DE10161633A1 - Verfahren und Vorrichtung zum Bereitstellen einer virtuellen Altersschätzung für die Vorhersage der verbleibenden Lebensdauer eines Systems unter Verwendung eines neuronalen Netzes - Google Patents

Verfahren und Vorrichtung zum Bereitstellen einer virtuellen Altersschätzung für die Vorhersage der verbleibenden Lebensdauer eines Systems unter Verwendung eines neuronalen Netzes

Info

Publication number
DE10161633A1
DE10161633A1 DE2001161633 DE10161633A DE10161633A1 DE 10161633 A1 DE10161633 A1 DE 10161633A1 DE 2001161633 DE2001161633 DE 2001161633 DE 10161633 A DE10161633 A DE 10161633A DE 10161633 A1 DE10161633 A1 DE 10161633A1
Authority
DE
Germany
Prior art keywords
virtual age
estimate
providing
virtual
devices
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.)
Withdrawn
Application number
DE2001161633
Other languages
English (en)
Inventor
Christian J Darken
Markus Loecher
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 Corporate Research Inc
Original Assignee
Siemens Corporate Research Inc
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 Corporate Research Inc filed Critical Siemens Corporate Research Inc
Priority claimed from US10/017,015 external-priority patent/US7031950B2/en
Publication of DE10161633A1 publication Critical patent/DE10161633A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters zur Vorhersage der verbleibenden Lebensdauer einer Vorrichtung eines gegebenen Typs mit folgenden Schritten: Überwachen einer vorbestimmten Anzahl signifikanter Parameter von jeweiligen Vorrichtungen einer Trainingsmenge von Vorrichtungen des gegebenen Typs, wobei die Parameter jeweils Abnutzungsinkremente beitragen, Ermitteln von Koeffizienten eines neuronalen Netzes mit radialer Basisfunktion zur Modellierung der Abnutzungsinkremente, die aus der Trainingsmenge ermittelt werden, die bis zum Ausfall betrieben wird, und deren virtuelle Alter im wesentlichen auf einen gewünschten Normwert normiert sind, Ableiten einer Formel für das virtuelle Alter einer Vorrichtung des gegebenen Typs aus dem neuronalen Netz mit radialer Basisfunktion und Anwenden der Formel auf die signifikanten Parameter aus einer weiteren Vorrichtung des gegebenen Typs zum Ableiten von Abnutzungsinkrementen für die weitere Vorrichtung.

Description

Es wird hiermit Bezug auf die folgenden gleichzeitig anhängigen Anmeldungen genommen:
Vorläufige US-Anmeldung Nr. 60/255.615, eingereicht am 14.12.2000, betreffend NEURAL NETWORK-BASED VIRTUAL AGE ESTIMATION FOR REMAINING LIFETIME, im Namen von Christian Darken und Markus Loecher, Anwalts-Aktennr. 00P9072US,
vorläufige US-Anmeldung Nr. 60/255.614, eingereicht am 14.12.2000, betreffend POLYNOMIAL BASED VIRTUAL AGE ESTIMATION FOR REMAINING LIFETIME PREDICTION, im Namen von Markus Loecher und Christian Darken, Anwalts- Aktennr. 00P9073US und
vorläufige US-Anmeldung Nr. 60/255.613, eingereicht am 14.12.2000, betreffend MARKOV TRANSITION PROBABILITIES FOR PREDICTIVE MAINTENANCE, im Namen von Markus Loecher, Anwalts-Aktennr. 00P9074US,
deren Priorität beansprucht wird und deren Offenbarungen durch Bezugnahme hier aufgenommen werden.
Es wird auch Bezug auf die folgenden gleichzeitig anhängigen Anmeldungen genommen, die zum selben Datum wie die vorliegende Anmeldung eingereicht wurden:
METHOD AND APPARATUS FOR PROVIDING A POLYNOMIAL BASED VIRTUAL AGE ESTIMATION FOR REMAINING LIFETIME PREDICTION OF A SYSTEM, im Namen von Markus Loecher und Christian Darken, Anwalts-Aktennr. 00P9073US01 und METHOD AND APPARATUS FOR PROVIDING PREDICTIVE MAINTENANCE OF A DEVICE BY USING MARKOV TRANSITION PROBABILITIES, im Namen von Markus Loecher, Anwalts- Aktennr. 00P9074US01; deren Offenbarungen werden durch Bezugnahme hierdurch hierin aufgenommen.
Die vorliegende Erfindung betrifft allgemein das Gebiet der Vorhersage eines Ausfalls und insbesondere das Ableiten einer Schätzung der verbleibenden Lebensdauer eines gattungsmäßigen Systems oder einer gattungsmäßigen Vorrichtung.
Vorrichtungen und Geräte, die auf verschiedenen Gebieten der Medizin, der Industrie, des Transport­ wesens, der Nachrichtentechnik und so weiter verwendet werden, besitzen typischerweise eine bestimmte Nutz- oder Betriebslebensdauer, nach der ein Austausch, eine Reparatur oder eine Wartung erforderlich ist. Die erwartete Länge der Betriebslebensdauer ist im allge­ meinen nur annähernd bekannt, und es ist nicht untypisch, dass die Möglichkeit eines frühzeitigen Ausfalls besteht. Einfache Betriebsdauerkriterien sind typischerweise ungeeignet, um rechtzeitig auf einen beginnenden Ausfall hinzuweisen. Bei einigen Anwen­ dungen stellt der unverhoffte Ausfall von Vorrichtungen zumindest ein Ärgernis dar; der unverhoffte Geräteaus­ fall kann typischerweise jedoch ein größeres Ärgernis sein, das zu teuren Unterbrechungen von Diensten und der Produktion führt. In anderen Fällen kann ein derartiger unerwarteter Ausfall die Sicherheit ernst­ haft beeinträchtigen und zu potentiell gefährlichen und lebensbedrohenden Situationen führen.
Gemäß einem Aspekt der Erfindung wird eine komplexe Funktion von überwachten Variablen geschätzt und dann dazu verwendet, ihr "virtuelles Alter" zu schätzen, das dann mit einem festen Grenzwert verglichen wird.
Gemäß einem Aspekt der Erfindung wird für die allgemeine Aufgabe der Ausfallvorhersage eine Methode verwendet, die Teil einer zustandsbasierten oder prädiktiven Wartung ist.
Gemäß einem Aspekt der Erfindung erhöht ein Verfahren zur Schätzung des virtuellen Alters zur Vorhersage der verbleibenden Lebensdauer schrittweise ein "virtuelles Alter" durch kontinuierliche Über­ wachung signifikanter Parameter eines Systems während zumindest eines Teils seines aktiven Lebens.
Gemäß einem Aspekt der Erfindung wird für die funktionale Form des zustandsabhängigen virtuellen Alters oder das Abnutzungsinkrement ein neuronales Netz mit radialer Basisfunktion (RBF) genommen, dessen Koeffizienten in einer Trainingsphase erhalten werden.
Gemäß einem Aspekt der Erfindung umfasst ein Verfahren zur Schätzung des virtuellen Alters zur Vorhersage der verbleibenden Lebensdauer einer Vorrichtung eines gegebenen Typs die folgenden Schritte: Überwachen einer vorbestimmten Anzahl signifikanter Parameter der jeweiligen Vorrichtungen einer Trainingsmenge von Vorrichtungen des gegebenen Typs, wobei die Parameter jeweilige Abnutzungsin­ kremente beitragen, Ermitteln von Koeffizienten eines neuronalen Netzes mit radialer Basisfunktion zur Modellierung der Abnutzungsinkremente, die aus der Trainingsmenge ermittelt werden, die bis zum Ausfall betrieben wird und deren virtuelle Alter im wesent­ lichen auf einen gewünschten Normwert normiert sind, Ableiten einer Formel für das virtuelle Alter einer Vorrichtung des gegebenen Typs aus dem neuronalen Netz mit radialer Basisfunktion und Anwenden der Formel auf die signifikanten Parameter von einer weiteren Vorrichtung des gegebenen Typs zum Ableiten von Abnutzungsinkrementen für die weitere Vorrichtung.
Das Verfahren wird durch die folgende ausführliche Beschreibung der bevorzugten Ausführungsformen in Verbindung mit der folgenden Zeichnung umfassender verständlich:
Fig. 1 zeigt ein schematisches Flussdiagramm von Schritten gemäß den Prinzipien der Erfindung, und
Fig. 2 zeigt ein Blockdiagramm von Vorrichtungen gemäß den Prinzipien der Erfindung.
In Fig. 1 umfasst Schritt 2 das Sammeln von Datenhistorien von Vorrichtungen bis zum Ausfall. Dies entspricht im allgemeinen einer Matrix mit N Zeilen (Verwendungen) und M Spalten (Variablen).
Bei Schritt 4 wird ein Cluster-Algorithmus angewandt, um die Daten in Z-Cluster zu zerlegen. Die Mitten und Breiten von Gaußschen radialen Basis­ funktionen werden festgelegt.
Bei Schritt 6 wird die Datenmatrix C berechnet und unter Verwendung der Ridge-Regression eine Lösung für die linearen Gewichte a ermittelt. Zur Optimierung wird Kreuzvalidierung verwendet.
Bei Schritt 8 werden die linearen Gewichte a und die Cluster-Mitten und -Breiten verwendet, um Abnut­ zungsinkremente für in Betrieb befindliche Vorricht­ ungen zu berechnen.
Bei Schritt 10 wird die Summe von Abnutzungsinkrementen, das heißt das virtuelle Alter, mit einem durch den Verwender spezifizierten Grenzwert verglichen und ein Warnhinweis oder -signal abgegeben, wenn der Grenzwert überschritten wird.
12 bezeichnet allgemein die Verwendung von Kreuzvalidierung, um die Zahl von zu verwendenden Variablen M und die Zahl der Cluster zu optimieren.
Wie in Fig. 2 gezeigt ist, ist ein Computer 20 mit Daten- und Programmspeichereinrichtungen 22 und einer Quelle 26 für Programme zum Trainieren und Betreiben in iterativer Weise ausgestattet, wie sie im folgenden beschrieben wird. Bei 24 werden, wie weiter unten beschrieben wird, Daten von Trainingseinheiten bereit­ gestellt. Eine Vorrichtung oder ein System 28, die oder das überwacht wird, liefert mittels einer Datensammel­ schnittstelle 30 Daten an den Computer 20. Der Computer 20 stellt an einer Alarmvorrichtung 32 einen drohenden oder voraussichtlichen Alarm bezüglich des Ablaufs der Lebensdauer und/oder der Erwartung eines Ausfalls bereit.
Das Verfahren gemäß der vorliegenden Erfindung ist verbreitet auf vielen Gebieten einsetzbar. Um das Verstehen der Erfindung zu erleichtern und die Verwendung der vorrichtungsspezifischen Informationen und Parameter zu veranschaulichen, wird die Erfindung durch eine exemplarische, Röntgenröhren betreffende, aber keine Einschränkung darstellende Ausführungsform ausführlicher beschrieben werden. Das verwendete Beispiel ist auch insofern geeignet, als ein unerwarteter Ausfall einer derartigen Röntgenröhre beispielsweise während einer kritischen chirurgischen Behandlung so weit als möglich vermieden werden sollte.
Es sei angenommen, dass xn = (x1,n . . . xd,n) eine Zeitreihe von d-dimensionalen Messvektoren ist. Die individuellen Skalare xi könnten eine beliebige Größe sein, die die Abnutzungsgeschwindigkeit oder das Altern der Vorrichtung beeinflusst, einschließlich direkt gemessener physikalischer Größen wie beispielsweise Temperatur oder Spannung oder zusammengesetzter Funktionen daraus, wie beispielsweise Leistung (Produkt aus Spannung und Strom), oder eine Temperaturdifferenz oder z. B. Steuerungsparameter wie beispielsweise Lasteinstellungen oder Betriebsdauer. Die Auswahl sowohl der Anzahl d als auch der Art der Variablen, die üblicherweise nur eine kleine Teilmenge verfügbarer Messungen darstellt, kann durch Befolgen existierender Variablenauswahltechniken erfolgen. Im Fall der Röntgenröhre stellt es sich heraus, dass es möglich war, eine erschöpfende Untersuchung durchzuführen, durch die die d einzelnen Skalare ausgewählt wurden, die den Fehler der Kreuzvalidierung (CV) minimierten, wie unten ausführlicher beschrieben werden wird.
Während der Lebensdauer der Vorrichtung wird es typischerweise viele Tausend Vektoren geben, von denen jeder ein kleines Inkrement zur gesamten Abnutzung beiträgt. Ohne dadurch Allgemeingültigkeit einzubüßen, wird hier vorgeschlagen, die Unbestimmtheit bei der Schätzung der verbleibenden Lebensdauer durch folgendes Verfahren zu reduzieren:
Das Abnutzungsinkrement f() wird durch ein neuronales Netz mit radialer Basisfunktion mit M verborgenen Einheiten modelliert:
wobei g eine radialsymmetrische, bei zi zentrierte Funktion mit dem Breitenparameter σi ist. Die Zahl der Einheiten M ist ein freier Parameter, der ebenfalls durch Kreuzvalidierung optimiert werden sollte.
Im Falle der Röntgenröhre stellte sich diese Form als optimal heraus. Allgemein kann die normierte Form
verwendet werden. In beiden Fällen gehen die Gewichte ai linear in diese Gleichung ein, und daher können durch Verwendung linearer Methoden Lösungen für sie werden, während die internen Parameter zi und σi durch nichtlineare Techniken erhalten werden müssen.
Für den Fall Gaußscher Basisfunktionen, die sich als geeignet herausgestellt haben und für die Röntgenröhren verwendet wurden, gilt:
Die zi können durch Anwendung eines Cluster- Algorithmus, wie beispielsweise k-Mitteln, auf die Messvektoren ausgewählt werden. Die σi können auf eine von mehreren Weisen ausgewählt werden, z. B.:
  • - Für σi kann der Abstand von der i-ten Messung zu den erstnächsten (oder k-nächsten) Messungen genommen werden. Dieses Verfahren wurde für die Röntgenröhren gewählt.
  • - Für σi kann auch eine globale Konstante genommen werden, z. B. der Durchschnitt des Abstands jeder Messung zu der erstnächsten (oder k-nächsten) Messung.
  • - In beiden obigen Fällen kann ein Skalenfaktor angewandt werden Dies würde einen weiteren freien Parameter λ (σi wird in λσi überführt) einführen, der durch Kreuzvalidierung zu wählen wäre.
Man beachte, dass Gleichung (1) bequem in eine Summe von M Termen der Form
umgeschrieben werden kann, wobei M die Zahl dar Koeffizienten aj ist. Die Abhängigkeit von zi und σi ist verborgen, da diese Parameter durch die oben beschriebenen Verfahren festliegen. Es verbleibt nun ein lineares Gleichungssystem. Die M Koeffizienten aj werden in der überwachten Trainingsphase wie folgt ermittelt:
Es sei angenommen, dass es N Vorrichtungshistorien von Röhren, die letztlich ausfielen, gibt, die mit k indiziert sind. Dies bildet die Trainingsmenge. Durch Lk sei die Anzahl der Vektoren für jede Vorrichtung bezeichnet. Für jede Vorrichtung berechnet man die M unabhängigen Summen über alle Abnutzungsinkremente, die naturgemäß von den M unbekannten Koeffizienten abhängen:
Dies ergibt eine (N×M)-Matrix (C)k,j und N Gleichungen für das virtuelle Alter jeder Vorrichtung, die die Form
besitzen. Idealerweise sollten die virtuellen Alter jeder Vorrichtung identisch sein, beispielsweise Eins. Um die besten Gewichte zu finden, so dass alle virtuellen Alter so nah wie möglich an einer beliebigen Konstante (hier wird 1 gewählt) liegen, wird vorge­ schlagen, die Funktion des Kriteriums der kleinsten quadratischen Fehlersumme zu minimieren:
Der erste Term auf der rechten Seite entspricht der gewöhnlichen linearen Kleinsten-Fehlerquadrat-Regres­ sion. Der zusätzliche λ beinhaltende Term soll die Verallgemeinerbarkeit verbessern und eine Überanpassung verhindern. Diese Technik ist in der einschlägigen Literatur als Ridge-Regression bekannt. Der Parameter λ sollte durch Kreuzvalidierung optimiert werden. Die Matrix B ist positiv definiert und für die Röntgenröhren wurde die Einheitsmatrix angenommen.
Im Falle von fehlenden Daten, d. h. falls für eine bestimmte Vorrichtung z nur ein Bruchteil fk von Daten verfügbar ist, muss man den konstanten Vektor 1 durch den geräteabhängigen Vektor f ersetzen:
Gemäß der Ausführungsform der Erfindung wird vorgeschlagen, nach der Ermittlung der Koeffizienten a für die N Vorrichtungen in der Trainingsmenge die verbleibende Lebensdauer der Vorrichtungen in der gleichen Familie zu schätzen, indem die inkrementale (und resultierende kumulierte) Abnutzung gemäß Gleichung (2) berechnet wird. Da das virtuelle Alter auf Eins (1) normiert wurde, ergibt die kumulierte Abnutzung direkt den Bruchteil der Lebensdauer, der abgelaufen ist.
Als nächstes wird die Anwendbarkeit der Prinzipien der Kreuzkorrelation im Kontext der vorliegenden Erfindung angesprochen. K-fache Kreuzvalidierung ist eine wohl bekannte Technik, um den Testfehler eines Prädiktors zu schätzen, wenn die verfügbare Datenmenge (Größe n) zu klein ist, um die Aufspaltung in Trainings- und Testmengen zu erlauben. Stattdessen wird der Aufteilungsvorgang wiederholt, indem man von den Daten einen "kleinen" Teil von k Elementen abteilt und die verbleibenden n-k Elemente zum Training verwendet. Die Testfehler auf der kleinen k-Menge werden dann gemittelt, um den k-fachen Kreuzvalidierungsfehler zu ergeben. Für das Beispiel der Röntgenröhren umfasste die Datenmenge annähernd 70 Röhren (n~70), und es wurde k~1-5 gewählt.
Es versteht sich, dass die Erfindung auf viele Weisen unter Verwendung von Hardware- und Softwaretechniken implementiert werden kann. Die Implementierung mittels eines programmierbaren digitalen Computers ist mit oder ohne Hinzufügung ergänzender Gerätschaften geeignet. Es kann auch ein dafür ausgelegtes System mit einem dafür ausgelegten programmierten Computer und geeigneten Peripherie­ geräten verwendet werden. Wenn verschiedene Funktionen und Unterfunktionen als Software implementiert sind, werden nachfolgende Änderungen und Verbesserungen an der Arbeitsweise ohne weiteres implementiert.
Obschon die vorliegende Erfindung anhand veranschaulichender Ausführungsformen beschrieben wurde, versteht es sich für einen Fachmann, dass verschiedene Änderungen und Modifizierungen vorgenommen werden können, ohne vom Erfindungsgedanken abzuweichen. Derartige Änderungen und Modifizierungen sollen vom Schutzumfang der folgenden Ansprüche umfasst werden.

Claims (36)

1. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters zur Vorhersage der verbleibenden Lebensdauer einer Vorrichtung eines gegebenen Typs mit folgenden Schritten:
Überwachen einer vorbestimmten Anzahl signifikanter Parameter von jeweiligen Vorrichtungen einer Trainingsmenge von Vorrichtungen des gegebenen Typs, wobei die Parameter jeweils Abnutzungsinkremente beitragen,
Ermitteln von Koeffizienten eines neuronalen Netzes mit radialer Basisfunktion zur Modellierung der Abnutzungsinkremente, die aus der Trainingsmenge ermittelt werden, die bis zum Ausfall betrieben wird und deren virtuelle Alter im wesentlichen auf einen gewünschten Normwert normiert sind,
Ableiten einer Formel für das virtuelle Alter einer Vorrichtung des gegebenen Typs aus dem neuronalen Netz mit radialer Basisfunktion und
Anwenden der Formel auf die signifikanten Parameter aus einer weiteren Vorrichtung des gegebenen Typs zum Ableiten von Abnutzungsinkrementen für die weitere Vorrichtung.
2. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 1 einschließlich eines Schritts des Kumulierens der weiteren Vorrichtung, um die Schätzung eines virtuellen Alters für die weitere Vorrichtung abzuleiten.
3. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 1 einschließlich eines Schritts des Auswählens der vorbestimmten Zahl signifikanter Parameter durch Auswahl einer Anzahl von ihnen, um die Abweichungen der virtuellen Alter von dem normierten virtuellen Alter zu minimieren.
4. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters für Vorrichtungen eines gegebenen Typs durch Vorhersage der verbleibenden Lebensdauer einer weiteren Vorrichtung eines gegebenen Typs durch Berechnen von Abnutzungsinkrementen mit folgende n Schritten:
Sammeln von Daten über zu Abnutzungsinkrementen beitragende Parameter in einer Trainingsmenge von Mustervorrichtungen bis zum Ausfall, wobei die Mustervorrichtungen der gegebenen Vorrichtung ähnlich sind,
Modellieren eines Abnutzungsinkrements durch ein neuronales Netz mit radialer Basisfunktion,
Berechnen der Summe der Inkremente für einzelne Mustervorrichtungen in der Trainingsmenge, um für diese ein virtuelles Alter zu erhalten, wobei das virtuelle Alter im wesentlichen auf ein geeignetes normiertes virtuelles Alter normiert wird, und
Ermitteln von Koeffizienten des neuronalen Netzes mit radialer Basisfunktion in einer überwachten Trainingsphase für die Mustervorrichtungen in der Trainingsmenge für das normierte virtuelle Alter und
Ableiten von Abnutzungsinkrementdaten für eine weitere, den Mustervorrichtungen gleichende Vorrichtung unter Verwendung von Vorrichtungsdaten für die weitere Vorrichtung in Verbindung mit den Koeffizienten des neuronalen Netzes mit radialer Basisfunktion, die in dem vorhergehenden Schritt ermittelt wurden.
5. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters für Vorrichtungen nach Anspruch 4 einschließlich eines Schritts des Kumulierens der Abnutzungsinkrementdaten, um ein virtuelles Alter für die weitere Vorrichtung zu berechnen.
6. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters für Vorrichtungen nach Anspruch 4, wobei der Schritt des Ermittelns von Koeffizienten des neuronalen Netzes mit radialer Basisfunktion einen Schritt des Optimierens der Ermittlung durch Verwendung der Ridge-Regression umfasst.
7. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters für Vorrichtungen nach Anspruch 6, wobei der die Ridge-Regression verwendende Schritt einen Schritt des Optimierens durch Kreuzvalidierung zwischen Vorrichtungen in einer Untermenge der Trainingsmenge und dem Rest der Vorrichtungen in der Trainingsmenge umfasst.
8. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters für Vorrichtungen nach Anspruch 6, wobei der Schritt des Ermittelns von Koeffizienten des neuronalen Netzes mit radialer Basisfunktion einen Schritt des Optimierens der Koeffizienten zur Reduzierung der Abweichungen der virtuellen Alter von dem normierten virtuellen Alter beinhaltet.
9. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters für Vorrichtungen nach Anspruch 6, wobei der Schritt des Optimierens der Koeffizienten einen Schritt des Minimierens der Summe kleinster Quadrate der Abweichungen beinhaltet.
10. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters für Vorrichtungen durch Vorhersage der verbleibenden Lebensdauer einer gegebenen Vorrichtung durch Berechnen von Abnutzungsinkrementen mit folgenden Schritten:
Modellieren der Abnutzungsinkremente durch ein neuronales Netz mit radialer Basisfunktion basierend auf ausgewählten Abnutzungsparametern, die Abnutzungs­ inkremente für die Vorrichtung beitragen,
Anpassen der Koeffizienten des neuronalen Netzes mit radialer Basisfunktion entsprechend den Daten, die in einer Trainingsmenge derartiger Vorrichtungen abge­ leitet wurden, um eine Gleichung für Inkremente des virtuellen Alters jeder Vorrichtung in der Trainings­ menge abzuleiten, wobei die virtuellen Alter im wesentlichen auf einen gewünschten Standardwert normiert werden, und
Anwenden der Gleichung auf die ausgewählten Abnutzungsparameter einer weiteren Vorrichtung, die den Vorrichtungen in der Trainingsmenge gleicht, um Abnutzungsinkremente für die weitere Vorrichtung zu berechnen.
11. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters für Vorrichtungen nach Anspruch 10 einschließlich eines Schritts des Kumulierens der Abnutzungsinkremente für die weitere Vorrichtung, um ein virtuelles Alter für die weitere Vorrichtung zu berechnen.
12. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters für Vorrichtungen nach Anspruch 10, wobei der Schritt des Ermittelns von Koeffizienten des neuronalen Netzes mit radialer Basisfunktion einen Schritt des Optimierens des Ermittelns durch Verwendung der Ridge-Regression umfasst.
13. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters für Vorrichtungen nach Anspruch 12, wobei der die Ridge-Regression verwendende Schritt einen Schritt des Optimierens durch Kreuzvalidierung zwischen Vorrichtungen in einer Untermenge der Trainingsmenge und dem Rest der Vorrichtungen in der Trainingsmenge beinhaltet.
14. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters für Vorrichtungen nach Anspruch 10, wobei der Schritt des Ermittelns von Koeffizienten des mehrdimensionalen neuronalen Netzes mit radialer Basisfunktion einen Schritt des Optimierens der Koeffizienten zur Reduzierung der Abweichungen der virtuellen Alter von dem normierten virtuellen Alter beinhaltet.
15. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters für Vorrichtungen nach Anspruch 14, wobei der Schritt des Optimierens der Koeffizienten einen Schritt des Minimierens der Summe kleinster Quadrate der Abweichungen beinhaltet.
16. Vorrichtung zur Bereitstellung der Schätzung eines virtuellen Alters einer Vorrichtung eines gegebenen Typs mit:
Mitteln zum Überwachen einer vorbestimmten Anzahl signifikanter Parameter einer jeweiligen Vorrichtung aus einer Trainingsmenge von Vorrichtungen des gegebenen Typs, wobei die Parameter jeweilige Abnutzungsinkremente beitragen,
Mitteln zum Ermitteln von Koeffizienten eines neuronalen Netzes mit radialer Basisfunktion zur Modellierung der Abnutzungsinkremente, die aus der Trainingsmenge ermittelt werden, die bis zum Ausfall betrieben wird, und deren virtuelle Alter im wesentlichen auf einen gewünschten Normwert normiert sind,
Mitteln zum Ableiten einer Formel für das virtuelle Alter einer Vorrichtung des gegebenen Typs aus dem neuronalen Netz mit radialer Basisfunktion und
Mitteln zum Anwenden der Formel auf die signifikanten Parameter aus einer weiteren Vorrichtung des gegebenen Typs zum Ableiten von Abnutzungsinkrementen für die weitere Vorrichtung.
17. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters einer Vorrichtung mit folgenden Schritten:
Überwachen einer Vielzahl signifikanter variabler Parameter einer Vorrichtung während des aktiven Betriebs des Systems,
Auswählen zumindest einer Teilmenge der Vielzahl signifikanter variabler Parameter und Bilden einer Reihe d-dimensionaler, Skalare umfassender Messvektoren daraus, die jeweils der mindestens einen Teilmenge signifikanter variabler Parameter entsprechen,
Ableiten von den Skalaren entsprechenden jeweiligen Abnutzungsinkrementen,
Modellieren der Abnutzungsinkremente durch ein neuronales Netz mit einer radialen Basisfunktion mit M verborgenen Einheiten, wobei M ein freier Parameter ist, woraus sich ein lineares Gleichungssystem ergibt,
Ermitteln von M Koeffizienten in einer überwachten Trainingsphase, die N Historien von Vorrichtungen beinhaltet, die ausfielen,
Berechnen der M unabhängigen Summen über alle Abnutzungsinkremente für jede Vorrichtung, wodurch eine (NxM)-Matrix und N Gleichungen für das virtuelle Alter jeder Vorrichtung erhalten werden, und
Berechnen eines virtuellen Alters für jede Vorrichtung aus der (NxM)-Matrix und den N Gleichungen.
18. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 17 einschließlich eines Schritts der Normierung des virtuellen Alters auf eine gegebene Zahl.
19. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 17 einschließlich eines Schritts der Normierung des virtuellen Alters auf Eins.
20. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters durch Vorhersage der verbleibenden Lebensdauer einer Vorrichtung mit folgenden Schritten:
Überwachen einer Vielzahl signifikanter variabler Parameter einer Vorrichtung während des aktiven Betriebs des Systems,
Auswählen zumindest einer Teilmenge der Vielzahl signifikanter variabler Parameter und Bilden einer Reihe d-dimensionaler, Skalare umfassender Messvektoren daraus, die jeweils der mindestens einen Teilmenge signifikanter variabler Parameter entsprechen,
Ableiten von den Skalaren entsprechenden jeweiligen Abnutzungsinkrementen,
Modellieren der Abnutzungsinkremente durch ein neuronales Netz mit einer Gaußschen Basisfunktion mit M verborgenen Einheiten, wobei M ein freier Parameter ist, woraus sich ein lineares Gleichungssystem ergibt,
Ermitteln der M Koeffizienten in einer überwachten Trainingsphase, die N Historien von Vorrichtungen beinhaltet, die ausfielen,
Berechnen der M unabhängigen Summen über alle Abnutzungsinkremente für jede Vorrichtung, wodurch eine (N×M)-Matrix und N Gleichungen für das virtuelle Alter jeder Vorrichtung erhalten werden, und
Berechnen eines virtuellen Alters für jede Vorrichtung aus der (N×M)-Matrix und den N Gleichungen.
21. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 20 einschließlich eines Schritts der Normierung des virtuellen Alters auf eine gegebene Zahl.
22. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 20 einschließlich eines Schritts der Normierung des virtuellen Alters auf Eins.
23. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch y, wobei der Schritt des Modellierens der Abnutzungsinkremente durch eine Gaußsche Basisfunktion das Modellieren mit einer Funktion der Form
umfasst, wobei g(, , σ) die Gaußsche Basisfunktion darstellt und , und σ jeweils [Lakune] repräsentieren.
24. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 23 einschließlich eines Schritts des Auswählens der zi durch Anwendung eines Cluster-Algorithmus auf die Messvektoren.
25. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 24 einschließlich eines Schritts der Anwendung eines Skalenfaktors, wodurch ein weiterer freier Parameter λ eingeführt wird, der durch Kreuzvalidierung auszuwählen ist, wodurch σi sich in λσi umwandelt.
26. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 24 einschließlich eines Schritts der Normierung des virtuellen Alters auf eine gegebene Zahl.
27. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 24 einschließlich eines Schritts der Normierung des virtuellen Alters auf Eins.
28. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 24 einschließlich eines Schritts des Ableitens von σi, indem σi als globale Konstante eingesetzt wird.
29. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 24 einschließlich eines Schritts des Ableitens von σi, indem für σi der Durchschnitt des Abstands von jeder Messung zu der erstnächsten Messung genommen wird.
30. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 24 einschließlich eines Schritts der Anwendung eines Skalenfaktors, wodurch ein weiterer freier Parameter λ eingeführt wird, der durch Kreuzvalidierung auszuwählen ist, wodurch σi sich in λσi umwandelt.
31. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 30 einschließlich eines Schritts der Normierung des virtuellen Alters auf eine gegebene Zahl.
32. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 31 einschließlich eines Schritts der Normierung des virtuellen Alters auf Eins.
33. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 29 einschließlich eines Schritts des Ableitens von σi, indem für σi der Durchschnitt des Abstands von jeder Messung zu der k- nächsten Messung genommen wird.
34. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 29 einschließlich eines Schritts der Anwendung eines Skalenfaktors, wodurch ein weiterer freier Parameter λ eingeführt wird, der durch Kreuzvalidierung auszuwählen ist, wodurch σi sich in λσi umwandelt.
35. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 29 einschließlich eines Schritts der Normierung des virtuellen Alters auf eine gegebene Zahl.
36. Verfahren zur Bereitstellung der Schätzung eines virtuellen Alters nach Anspruch 29 einschließlich eines Schritts der Normierung des virtuellen Alters auf Eins.
DE2001161633 2000-12-14 2001-12-14 Verfahren und Vorrichtung zum Bereitstellen einer virtuellen Altersschätzung für die Vorhersage der verbleibenden Lebensdauer eines Systems unter Verwendung eines neuronalen Netzes Withdrawn DE10161633A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US25561500P 2000-12-14 2000-12-14
US10/017,015 US7031950B2 (en) 2000-12-14 2001-12-14 Method and apparatus for providing a virtual age estimation for remaining lifetime prediction of a system using neural networks

Publications (1)

Publication Number Publication Date
DE10161633A1 true DE10161633A1 (de) 2002-08-08

Family

ID=26689344

Family Applications (1)

Application Number Title Priority Date Filing Date
DE2001161633 Withdrawn DE10161633A1 (de) 2000-12-14 2001-12-14 Verfahren und Vorrichtung zum Bereitstellen einer virtuellen Altersschätzung für die Vorhersage der verbleibenden Lebensdauer eines Systems unter Verwendung eines neuronalen Netzes

Country Status (1)

Country Link
DE (1) DE10161633A1 (de)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004024809A1 (de) * 2004-05-17 2005-12-08 E.On Ruhrgas Ag Verfahren zum Überwachen einer Mehrzahl von Gasanlagen
US7162312B2 (en) 2003-09-24 2007-01-09 Siemens Aktiengesellschaft Method, system and device for predictive error recognition in a plant
DE102006045804A1 (de) * 2006-09-26 2008-03-27 Abb Patent Gmbh System und Verfahren zur optimierten Instandhaltungsplanung in einem Anlagen-überwachungssystem einer technischen Anlage oder eines technischen Prozesses
EP3183699A1 (de) * 2014-08-20 2017-06-28 Cassantec AG Konfiguration einer fehlfunktionsprädiktion für komponenten und einheiten von technischen anlagen
WO2020049087A1 (en) 2018-09-05 2020-03-12 Sartorius Stedim Data Analytics Ab Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance
US10657453B2 (en) 2014-08-20 2020-05-19 Cassantec Ag Malfunction prediction for components and units of technical entities
DE102018133196A1 (de) * 2018-12-20 2020-06-25 Carl Zeiss Microscopy Gmbh Bildbasierte wartungsvorhersage und detektion von fehlbedienungen
DE102020205783A1 (de) 2020-05-07 2021-11-11 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Betreiben eines Prüfstands zum Durchführen eines Power-Cycling-Tests
DE102022102762A1 (de) 2022-02-07 2023-08-10 Festo Se & Co. Kg Berechnung eines Lebensdauerkennwertes von in einer Automatisierungsanlage betriebenen Komponenten
DE102022103483A1 (de) 2022-02-15 2023-08-17 Arburg Gmbh + Co Kg Verfahren und Vorrichtung zur Bestimmung des Verschleißes an einer Vorrichtung zur Verarbeitung von Kunststoffen

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7162312B2 (en) 2003-09-24 2007-01-09 Siemens Aktiengesellschaft Method, system and device for predictive error recognition in a plant
DE102004024809A1 (de) * 2004-05-17 2005-12-08 E.On Ruhrgas Ag Verfahren zum Überwachen einer Mehrzahl von Gasanlagen
DE102006045804A1 (de) * 2006-09-26 2008-03-27 Abb Patent Gmbh System und Verfahren zur optimierten Instandhaltungsplanung in einem Anlagen-überwachungssystem einer technischen Anlage oder eines technischen Prozesses
US10685288B2 (en) 2014-08-20 2020-06-16 Cassantec Ag Configuration of malfunction prediction for components and units of technical entities
US10657453B2 (en) 2014-08-20 2020-05-19 Cassantec Ag Malfunction prediction for components and units of technical entities
EP3183699A1 (de) * 2014-08-20 2017-06-28 Cassantec AG Konfiguration einer fehlfunktionsprädiktion für komponenten und einheiten von technischen anlagen
WO2020049087A1 (en) 2018-09-05 2020-03-12 Sartorius Stedim Data Analytics Ab Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance
DE102018133196A1 (de) * 2018-12-20 2020-06-25 Carl Zeiss Microscopy Gmbh Bildbasierte wartungsvorhersage und detektion von fehlbedienungen
US11024019B2 (en) 2018-12-20 2021-06-01 Carl Zeiss Microscopy Gmbh Image-based maintenance prediction and detection of operating errors
DE102020205783A1 (de) 2020-05-07 2021-11-11 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Betreiben eines Prüfstands zum Durchführen eines Power-Cycling-Tests
DE102022102762A1 (de) 2022-02-07 2023-08-10 Festo Se & Co. Kg Berechnung eines Lebensdauerkennwertes von in einer Automatisierungsanlage betriebenen Komponenten
DE102022103483A1 (de) 2022-02-15 2023-08-17 Arburg Gmbh + Co Kg Verfahren und Vorrichtung zur Bestimmung des Verschleißes an einer Vorrichtung zur Verarbeitung von Kunststoffen
WO2023156462A1 (de) 2022-02-15 2023-08-24 Arburg Gmbh + Co Kg VERFAHREN UND VORRICHTUNG ZUR BESTIMMUNG DES VERSCHLEIßES AN EINER VORRICHTUNG ZUR VERARBEITUNG VON KUNSTSTOFFEN

Similar Documents

Publication Publication Date Title
DE69431822T2 (de) Vorrichtung und Verfahren für eine modellbasierende Prozesssteuerung
DE102018117836B4 (de) Verfahren zum Herstellen von Halbleitern und Verwendung von Ätzeffektvorhersagen
EP3745229B1 (de) Verfahren und vorrichtung zur ausfallvorhersage von elementarrelais
DE69420703T2 (de) Methode zur voraussagenden mehrgrössensteuerung mit hilfe einer messbereichssteuerung
DE102008038347B4 (de) System zur analyse der leistungscharakteristik einer gasturbine
DE102005062838A1 (de) Verfahren und Vorrichtung zur Auswertung einer vorgeschlagenen Lösung zu einem Randwertproblem
EP3065250A1 (de) Verfahren und einrichtung zur bestimmung der topologie eines stromversorgungsnetzes
DE10161633A1 (de) Verfahren und Vorrichtung zum Bereitstellen einer virtuellen Altersschätzung für die Vorhersage der verbleibenden Lebensdauer eines Systems unter Verwendung eines neuronalen Netzes
DE3751154T2 (de) Verfahren zur Vorbereitung eines Simulationsprogrammes.
DE102018002781B4 (de) Schaltungskonfigurations-Optimierungsvorrichtung und maschinelle Lernvorrichtung
EP3282271A1 (de) Verfahren zu einem einstellen und/oder anpassen von einem parameterwert von zumindest einem parameter eines magnetresonanzprotokolls für zumindest eine magnetresonanzsequenz
DE102020212515A1 (de) Verfahren und Vorrichtung zum Trainieren eines maschinellen Lernsystems
DE102014223810A1 (de) Verfahren und Assistenzsystem zur Erkennung einer Störung in einer Anlage
DE60306494T2 (de) Vorrichtung, verfahren und computerprogrammprodukt zur modellierung der kausalität in einem flusssystem
EP2433185B1 (de) Vorrichtung und verfahren zum bearbeiten einer prozesssimulationsdatenbasis eines prozesses
DE10015286A1 (de) System, Verfahren und Produkt mit Computerbefehlssatz zum automatischen Abschätzen experimenteller Ergebnisse
EP3603010B1 (de) Verfahren und korrespondierendes system zur datenübertragung von einem gerät an ein datenverwaltungsmittel
DE102019215016A1 (de) Messanordnung, Verfahren zum Einrichten einer Messanordnung und Verfahren zum Betreiben einer Messanordnung
WO2008019634A1 (de) Modellbasiertes verfahren zur überwachung eines energieversorgungsnetzes und system zur durchführung des verfahrens
EP4066186A1 (de) Verfahren und systeme zum optimieren von wartung industrieller maschinen
DE102019204136A1 (de) Verfahren und Vorrichtung für Training und Herstellung eines künstlichen neuronalen Netzes
DE102019215268A1 (de) Verfahren und Vorrichtung zum Betreiben eines elektrochemischen Bearbeitungssystems
EP4099036B1 (de) Simulation eines leistungsverhaltens eines energiespeichers
DE102023201281A1 (de) Arithmetikvorrichtung, Arithmetik-Verfahren und computerlesbares Speichermedium
EP3489774B1 (de) Automatisierte ermittlung einer parametrierung eines auswerteverfahrens

Legal Events

Date Code Title Description
8110 Request for examination paragraph 44
8125 Change of the main classification

Ipc: G06F 1760

8139 Disposal/non-payment of the annual fee