的性能正常值,
–可以使用特定于组件的性能参考值,
–可以预先给定特定于组件的变化模式,
–可以执行特定于组件的比较,和/或
–可以显示特定于组件的健康状态。
在此,尤其可以实现特定于组件的处理流水线,这些处理流水线分别具有特定于组件的仿真模型、特定于组件的性能值确定、特定于组件的参考值确定、特定于组件的性能值比较和/或特定于组件的预测模型。此类处理流水线可以并行执行,并且可以特别容易地被扩展用于附加机器组件的新的处理流水线。
根据本发明的另一有利的实施方式,通过将特定于组件的健康状态关联,可以导出并且显示机器的整体健康状态。优选地,该关联可以通过逻辑运算符来实现。
附图说明
随后,依据附图来更详尽地阐述本发明的实施例,在此,分别以示意图:
图1示出了通过根据本发明的监控装置对机器的监控;
图2示出了性能值的预测曲线;以及
图3示出了根据本发明的监控装置的多条特定于组件的处理流水线。
只要在附图中使用相同或对应的附图标记,这些附图标记就表示相同或对应的实体,这些实体尤其可以如结合相关附图所描述的那样来实现或设计。
具体实施方式
图1阐明了通过耦合到机器M的根据本发明的监控装置MON对机器M的监控。机器M尤其可以是机器人、机床、制造设备、涡轮机、3D打印机、内燃机和/或机动车辆,或者可以包括这种机器。机器M具有多个机器组件C1,C2,…,这些机器组件应特定于组件地被监控。为了清楚起见,在附图中仅明确示出了两个机器组件C1和C2。如果机器M是电动机,则相应的机器组件C1或C2例如可以是转子、轴承、冷却装置、定子、绕组或者绝缘体。
在图1中,监控装置MON被示出在机器M的外部。替代于此,监控装置MON也可以完全或部分地集成到机器M中。
监控装置MON具有:用于执行本发明的方法步骤的一个或多个处理器PROC;以及用于存储所要处理的数据的一个或多个存储器MEM。此类监控装置MON通常也称为“状态监控”系统。
机器M具有传感装置S,用于持续地测量和/或记录机器M的操作数据BD以及来自机器M的环境中的环境数据UD。除了通过传感装置S之外,可以以其他方式来记录操作数据BD和/或环境数据UD。
尤其可以记录当前的操作信号、传感器数据和/或测量值,作为操作数据BD,这些操作信号、传感器数据和/或测量值对一个或多个机器组件的随着时间的推移的功率、转速、扭矩、移动速度、施加的力、污染物排放和/或温度进行量化。类似于此,环境数据UD例如可以指示在机器M的环境中的随着时间的推移的环境温度或空气湿度。此外,通过环境数据UD,可以指定机器M的安装位置和/或安装方式、一天中的时间、日历日期和/或季节。操作数据BD和环境数据UD被持续记录并且被传送至监控装置MON,或者由该监控装置记录。
根据本发明,监控装置MON具有并发仿真模块SIM,用于与机器M的正在进行的操作并行地实时模拟机器M和/或其组件(这里是C1和C2)的当前操作行为。尤其是,仿真模块SIM持续地模拟机器组件C1和C2的负载。为了该模拟的目的,操作数据BD以及环境数据UD被持续地馈送到仿真模块SIM中。
在当前实施例中,仿真模块SIM具有多个特定于组件的仿真模型(未示出),用于机器组件C1或C2的分别特定于组件的模拟。在此,相应的特定于组件的仿真模型可以优选地包括多个特定于域的子模型,例如机械子模型、电气子模型和/或热子模型。多个高效的特定于域的仿真模型可用于此类机械、电气或热模拟。此类仿真模块的典型的实现方案完全可能包括30或40个子模型。
仿真模块SIM或其仿真模型通过来自耦合到监控装置MON的数据库DB中的机器M的结构数据SD来初始化。通过结构数据SD,尤其指定机器M的机器元件以及尤其是机器组件C1和C2的几何形状、物理特性以及其他操作参数。依据这些结构数据SD,可以通过已知的模拟方法借助于操作数据BD和环境数据UD来执行模拟。为此目的,可以使用详细的物理仿真模型(诸如所谓的有限元模型)或者高效的数据驱动的替代模型。尤其可以使用神经网络或其他机器学习模型,作为替代模型,该神经网络或其他机器学习模型事先已经借助于准确的物理仿真模型被训练,以尽可能精确地再现其模拟结果。与详细的物理仿真模型相比,此类替代模型的评估通常需要少得多的计算资源。
从机器组件C1和C2的分别被模拟的当前操作行为中,分别持续地导出性能值PV,该性能值对相关机器组件C1或C2的相应当前性能进行量化。在这种情况下,相应机器组件C1或C2的性能尤其可以涉及机器M和/或其组件(这里是C1和C2)的转速、功率、资源需求、产量、效率、精度、污染物排放、稳定性、振动、磨损、负载和/或其他目标参数。尤其是,确定机器组件C1和C2的负载的指标,诸如应力、振动、高力、高温或高压,作为性能值PV。因此,通过模拟,在某种程度上实现了针对机器组件C1和C2的性能的虚拟传感器。
特定于组件的性能值PV作为时间序列来被存储。
仿真模块SIM将性能值PV传送到监控装置MON的参考值模块REF。参考值模块REF用于动态地确定和调整这些性能值PV的特定于组件的参考值PR。为了确定相应的特定于组件的参考值PR,依据所传送的性能值PV,定期导出特定于组件的性能正常值PN。性能正常值PN旨在用作在机器M的正常状态或目标状态下的相应性能的比较标准。为此目的,优选地在具有微小时间波动的操作阶段,求这些性能值PV的移动平均值,例如在数小时、数天或数周期间的移动平均值,或者其他平均值,并且将其作为性能正常值PN存储。
依据定期导出的性能正常值PN,动态更新相应机器组件C1或C2的性能参考值PR。
在机器M的操作开始时或者在其他初始化时间点,性能参考值PR通过例如从数据库DB中调用的初始的特定于组件的性能值PRI来初始化。由于操作条件可能根据安装位置、安装方式、环境影响、维修工作或重新配置而发生变化,所以根据本发明,在出现预先给定的变化模式时和/或在识别出机器元件的更换或改变时,动态地更新性能参考值。
为了检测变化模式以及为了检测机器元件的更换或改变,参考值模块REF具有检测器DT。检测器DT尤其是监控性能值PV并且必要时监控操作数据BD,以确定是否出现预先给定的第一变化模式。此外,检测器DT监控环境数据UD,以确定是否出现预先给定的第二变化模式。为此目的,环境数据UD以及必要时操作数据BD被传送到参考值模块REF并且被馈送到检测器DT中。第一和第二变化模式在图1中通过附图标记CP来合并。两个变化模式CP分别以特定于组件的方式、即特定于C1和C2中的每个组件地被预先给定。
第一变化模式尤其是指定操作数据BD和/或性能值PV的那些应该触发性能参考值PR的更新的变化。为此目的,第一变化模式例如可以指定操作数据BD和/或性能值PV的波动幅度、时间梯度和/或时间方差的阈值。以这种方式,如果性能值PV和/或操作数据BD的波动幅度、梯度和/或方差在预先给定的时间段内保持相对小并且这样表明适合作为参考的正常操作阶段,则可以触发性能参考值PR的更新。与此相对应地,也可以通过第一变化模式来指定波动幅度小的时长。替代地或附加地,通过第一变化模式,可以预先给定性能值PV与性能参考值PR之间的距离,该距离在被超过或低于时触发更新。
通过第二变化模式,优选地以特定于组件的方式来规定:环境数据UD的哪些变化应该触发性能参考值PR的更新。为此目的,类似于第一变化模式,第二变化模式可以指定环境数据UD的波动幅度、时间梯度和/或时间方差的阈值,以便这样来定义适合作为参考的正常操作阶段。
一旦检测器DT依据操作数据BD、环境数据UD以及性能值PV检测到变化模式CP的出现或者机器元件的改变或更换,检测器DT就形成特定于组件的触发信号TS。对于相应机器组件C1或C2,通过特定于组件的触发信号TS,触发将相应机器组件C1或C2的性能参考值PR更新为相应机器组件C1或C2的性能正常值PN。尤其是当所有正常状态指标都相符时,可以形成触发信号TS。此外,还可以在预先给定的时间点发起更新,例如在晚上或在周末。
特定于组件的性能参考值PR用作用于评估相应机器组件C1或C2的当前健康状态的当前参考。为此目的,将当前性能值PV以特定于组件的方式与当前性能参考值PR持续地进行比较。在此,形成当前性能值PV与性能参考值PR之间的当前的特定于组件的距离D。例如,可以确定差PV-PR的绝对值或平方或者相对距离D=|PV-PR|/PR,作为距离D。
所确定的距离D作为比较结果被馈送到监控装置MON的评估模块EV中。评估模块EV依据特定于组件的距离D、优选地还依据其时间曲线来以特定于组件的方式评估相应机器组件C1或C2的当前健康状态。为此目的,可以优选地比较在不同时间点、尤其是连续时间点的距离D。这样,可以形成连续距离的时间梯度,以便例如检测距离D的增加并且将其评估为健康状态的恶化。此外,还可以确定距离D的时间方差,以便借此将距离D的正常波动与表明健康状态的恶化的异常波动区分开。此外,评估装置EV可以将距离D与定义临界健康状态的预先给定的或计算的阈值进行比较。此外,评估模块EV还可以将性能值PV直接与预先给定的性能阈值进行比较,超过或低于该阈值应被评估为损坏;例如,当机器组件的功率低于强制规定的最小功率时。
根据距离D,评估模块EV为每个组件C1和C2确定当前的特定于组件的健康指示HS,该健康指示指定相关组件C1或C2的健康状态。在当前实施例中,评估装置EV以特定于组件的方式来检查相应距离D和/或其时间梯度必要时在考虑时间方差的情况下是否超过特定于组件的第一阈值以及特定于组件的第二阈值。在这种情况下,第一阈值以特定于组件的方式定义与目标行为的被视为非关键的最大偏差。相反,第二阈值以特定于组件的方式定义与目标行为的偏差,在超过该偏差时,需要立即或迅速的用户动作。当前健康指示HS尤其指示是否超过第一阈值和第二阈值。此外,当前健康指示HS还可以指定与目标行为的当前距离D、特定损坏、失灵和/或出现损坏、故障或失灵的概率。
根据各个组件C1和C2的当前健康指示HS,评估模块EV优选地还导出当前整体健康指示HSM,该当前整体健康指示指定机器M的当前整体健康状态。为此目的,各个当前健康指示HS例如可以通过逻辑运算符来关联,以形成当前整体健康指示HSM。这样,一旦为机器组件C1或C2之一确定了临界健康状态,就可以指示机器M的临界健康状态。
组件C1和C2的当前健康指示HS以及当前整体健康指示HSM由评估模块EV传送至监控装置MON的输出单元OUT。输出单元OUT可以包括显示器、报警装置、在线通知系统或者其他形式的信令或消息发布。通过输出单元OUT,可以输出监控信号、报警信号、操作建议、报错信号、诊断信号和/或维修信号。
在当前实施例中,输出单元OUT分别包括指示灯显示器,用于显示特定于组件的健康指示HS以及整体健康指示HSM。这些指示灯显示器分别包括绿色显示器G、黄色显示器Y以及红色显示器R。如果相关距离D低于第一阈值,则相应操控绿色显示器G。在这种情况下,相关组件的健康状态并不临界。相对应地,如果相关距离D高于第二阈值,则相应操控红色显示器R,这表明相关组件的临界健康状态并且需要立即或迅速的用户动作。相对应地,如果相关距离D位于第一和第二阈值之间,则相应操控黄色显示器Y。以这种方式,可以建议对相对应的机器组件的观察。
当前整体健康指示HSM的显示可以通过为此所提供的指示灯显示器以类似的方式来实现。
监控装置MON还具有并发预测模块PM,该并发预测模块具有多个特定于组件的预测模型。性能值PV以及性能参考值PR被馈送到预测模块PM中。优选地,当前健康指示HS以及必要时相应当前的整体健康指示HSM也由评估模块EV传送到预测模块PM。预测模块PM用于:依据在机器M的正在进行的操作中的通过仿真模块SIM所模拟的操作行为来持续地预测相应机器组件C1或C2的未来健康状态。这些预测模型尤其可以包括动态负载模型、动态磨损模型、动态退化模型或者动态使用寿命模型。有多种方法可用于此类预测模型的应用和数值评估。
预测模块PM依据性能值PV来持续地确定机器组件C1和C2的负载。接着,根据相应的负载,预测模块PM借助于其预测模型来预测机器组件C1和C2的性能的未来发展或者机器组件C1和C2的疲劳现象的随时间的发展。借此,尤其可以预测机器组件C1和C2的剩余使用寿命和/或直到发生损坏为止的时长。如果可能的话,也可以不预测性能参考值PR的随时间的发展。
为了确定未来健康状态,可以将预测性能值PV与当前或预测性能参考值PR进行比较,并且可以分别确定预测性能值PV与当前或预测性能参考值PR之间的距离。接着,可以从该距离中如上所述地导出相应机器组件C1和C2的未来健康状态。
借此,预测模块PM为相应机器组件C1或C2生成关于该机器组件的未来健康状态的指示HP。此外,通过预测模块PM,生成关于机器M的未来整体健康状态的指示HPM,并且将其与特定于组件的指示HP一起传送到输出单元OUT。在那里,可以通过指示灯显示器以类似于当前指示HS和HSM的方式来显示所预测的指示HP和HPM。在此,如上面结合当前健康指示HS和HSM所描述的那样,可以通过特定于组件的指示HP的关联来确定指示HPM。
优选地,可以针对一个或多个未来的时间间隔来确定指示HP和HPM。
除了关于未来健康状态的预测之外,预测模块PM优选地也还确定预测不确定性、置信区间和/或损坏概率。在确定上述参量时,尤其可以考虑物理边界条件的不确定性或者测量不准确以及仿真模型的固有不准确。
图2阐明了通过预测模块PM所预测的性能值PV的曲线。在此,预测曲线相对于时间T绘制。在这种情况下,时间点T=0表示相应当前的时间,而未来时间点绘制在其右侧。
性能值PV的预测曲线由实线阐明,而时间预测的不确定性由虚线表示。此外,录入了性能阈值TH,性能值PV低于该性能阈值应被评估为损坏。性能值PV的预测曲线在时间点TS低于性能阈值TH,借此,该时间点可以被确定为发生损坏的可能时间点。依据预测不确定性的曲线,还可以确定置信区间或信任区间CI,在该置信区间或信任区间内,损坏以极高的概率或以预先给定的概率发生。在这种情况下,可以根据虚线曲线与性能阈值TH的交点来确定置信区间CI。
相应的特定于组件的置信区间CI可以优选地与关于相应组件的未来健康状态的指示HP一起被显示。
图3示出了根据本发明的监控装置的多个特定于组件的处理流水线P1和P2。处理流水线P1用于监控机器组件C1的健康状态,而处理流水线P2用于监控机器组件C2的健康状态。必要时,特定于组件的操作数据BD和环境数据UD被馈送到这两条处理流水线P1和P2中。
处理流水线P1包括用于并发地模拟机器组件C1的当前操作行为的仿真模块SIM1。此外,提供特定于机器组件C1的参考值确定REF1。此外,处理流水线P1执行特定于机器组件C1的性能值与特定于该组件C1的性能参考值的比较CMP1,该比较特定于该组件C1。参考值确定REF1以及尤其是相关性能参考值的更新如上所述地以特定于组件的方式被执行。根据特定于组件的比较结果,确定特定于机器组件C1的当前健康状态HS1。此外,通过特定于机器组件C1的预测模型P1,预测特定于该组件C1的未来健康状态HP1。
特定于机器组件C2的处理流水线P2以类似的方式工作。
处理流水线P1和P2在机器M的正在进行的操作中并行且实时地被执行。由于处理流水线(这里是P1和P2)的分离,对于各个组件(这里是C1和C2),监控装置MON可以以特别简单的方式以对其他机器组件的监控来被扩展。
Claims (15)
1.一种用于监控机器(M)的状态的计算机实现的方法,其中
a)持续地记录所述机器(M)的当前操作数据(BD);
b)依据所述操作数据(BD),通过并发仿真模块(SIM)来持续地模拟机器组件(C1、C2)的当前操作行为;
c)从所模拟的操作行为中持续地导出量化所述机器组件(C1、C2)的当前性能的性能值(PV),并且随着时间的推移存储所述性能值;
d)依据先前导出的多个性能值,定期确定性能正常值(PN);
e)监控所述操作数据(BD)和/或所述性能值(PV),以确定是否出现预先给定的第一变化模式(CP);
f)作为检测到所述第一变化模式(CP)的结果,发起用当前的性能正常值(PN)更新性能参考值(PR);
g)将相应当前的性能值(PV)与相应当前的性能参考值(PR)持续地进行比较;以及
h)根据比较结果,显示所述机器组件(C1、C2)的当前健康状态(HS)。
2.根据权利要求1所述的方法,其特征在于,
通过所述第一变化模式(CP),
–指定所述性能值(PV)和/或所述操作数据(BD)的波动幅度、时间梯度和/或时间方差的阈值,
–指定性能值(PV)与当前性能参考值(PR)的距离,和/或
–指定所述性能值(PV)和/或所述操作数据(ED)的波动幅度低于阈值的时长。
3.根据前述权利要求中任一项所述的方法,其特征在于,
持续地记录所述机器(M)的当前环境数据(UD),而且
根据所述当前环境数据(UD)来进行当前性能值(PV)与当前性能参考值(PR)之间的比较。
4.根据前述权利要求中任一项所述的方法,其特征在于,
持续地记录所述机器(M)的当前环境数据(UD),
监控所述环境数据(UD),以确定是否出现预先给定的第二变化模式,而且
作为检测到所述第二变化模式的结果,发起用当前的性能正常值(PN)更新所述性能参考值(PR)。
5.根据前述权利要求中任一项所述的方法,其特征在于,
监控所述机器(M),以确定机器组件(C1、C2)和/或所述机器(M)的部件是否被更换或改变,而且
作为检测到这种交换和/或这种改变的结果,发起用当前的性能正常值(PN)更新所述性能参考值(PR)。
6.根据前述权利要求中任一项所述的方法,其特征在于,
为了确定所述性能正常值(PN),
–检测其中所述性能值(PV)的波动幅度低于平均值和/或低于预先给定的阈值的操作阶段,和/或
–确定所述性能值(PV)的移动平均值。
7.根据前述权利要求中任一项所述的方法,其特征在于,
通过并发预测模块(PM),依据所模拟的操作行为来持续地预测所述机器组件(C1、C2)的未来健康状态(HP)。
8.根据权利要求7所述的方法,其特征在于,
通过所述预测模块,
–依据所模拟的操作行为来持续地确定所述机器组件(C1、C2)的负载,而且
–根据所述负载,借助于动态的负载模型、磨损模型、退化模型或使用寿命模型来预测所述未来健康状态(HS)。
9.根据权利要求8所述的方法,其特征在于,
借助于所述动态的负载模型、磨损模型或使用寿命模型,确定预测不确定性、置信区间(CI)和/或损坏概率。
10.根据前述权利要求中任一项所述的方法,其特征在于,
在性能值(PV)与所述性能参考值(PR)之间的比较的框架内,确定所述性能值(PV)与所述性能参考值(PR)之间的距离(D)、所述距离(D)的时间梯度和/或所述距离(D)的时间方差,而且
根据所述距离(D)、所述梯度和/或所述方差,显示所述当前健康状态(HS)。
11.根据前述权利要求中任一项所述的方法,其特征在于,
监控多个机器组件(C1、C2),其中,针对所述机器组件(C1、C2)中的每个机器组件,
–所述仿真模块(SIM)具有特定于组件的仿真模型(SIM1、SIM2),用于模拟相应机器组件(C1、C2),
–导出特定于组件的性能值,
–通过特定于组件的计算方法来确定特定于组件的性能正常值,
–使用特定于组件的性能参考值,
–预先给定特定于组件的变化模式,
–执行特定于组件的比较,和/或
–显示特定于组件的健康状态(HS1、HS2)。
12.根据权利要求11所述的方法,其特征在于,
通过将特定于组件的健康状态(HS1、HS2)关联,导出并且显示所述机器(M)的整体健康状态(HSM)。
13.一种用于监控机器(M)的状态的监控装置(MON),所述监控装置被设立用于执行根据前述权利要求中任一项所述的方法。
14.一种计算机程序产品,所述计算机程序产品被设立用于执行根据权利要求1至12中任一项所述的方法。
15.一种计算机可读存储介质,所述计算机可读存储介质具有根据权利要求14所述的计算机程序产品。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21185596.0 | 2021-07-14 | ||
EP21185596.0A EP4120556A1 (de) | 2021-07-14 | 2021-07-14 | Verfahren und überwachungseinrichtung zur zustandsüberwachung einer maschine |
PCT/EP2022/067128 WO2023285095A1 (de) | 2021-07-14 | 2022-06-23 | Verfahren und überwachungseinrichtung zur zustandsüberwachung einer maschine |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117941241A true CN117941241A (zh) | 2024-04-26 |
Family
ID=76942775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280062325.5A Pending CN117941241A (zh) | 2021-07-14 | 2022-06-23 | 用于监控机器的状态的方法和监控装置 |
Country Status (3)
Country | Link |
---|---|
EP (2) | EP4120556A1 (zh) |
CN (1) | CN117941241A (zh) |
WO (1) | WO2023285095A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10311172B2 (en) * | 2013-03-13 | 2019-06-04 | Nec Corporation | System analysis device and system analysis method |
IT201800006828A1 (it) * | 2018-06-29 | 2019-12-29 | Metodi e apparecchi per determinare lo stato di salute di attuatori elettrici sulla base di dati di andamento di coppia | |
EP3764183A1 (en) * | 2019-07-12 | 2021-01-13 | Siemens Aktiengesellschaft | Managing health condition of a rotating system |
-
2021
- 2021-07-14 EP EP21185596.0A patent/EP4120556A1/de not_active Withdrawn
-
2022
- 2022-06-23 WO PCT/EP2022/067128 patent/WO2023285095A1/de active Application Filing
- 2022-06-23 EP EP22738570.5A patent/EP4348825A1/de active Pending
- 2022-06-23 CN CN202280062325.5A patent/CN117941241A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023285095A1 (de) | 2023-01-19 |
EP4120556A1 (de) | 2023-01-18 |
EP4348825A1 (de) | 2024-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10527520B2 (en) | Operating wind motors and determining their remaining useful life | |
CN107272586B (zh) | 机械学习装置、机械学习方法、故障预知装置及系统 | |
US11048245B2 (en) | Indicator detection system and indicator detection method | |
US6829515B2 (en) | Method and device for determining changes in technical systems such as electric motors caused by ageing | |
CN101963937B (zh) | 飞控计算机系统剩余寿命预测方法 | |
WO2018044507A1 (en) | Machine learning-aided model-based method for estimating gas turbine component life | |
US7283929B2 (en) | Plant apparatus operation support device | |
US20090096405A1 (en) | Method and system for remotely predicting the remaining life of an ac motor system | |
Mathew et al. | Failure mechanisms based prognostics | |
RU2667691C1 (ru) | Способ диагностирования неисправности и система диагностирования неисправности | |
US11520324B2 (en) | Apparatus for prediction of the residual lifetime of an electrical system | |
US6904388B2 (en) | Method for preventing or minimizing operational failures in a technical installation | |
US7987080B2 (en) | Method for operating an industrial scale installation and guidance system for same | |
WO2019135747A1 (en) | Probabilistic life evaluation algorithm for gas turbine engine components | |
CN117941241A (zh) | 用于监控机器的状态的方法和监控装置 | |
Abid et al. | Adaptive data-driven approach for the remaining useful life estimation when few historical degradation sequences are available | |
JP2008267351A (ja) | 発電装置の監視方法及びシステム | |
KR102533572B1 (ko) | 수분 혼입 검출 장치, 수분 혼입 검출 프로그램, 수분 혼입 검출 방법, 및 수분 혼입 검출 시스템 | |
CN117458399B (zh) | 基于多源数据监测的矿用防爆电机保护方法和系统 | |
Rogers et al. | Digital twinning for condition monitoring of marine propulsion assets | |
KR20200103341A (ko) | 기계 설비의 유지 보수 평가 방법 | |
Verma et al. | Optimal time scheduling for carrying out minor maintenance on a steam turbine | |
CN110766246B (zh) | 一种检测方法及装置 | |
JP7110047B2 (ja) | プラント監視システム | |
Vidyasagar | Optimization of aero engine utilization through improved estimation of remaining useful life (RUL) of on condition (OC) parts |
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 |