DE102016008987B4 - Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt - Google Patents

Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt Download PDF

Info

Publication number
DE102016008987B4
DE102016008987B4 DE102016008987.3A DE102016008987A DE102016008987B4 DE 102016008987 B4 DE102016008987 B4 DE 102016008987B4 DE 102016008987 A DE102016008987 A DE 102016008987A DE 102016008987 B4 DE102016008987 B4 DE 102016008987B4
Authority
DE
Germany
Prior art keywords
machine
failure
error
failure prediction
data
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.)
Active
Application number
DE102016008987.3A
Other languages
English (en)
Other versions
DE102016008987A1 (de
Inventor
Shougo Inagaki
Hiroshi Nakagawa
Daisuke Okanohara
Ryosuke OKUTA
Eiichi Matsumoto
Keigo KAWAAI
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.)
Fanuc Corp
Preferred Networks Inc
Original Assignee
Fanuc Corp
Preferred Networks 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
Priority claimed from JP2015234022A external-priority patent/JP6148316B2/ja
Application filed by Fanuc Corp, Preferred Networks Inc filed Critical Fanuc Corp
Publication of DE102016008987A1 publication Critical patent/DE102016008987A1/de
Application granted granted Critical
Publication of DE102016008987B4 publication Critical patent/DE102016008987B4/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B25/00—Models for purposes not provided for in G09B23/00, e.g. full-sized devices for demonstration purposes
    • G09B25/02—Models for purposes not provided for in G09B23/00, e.g. full-sized devices for demonstration purposes of industrial processes; of machinery
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • 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
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • 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
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4063—Monitoring general control system
    • 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
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4065—Monitoring tool breakage, life or condition
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31359—Object oriented model for fault, quality control
    • 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
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33321—Observation learning
    • 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
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34477—Fault prediction, analyzing signal trends
    • 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
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37214—Detect failed machine component, machine performance degradation
    • 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
    • G05B2219/30—Nc systems
    • G05B2219/50—Machine tool, machine tool null till machine tool work handling
    • G05B2219/50185—Monitoring, detect failures, control of efficiency of machine, tool life
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S901/00—Robots
    • Y10S901/46—Sensing device
    • Y10S901/47—Optical

Abstract

Fehlervorhersagesystem, eingerichtet zum Vorhersagen eines Fehlers einer Maschine (2), wobei das System Folgendes umfasst:zumindest einen Speicher, der zum Speichern eines durch Maschinenlernen erlernten neuronalen Netzes eingerichtet ist;eine Zustandsbeobachtungseinheit (52), die zum Erhalten einer Zustandsvariable eingerichtet ist, die wenigstens entwedereine Datenausgabe aus zumindest einem Sensor, der zum Erfassen eines Zustands entweder der Maschine (2) oder einer umgebenden Umgebung eingerichtet ist,interne Daten einer Steuersoftware, die die Maschine (2) steuert, oder Rechendaten, die basierend auf entweder den Ausgabedaten oder den internen Daten erhalten werden, umfasst;eine Fehlerinformationsausgabeeinheit (42), die zum Ausgeben von Fehlerinformationen eingerichtet ist, die zumindest entweder anzeigen, ob ein Fehler in der Industriemaschine (2) aufgetreten ist, einen Fehlergrad anzeigen oder ob die Maschine (2) in einem normalen Zustand ist, durch Eingeben der erhaltenen Zustandsvariable in das neuronale Netz; undeine Fehlerinformationsbenachrichtigungseinheit (32), die zum Benachrichtigen von Informationen basierend auf den Fehlerinformationen vor einer Zeit, bei welcher der Fehler auftritt, eingerichtet ist.

Description

  • Die vorliegende Erfindung betrifft ein Maschinenlernverfahren und eine Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und eine Fehlervorhersagevorrichtung und ein Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt.
  • Bei einer Industriemaschine kann eine Anomalität eines beliebigen Bauteils im Voraus erfasst werden, um die Leistung zu erhöhen und Unfälle zu vermeiden. Bei einem bekannten Verfahren wird beispielsweise der Ausgangswert eines Sensors mit einer vorgegebenen Schwelle verglichen, um eine Anomalität auf Basis des Vergleichsergebnisses zu erfassen. Eine „Industriemaschine“ bezieht sich hierin nicht nur auf Industrieroboter und Maschinen, die durch CNC-Vorrichtungen (Computer Numerical Control, computernumerische Steuerung) gesteuert werden, sondern auch auf Maschinen, die Serviceroboter und verschiedene mechanische Vorrichtungen einschließen.
  • Die japanische offengelegte Patentveröffentlichung JP S63 - 123 105 A offenbart ein Fehlervorhersage-Diagnoseverfahren zum Vergleichen des Betriebsmusters eines Roboters in Betrieb mit einem Bezugsbetriebsmuster für den Roboter in dem normalen Zustand, um einen Fehler des Roboters vorherzusagen.
  • Die japanische offengelegte Patentveröffentlichung JP H10 - 39 908 A offenbart ein Fehlervorhersageverfahren zum Vergleichen der Differenz zwischen der Lastseitenleistung basierend auf dem tatsächlichen Betriebszustand einer Antriebswelle und der Antriebsseitenleistung basierend auf einem Betriebsbefehl, der an die Antriebswelle abgegeben wird, mit einem Bestimmungswert, um zu bestimmen, ob ein Robotermechanismusabschnitt schlechter geworden ist, und um den Grad der Verschlechterung zu bestimmen.
  • Weiterer Stand der Technik ist aus den Druckschriften EP 1 882 922 B1 , US 2015/0 154 062 A1 , US 2010 / 0 030 521 A1 , US 2007 / 0 156 620 A1 , JP 2015 - 88 078 A und JP 5 684 941 B1 bekannt.
  • Leider werden mit zunehmender Komplexität und technischer Ausgereiftheit der Industriemaschinen Faktoren, die zu Fehlern führen, immer komplizierter. Daher können herkömmliche Fehlervorhersageverfahren, die gemäß vorgegebener Prozesse durchgeführt werden, oftmals nicht auf tatsächliche Umstände angewandt werden oder weisen eine mangelnde Präzision auf. Dies hat zu einem Bedarf an einer Fehlervorhersagevorrichtung geführt, die zu einer genauen Fehlervorhersage gemäß den jeweiligen Umständen fähig ist.
  • Es ist daher Aufgabe der vorliegenden Erfindung, ein Fehlervorhersagesystem und ein Fehlervorhersageverfahren bereitzustellen, die die oben genannten Probleme vermeiden.
  • Diese Aufgabe wird erfindungsgemäß durch ein Fehlervorhersagesystem und ein Fehlervorhersageverfahren gemäß den unabhängigen Ansprüchen gelöst. Bevorzugte Ausführungsbeispiele sind in den abhängigen Ansprüchen genannt.
  • Gemäß einem ersten Beispiel der vorliegenden Offenbarung ist eine Maschinenlernvorrichtung bereitgestellt, die eine Bedingung lernt, die mit einem Fehler einer Industriemaschine in Zusammenhang steht, wobei die Vorrichtung eine Zustandsbeobachtungseinheit, die, während die Industriemaschine in Betrieb oder im Ruhezustand ist, eine Zustandsvariable beobachtet, die wenigstens entweder eine Datenausgabe aus einem Sensor, der einen Zustand entweder der Industriemaschine oder einer umgebenden Umgebung erfasst, interne Daten einer Steuersoftware, die die Industriemaschine steuert, oder Rechendaten, die basierend auf entweder den Ausgabedaten oder den internen Daten erhalten werden, umfasst; eine Bestimmungsdaten-Erhalteinheit, die Bestimmungsdaten erhält, die dazu verwendet werden, entweder zu bestimmen, ob ein Fehler in der Industriemaschine aufgetreten ist, oder einen Fehlergrad zu bestimmen; und eine Lerneinheit einschließt, die die Bedingung lernt, die mit dem Fehler der Industriemaschine in Zusammenhang steht, gemäß einem Schulungsdatensatz, der basierend auf einer Kombination der Zustandsvariablen mit den Bestimmungsdaten erzeugt wird.
  • Gemäß einem zweiten Beispiel der vorliegenden Offenbarung, in dem ersten Beispiel, kann die Lerneinheit dazu ausgestaltet sein, die Bedingung gemäß dem Schulungsdatensatz zu lernen, der für jede einer Mehrzahl von Industriemaschinen erzeugt wird.
  • Gemäß einem dritten Beispiel der vorliegenden Offenbarung, in dem ersten und zweiten Beispiel, kann die Lerneinheit einen Normalzustand lediglich in einem vorgegebenen Zeitraum lernen und erfasst anschließend das Auftreten eines Fehlers, der von der Bestimmungsdaten-Erhalteinheit bestimmt wird.
  • Gemäß einem vierten Beispiel der vorliegenden Offenbarung, in einem der ersten bis dritten Beispiele, wenn die Bestimmungsdaten-Erhalteinheit Bestimmungsdaten erhält, die einen Fehler der Industriemaschine anzeigen, kann die Lerneinheit die Bedingung durch Gewichten der Bestimmungsdaten, die in dem Schulungsdatensatz umfasst sind, aktualisieren, gemäß einer Zeitlänge von dem Zeitpunkt, wenn die Bestimmungsdaten erhalten werden, bis zum dem Zeitpunkt, an welchem ein Fehler auftritt.
  • Gemäß einem fünften Beispiel der vorliegenden Offenbarung ist eine Fehlervorhersagevorrichtung bereitgestellt, die die Maschinenlernvorrichtung nach einem der ersten bis vierten Beispiele einschließt und einen Fehler der Industriemaschine vorhersagt, wobei die Fehlervorhersagevorrichtung ferner eine Fehlerinformationsausgabeeinheit (42) einschließt, die Fehlerinformationen ausgibt, die entweder anzeigen, ob ein Fehler in der Industriemaschine aufgetreten ist, oder einen Fehlergrad anzeigen, ansprechend auf die Eingabe einer Variablen des aktuellen Zustands der Zustandsvariablen, basierend auf einem Ergebnis des Lernens durch die Lerneinheit gemäß dem Schulungsdatensatz.
  • Gemäß einem sechsten Beispiel der vorliegenden Offenbarung, in dem fünften Beispiel, kann die Lerneinheit die Bedingung nochmals gemäß einem zusätzlichen Schulungsdatensatz lernen, der basierend auf einer Kombination aus der Variablen des aktuellen Zustands mit den Bestimmungsdaten erzeugt wird.
  • Gemäß einem siebten Beispiel der vorliegenden Offenbarung, in dem fünften oder sechsten Beispiel, kann die Maschinenlernvorrichtung mit der Industriemaschine über ein Netz verbunden sein, und die Zustandsbeobachtungseinheit kann die Variable des aktuellen Zustands über das Netz erhalten.
  • Gemäß einem achten Beispiel der vorliegenden Offenbarung, in dem siebten Beispiel, kann die Maschinenlernvorrichtung auf einem Cloud-Server positioniert sein.
  • Gemäß einem neunten Beispiel der vorliegenden Offenbarung, in einem der fünften bis achten Beispiele, kann die Maschinenlernvorrichtung in einer Steuerung angebracht sein, die die Industriemaschine steuert.
  • Gemäß einem zehnten Beispiel der vorliegenden Offenbarung, in einem der fünften bis neunten Beispiele, kann die Industriemaschine eine Mehrzahl von Industriemaschinen einschließen, und das Lernergebnis, das von der Maschinenlernvorrichtung erhalten wird, kann von der Mehrzahl an Industriemaschinen geteilt werden.
  • Gemäß einem elften Beispiel der vorliegenden Offenbarung ist ein Fehlervorhersagesystem bereitgestellt, das die Fehlervorhersagevorrichtung nach einem der fünften bis zehnten Beispiele einschließt; einen Sensor, der die Ausgabedaten ausgibt; und eine Fehlerinformationsbenachrichtigungseinheit, die einen Bediener über die Fehlerinformationen benachrichtigt.
  • Gemäß einem zwölften Beispiel der vorliegenden Offenbarung, in dem elften Beispiel, kann eine Zeit, bei welcher die Fehlerinformationsbenachrichtigungseinheit den Bediener über die Fehlerinformationen benachrichtigt, wenigstens entweder eine Präzedenz einer Zeit erfüllen, die von einem ersten vorgegebenen Zeitraum definiert wird, der einer Zeit vorausgeht, bei welcher ein Fehler auftritt, oder die Folge auf eine Zeit, die von einem zweiten vorgegebenen Zeitraum definiert ist, der der Zeit vorausgeht, bei welcher der Fehler auftritt.
  • Gemäß einem dreizehnten Beispiel der vorliegenden Offenbarung ist ein Maschinenlernverfahren zum Lernen einer Bedingung bereitgestellt, die mit einem Fehler einer Industriemaschine in Zusammenhang steht, wobei das Verfahren, während die Industriemaschine in Betrieb oder im Ruhezustand ist, ein Beobachten einer Zustandsvariablen, die wenigstens entweder eine Datenausgabe aus einem Sensor, der einen Zustand entweder der Industriemaschine oder einer umgebenden Umgebung erfasst, interne Daten einer Steuersoftware, die die Industriemaschine steuert, oder Rechendaten, die basierend auf entweder den Ausgabedaten oder den internen Daten erhalten werden, umfasst; ein Erhalten von Bestimmungsdaten, die dazu verwendet werden, entweder zu bestimmen, ob ein Fehler in der Industriemaschine aufgetreten ist, oder einen Fehlergrad zu bestimmen; und ein Lernen der Bedingung, die mit dem Fehler der Industriemaschine in Zusammenhang steht, einschließt, gemäß einem Schulungsdatensatz, der basierend auf einer Kombination der Zustandsvariablen mit den Bestimmungsdaten erzeugt wird.
  • Die vorliegende Erfindung ist unter Bezugnahme auf die anliegenden Zeichnungen einfacher zu verstehen. Es zeigen:
    • 1 ein Blockdiagramm, das ein beispielhaftes Fehlervorhersagesystem nach einer Ausführungsform darstellt;
    • 2 ein Flussdiagramm, das eine beispielhafte Sequenz des Lernprozesses in einer Maschinenlernvorrichtung darstellt;
    • 3 ein Diagramm, das eine beispielhafte Konfiguration eines neuralen Netzes darstellt;
    • 4 eine grafische Darstellung zur Erklärung eines beispielhaften Lernzeitraums in dem unüberwachten Lernverfahren;
    • 5 Ansichten zur Erklärung eines beispielhaften rekurrenten neuralen Netzes;
    • 6 ein Blockdiagramm, das ein beispielhaftes Fehlervorhersagesystem nach einer weiteren Ausführungsform darstellt;
    • 7 grafische Darstellungen (Typ 1) zur Erklärung von beispielhaften Indexwerten, die den Fehlergrad in dem Fehlervorhersagesystem nach der Ausführungsform darstellen;
    • 8 eine grafische Darstellung (Typ 2) zur Erklärung eines beispielhaften Indexwerts, der den Fehlergrad in dem Fehlervorhersagesystem nach der Ausführungsform darstellt; und
    • 9 ein Flussdiagramm, das eine beispielhafte Sequenz einer Fehlervorhersage darstellt, die ein Lernergebnis verwertet.
  • Ausführungsformen eines Maschinenlernverfahrens und einer Maschinenlernvorrichtung, und einer Fehlervorhersagevorrichtung und eines Fehlervorhersagesystems, das die Maschinenlernvorrichtung gemäß der vorliegenden Erfindung einschließt, werden nachstehend in Bezug auf die anliegenden Zeichnungen beschrieben. Es ist jedoch zu verstehen, dass die vorliegende Erfindung nicht auf die Zeichnungen oder die nachfolgende Ausführungsform beschränkt ist. Um ein besseres Verständnis der vorliegenden Erfindung zu fördern, sind Bauteile gemäß der Ausführungsform in den Zeichnungen gegebenenfalls in unterschiedlichen Maßstäben dargestellt. Dieselben Bezugszeichen kennzeichnen dieselben oder entsprechende Bauteile.
  • 1 ist ein Blockdiagramm, das ein beispielhaftes Fehlervorhersagesystem nach einer Ausführungsform darstellt. Ein Fehlervorhersagesystem 1 kann Bedingungen in Zusammenhang mit einem Fehler einer Industriemaschine (nachstehend auch als „Fehlerbedingungen“ bezeichnet) unter Verwendung einer Maschinenlernvorrichtung 5, die die Maschinenlernfunktion aufweist, lernen. Das Fehlervorhersagesystem 1 kann Fehlerinformationen gemäß dem Zustand der Industriemaschine oder der Umgebung, die sie umgibt, basierend auf dem Lernergebnis erzeugen, das von der Maschinenlernvorrichtung 5 erhalten wird.
  • In dieser Patentschrift bezieht sich eine „Industriemaschine“ auf unterschiedliche Maschinen, die Industrieroboter, Serviceroboter und durch CNC-Vorrichtungen (computernumerische Steuerung) gesteuerte Maschinen einschließen. Ferner schließt in dieser Patentschrift ein „Fehler einer Industriemaschine“ Fehler von Bauteilen ein, aus welchen die Industriemaschine zusammengesetzt ist. Mit anderen Worten ist ein „Fehler einer Industriemaschine“ nicht auf den Zustand beschränkt, in welchem eine beabsichtigte Funktion einer Industriemaschine nicht ausführbar ist, sondern er schließt auch beispielsweise den Zustand ein, in welchem ein normaler Betrieb kurzfristig oder dauerhaft nicht wiedergebbar ist.
  • „Fehlerinformationen“, die von dem Fehlervorhersagesystem 1 erzeugt werden, schließen Informationen ein, die anzeigen, ob ein Fehler in der Industriemaschine aufgetreten ist, oder Informationen, die den „Grad des Fehlers“ anzeigen. Die „Fehlerinformationen“ können Informationen einschließen, die anzeigen, dass die Industriemaschine in einem normalen Zustand ist. Der „Grad des Fehlers“ bezieht sich auf die Schwere des Fehlers. Der „Grad des Fehlers“ kann einen beschränkten maximalen oder minimalen Wert aufweisen. Der „Grad des Fehlers“ kann eine kontinuierliche oder diskrete Quantität sein. Der Bediener kann entscheiden, ob das Zielbauteil sofort oder während des nächsten Wartungsbetriebs ausgetauscht oder repariert werden soll, gemäß dem „Grad des Fehlers“.
  • Das Fehlervorhersagesystem 1, das dazu verwendet wird, einen Fehler eines Roboters 2 vorherzusagen, wird nachstehend beschrieben. Fachmänner in diesem Gebiet würden jedoch erkennen, dass die vorliegende Erfindung in ähnlicher Weise auf beliebige andere Industriemaschinen anwendbar ist.
  • Der in 1 dargestellte Roboter 2 ist in einem Sechs-Achs-Vertikal-Knickarmroboter umgesetzt, wobei seine entsprechenden Gelenke von Motoren angetrieben werden. Der Roboter 2 ist mit einer Robotersteuerung 3 über ein bekanntes Kommunikationsmittel verbunden. Die Robotersteuerung 3 erzeugt einen Befehl für den Roboter 2 gemäß einem Steuerprogramm.
  • Die Robotersteuerung 3 ist in einem digitalen Computer umgesetzt, der eine mit einer Zentraleinheit verbundene Schnittstelle, einen ROM, einen RAM, einen nicht-flüchtigen Speicher und eine externe Vorrichtung einschließt. Die Robotersteuerung 3 schließt eine Fehlerbestimmungseinheit 31 ein, wie in 1 dargestellt.
  • Die Fehlerbestimmungseinheit 31 bestimmt einen Fehler des Roboters 2, unter Verwendung des bekannten Fehlerdiagnoseverfahrens. Die Fehlerbestimmungseinheit 31 bestimmt, ob ein Fehler in dem Roboter 2 aufgetreten ist oder den Grad des Fehlers unabhängig von Fehlerinformationen, die von dem Fehlervorhersagesystem 1 erzeugt werden. Wenn beispielsweise ein Störmoment, das von einem Drehmomentsensor erfasst wird, oder die Schwingungsamplitude der Datenausgabe aus einem Sensor eine vorgegebene Schwelle überschreitet, bestimmt die Fehlerbestimmungseinheit 31, dass ein Fehler aufgetreten ist. Alternativ kann die Fehlerbestimmungseinheit 31 bestimmen, dass ein Fehler in dem Roboter 2 aufgetreten ist, basierend auf internen Daten einer Steuersoftware, die in der Robotersteuerung 3 gespeichert ist. Auf diese Weise bestimmt die Fehlerbestimmungseinheit 31 Fehler basierend auf unterschiedlichen Faktoren. Das Bestimmungsergebnis, das von der Fehlerbestimmungseinheit 31 erhalten wird, wird in eine Bestimmungsdaten-Erhalteinheit 51 der Maschinenlernvorrichtung 5 eingegeben (wird nachfolgend beschrieben).
  • In einer weiteren Ausführungsform kann die Maschinenlernvorrichtung 5 dazu ausgestaltet sein, einen Fehler des Roboters 2 zu entdecken, oder die Bestimmungsdaten-Erhalteinheit 51 dazu zu verwenden, Fehlerinformationen ansprechend auf den Eingabevorgang durch einen feststellbaren Bediener zu empfangen.
  • Das Fehlervorhersagesystem 1 schließt ferner einen Sensor 11 ein, der den Zustand des Roboters 2 oder der umgebenden Umgebung erfasst. Der Sensor 11 kann wenigstens entweder einen Kraftsensor, einen Drehmomentsensor, einen Schwingungssensor, einen Tonsammelsensor, einen Bildsensor, einen Distanzsensor, einen Temperatursensor, einen Feuchtigkeitssensor, einen Flusssensor, einen Lichtmengesensor, einen pH-Sensor, einen Drucksensor, einen Viskositätssensor oder einen Geruchssensor einschließen. Die Datenausgabe aus dem Sensor 11 (nachstehend auch einfach als „Ausgabedaten“ bezeichnet) wird in eine Zustandsbeobachtungseinheit 52 der Maschinenlernvorrichtung 5 eingegeben.
  • Die Maschinenlernvorrichtung 5 lernt die Fehlerbedingungen des Roboters 2. In einer Ausführungsform kann die Maschinenlernvorrichtung 5 in einem digitalen Computer umgesetzt sein, der mit dem Roboter 2 über ein Netz verbunden ist und unabhängig von der Robotersteuerung 3 ist.
  • In einer weiteren Ausführungsform kann die Maschinenlernvorrichtung 5 in die Robotersteuerung 3 eingebaut sein. In diesem Fall führt die Maschinenlernvorrichtung 5 ein Maschinenlernen unter Verwendung des Prozessors der Robotersteuerung 3 durch. In noch einer weiteren Ausführungsform kann die Maschinenlernvorrichtung 5 auf einem Cloud-Server positioniert sein.
  • Die Maschinenlernvorrichtung 5 schließt eine Bestimmungsdaten-Erhalteinheit 51, eine Zustandsbeobachtungseinheit 52 und eine Lerneinheit 53 ein, wie in 1 dargestellt.
  • Die Bestimmungsdaten-Erhalteinheit 51 erhält Bestimmungsdaten von der Fehlerbestimmungseinheit 31. Die Bestimmungsdaten werden von der Bestimmungsdaten-Erhalteinheit 51 in die Lerneinheit 53 eingegeben und von der Maschinenlernvorrichtung 5 zum Lernen von Fehlerbedingungen verwendet. Die Bestimmungsdaten werden als Daten definiert, die zur Bestimmung verwendet werden, ob ein Fehler aufgetreten ist, oder um den Grad des Fehlers zu bestimmen. Es kann sein, dass die Bestimmungsdaten keine Daten einschließen, die darstellen, dass ein Fehler aufgetreten ist, d.h. dass der Roboter 2 in einem anomalen Zustand ist.
  • Die Zustandsbeobachtungseinheit 52 beobachtet eine Zustandsvariable als einen Eingabewert für das Maschinenlernen, während der Roboter 2 in Betrieb oder im Ruhezustand ist. In einer Ausführungsform, in welcher die Maschinenlernvorrichtung 5 mit dem Roboter 2 und dem Sensor 11 über ein Netz verbunden ist, erhält die Zustandsbeobachtungseinheit 52 eine Zustandsvariable über das Netz.
  • Die Zustandsvariable kann eine Datenausgabe aus dem Sensor 11 einschließen. Die Zustandsvariable kann interne Daten einer Steuersoftware einschließen, die den Roboter 2 steuert. Die internen Daten können wenigstens entweder das Drehmoment, die Position, die Geschwindigkeit, die Beschleunigung, den Ruck, den Strom, die Spannung oder den geschätzten Störwert einschließen. Der geschätzte Störwert ist beispielsweise ein Störwert, der von einem Beobachter basierend auf einem Drehmomentbefehl und einer Geschwindigkeitsrückkopplung geschätzt wird.
  • Die Zustandsvariable kann Rechendaten einschließen, die basierend auf den Ausgabedaten oder den internen Daten erhalten werden. Die Rechendaten können unter Verwendung von wenigstens entweder einer Frequenzanalyse, einer Zeit-Frequenzanalyse oder einer Autokorrelationsanalyse erhalten werden. Die Rechendaten können selbstverständlich unter Verwendung einer einfacheren Berechnung, wie z.B. einer Koeffizienten-Vervielfältigung oder einer Differenzial- und Integraloperation, erhalten werden.
  • Die Lerneinheit 53 lernt Fehlerbedingungen gemäß einem Schulungsdatensatz, der basierend auf einer Kombination aus der Zustandsvariablenausgabe aus der Zustandsbeobachtungseinheit 52 und der Bestimmungsdatenausgabe aus der Bestimmungsdaten-Erhalteinheit 51 erzeugt wird. Der Schulungsdatensatz enthält Daten, die die Zustandsvariable und die Bestimmungsdaten miteinander verbinden.
  • Ein beispielhafter Lernprozess in der Maschinenlernvorrichtung 5 wird nachstehend in Bezug auf 2 beschrieben. Wenn das Lernen gestartet wird, erhält die Zustandsbeobachtungseinheit 52 eine Zustandsvariable, die beispielsweise Ausgangsdaten, interne Daten oder Rechendaten einschließt, in Schritt S201. In Schritt S202 erhält die Bestimmungsdaten-Erhalteinheit 51 Bestimmungsdaten auf Basis des Bestimmungsergebnisses, das von der Fehlerbestimmungseinheit 31 erhalten wird.
  • In Schritt S203 lernt die Lerneinheit 53 Fehlerbedingungen in Zusammenhang mit einem Schulungsdatensatz, der basierend auf einer Kombination aus der Zustandsvariablen, die in Schritt S201 erhalten wird, und den Bestimmungsdaten, die in Schritt S202 erhalten werden, erzeugt wird. Die Prozesse in Schritt S201 bis S203 werden wiederholt, bis die Maschinenlernvorrichtung 5 Fehlerbedingungen zufriedenstellend lernt.
  • In einer Ausführungsform kann die Lerneinheit 53 der Maschinenlernvorrichtung 5 Fehlerbedingungen gemäß einem neuralen Netzmodell lernen. 3 zeigt ein beispielhaftes neurales Netzmodell. Das neurale Netz schließt eine Eingabeschicht, die I Neuronen x1, x2, x3,..., xl einschließt, eine mittlere Schicht (verdeckte Schicht), die m Neuronen y1, y2, y3,..., ym einschließt, und eine Ausgabeschicht ein, die n Neuronen z1, z2, z3,..., zn einschließt. Obwohl 3 lediglich eine mittlere Schicht darstellt, können zwei oder mehr mittlere Schichten gebildet sein. Obwohl die Maschinenlernvorrichtung 5 (neurales Netz) einen Universalrechner oder -prozessor verwendet, ermöglicht die Verwendung beispielsweise von GPGPU (General-Purpose computing on Graphics Processing Units, Allgemeiner Einsatz von Grafikprozessoren) oder von großtechnischen PC-Clustern eine höhere Verarbeitungsgeschwindigkeit.
  • Das neurale Netz lernt Fehlerbedingungen in Zusammenhang mit einem Fehler des Roboters 2. Das neurale Netz lernt das Verhältnis zwischen der von der Zustandsbeobachtungseinheit 52 beobachteten Zustandsvariablen und dem Auftreten eines Fehlers, d.h. Fehlerbedingungen, durch sogenanntes überwachtes Lernen, gemäß einem Schulungsdatensatz, der basierend auf einer Kombination dieser Zustandsvariablen mit den Bestimmungsdaten, die von der Bestimmungsdaten-Erhalteinheit 51 erhalten werden, erzeugt wird. Beim überwachten Lernen wird eine große Anzahl an Sätzen von Daten bestimmter Eingaben und Ergebnisse (Kennsätze) in eine Maschinenlernvorrichtung eingespeist, die Merkmale lernt, die in diesen Datensätzen beobachtet werden, und sich induktiv ein Modell zum Schätzen des Ergebnisses aus der Eingabe aneignet, d.h. das Verhältnis davon.
  • Alternativ kann das neurale Netz lediglich Zustandsvariablen sammeln, während kein Fehler aufgetreten ist, d.h. während der Roboter 2 in normalem Betrieb ist, um Fehlerbedingungen durch sogenanntes unüberwachtes Lernen zu lernen. Wenn beispielsweise die Rate des Auftretens eines Fehlers des Roboters 2 sehr gering ist, kann unüberwachtes Lernen effektiv sein. Beim unüberwachten Lernen werden lediglich Eingabedaten in großen Mengen in eine Lernvorrichtung eingespeist, die die Verteilung der Eingabedaten lernt und eine Vorrichtung lernt, die die Eingabedaten beispielsweise komprimiert, klassifiziert und formt, ohne dass entsprechende Lehrausgabedaten in die Lernvorrichtung eingespeist werden. Dies ermöglicht beispielsweise ein Clustern von Merkmalen, die in diesen Datensätzen vorkommen, zu ähnlichen Merkmalen. Das erzielte Ergebnis kann dazu verwendet werden, bestimmte Kriterien zu definieren und Ausgaben auf optimierende Weise gemäß den Kriterien zu verteilen, wodurch eine Ausgabe vorhergesagt wird. Eine dazwischenliegende Problemermittlung zwischen unüberwachtem Lernen und überwachtem Lernen, als semiüberwachtes Lernen bezeichnet, ist auch verfügbar. Dies gilt, wenn beispielsweise lediglich einige Daten als Datensätze von Eingaben und Ausgaben dienen und die restlichen Daten lediglich Eingaben einschließen.
  • 4 ist eine grafische Darstellung zur Erklärung eines beispielhaften Lernzeitraums in einem unüberwachten Lernverfahren. Die Abszisse stellt die Zeit (Ablauf von Zeit) dar und die Ordinate stellt den Fehlergrad dar. Bei einem unüberwachten Lernverfahren, wie zuvor beschrieben, wird ein bestimmter vorgegebener Zeitraum, beispielsweise mehrere Wochen, angefangen unmittelbar nach dem Versand oder der Wartung des Roboters 2, als Lernzeitraum eingestellt. Lediglich während dieses Zeitraums wird die Zustandsvariable aktualisiert und der sich ergebende Zustand wird als normal definiert, wie in 4 gezeigt. Danach wird die Zustandsvariable nicht mehr aktualisiert und es wird lediglich eine Anomalitätsbestimmung durchgeführt, indem ein „Fehlergrad“ auf Basis der Distanz zwischen der Ergebnisausgabe aus dem neuralen Netz und dem normalen Modell ausgegeben wird, wodurch eine Anomalitätserfassung erzielt wird.
  • Bei dieser Ausführungsform ist die Verwendung eines neuralen Netzes, das als rekurrenter Typ bezeichnet wird, auch effektiv, da beispielsweise Zeitreihendaten mit einer bestimmten temporalen Korrelation modelliert werden. Ein RNN (Recurrent Neural Network, Rekurrentes Neurales Netz) bildet ein Lernmodell nicht ausschließlich unter Verwendung des Zustands im aktuellen Zeitmoment, sondern zugleich unter Verwendung der internen Zustände bei den vorherigen Zeitmomenten. Das rekurrente neurale Netz kann ähnlich wie das allgemeine neurale Netz behandelt werden, angenommen das Netz hat sich entlang der Zeitachse ausgedehnt. Obwohl eine Vielzahl von rekurrenten neuralen Netzen verfügbar ist, wird nachstehend ein einfaches rekurrentes Netz (Elman-Netz) als Beispiel genommen.
  • 5 zeigt Ansichten zur Erklärung eines beispielhaften rekurrenten neuralen Netzes. 5 stellt in (a) die Zeiterstreckung eines Elman-Netzes und in (b) die BPTT (Back Propagation Through Time, Rückwärtsausbreitung durch die Zeit) in dem Fehler-Rückwärtsausbreitungsverfahren dar. Eine Rückwärtsausbreitung ist so lange zutreffend, wie eine Elman-Netzarchitektur, wie in (a) von 5 dargestellt, verwendet wird.
  • Jedoch breitet sich im Elman-Netz im Unterschied zum normalen neuralen Netz der Fehler rückwärts in der Zeit aus, wie in (b) gemäß 5 dargestellt. Eine derartige Rückwärtsausbreitung wird als BPTT (Back Propagation Through Time, Rückwärtsausbreitung durch die Zeit) bezeichnet. Die Verwendung einer derartigen neuralen Netzarchitektur ermöglicht die Einschätzung eines Modells für die Ausgabe, basierend auf der früheren Eingabeumwandlung, um beispielsweise Informationen zu verwenden, die anzeigen, ob der geschätzte Ausgabewert einem vorgegebenen Ausreißer entspricht, für das Verhältnis mit dem Auftreten eines Fehlers.
  • Bei der Fehlervorhersage, die später beschrieben wird, gibt die Ausgabeschicht Informationen aus, die anzeigen, ob ein Fehler aufgetreten ist, oder die den „Fehlergrad“ anzeigen, der den zuvor genannten Fehlerinformationen entspricht, ansprechend auf die Zustandsvariableneingabe in die Eingangsschicht des neuralen Netzes. Der „Fehlergrad“ kann einen beschränkten maximalen oder minimalen Wert aufweisen oder eine kontinuierliche oder diskrete Quantität sein.
  • Die Maschinenlernvorrichtung und das Maschinenlernverfahren gemäß der zuvor beschriebenen Ausführungsform können Fehlerbedingungen gemäß den tatsächlichen Umständen der Verwendung lernen, die präziser sind als Fehlerbedingungen basierend auf der Bestimmungsdatenausgabe aus der Bestimmungsdaten-Erhalteinheit 51. Dies ermöglicht eine akkurate Fehlervorhersage, auch wenn Faktoren, die zu Fehlern führen können, kompliziert sind und die Voreinstellung von Fehlerbedingungen erschweren.
  • In einer Ausführungsform, wenn die Bestimmungsdaten-Erhalteinheit 51 Bestimmungsdaten erhält, die einen Fehler des Roboters 2 darstellen, kann die Lerneinheit 53 die Fehlerbedingungen aktualisieren, indem alle Bestimmungsdaten gemäß der Länge der Zeit von dem Zeitpunkt, wenn diese Bestimmungsdaten erhalten werden, bis zu dem Zeitpunkt, an welchem ein Fehler auftritt, gewichtet werden. Je kürzer der Zeitraum vom Erhalt der Bestimmungsdaten bis zum tatsächlichen Auftreten eines Fehlers ist, desto näher ist der geschätzte Zustand an einem Zustand, der direkt mit dem Auftreten eines Fehlers zusammenhängt. Daher können Fehlerbedingungen effektiv durch Gewichten der Bestimmungsdaten gemäß der verstrichenen Zeit, nachdem ein Schulungsdatensatz erhalten wird, gelernt werden.
  • In einer Ausführungsform kann die Lerneinheit 53 Fehlerbedingungen gemäß Schulungsdatensätzen lernen, die für eine Mehrzahl von Robotern 2 erzeugt werden. Die Lerneinheit 53 kann Schulungsdatensätze von einer Mehrzahl von Robotern 2 erhalten, die an demselben Ort verwendet werden, oder Fehlerbedingungen unter Verwendung von Schulungsdatensätzen lernen, die aus einer Mehrzahl von Robotern 2 gesammelt werden, die unabhängig voneinander an verschiedenen Orten arbeiten. Ein Roboter 2 kann, im Verlauf einer Datensammlung, zu einer Gruppe von Robotern hinzugefügt werden, aus welchen ein Schulungsdatensatz gesammelt wird, oder kann umgekehrt aus einer Gruppe von Robotern ausgeschlossen werden, aus welchen ein Schulungsdatensatz gesammelt wird.
  • Als Verfahren zum Teilen von Schulungsdatensätzen für eine Mehrzahl von Robotern 2 werden nachstehend drei Beispiele genannt, aber andere Verfahren können natürlich auch anwendbar sein. Zunächst ist ein Verfahren zum Teilen desselben Modells für ein neurales Netz verfügbar, bei welchem beispielsweise die Differenz zwischen jeweiligen Robotern 2 unter Verwendung eines Kommunikationsmittels für jeden Gewichtungsfaktor eines Netzes gesendet und reflektiert wird. Zweitens kann das Gewicht der Maschinenlernvorrichtung 5 und dergleichen durch Teilen eines Datensatzes der Eingabe und der Ausgabe eines neuralen Netzes geteilt werden. Drittens wird eine vorhandene Datenbank bereitgestellt und auf sie zugegriffen, um ein passenderes Modell für ein neurales Netz zu laden, um den Zustand zu teilen (Verwendung ähnlicher Modelle).
  • 6 ist ein Blockdiagramm, das ein beispielhaftes Fehlervorhersagesystem gemäß einer weiteren Ausführungsform darstellt. Ein Fehlervorhersagesystem 1 schließt eine Fehlervorhersagevorrichtung 4 ein, die Fehlerinformationen für einen Roboter 2 unter Verwendung des Lernergebnisses, das von einer Maschinenlernvorrichtung 5 erhalten wird, erzeugt.
  • Die Fehlervorhersagevorrichtung 4 schließt eine Zustandsbeobachtungseinheit 41 und eine Fehlerinformationsausgabeeinheit 42 ein. Die Zustandsbeobachtungseinheit 41 arbeitet ähnlich wie die Zustandsbeobachtungseinheit 52, die in Bezug auf 1 beschrieben ist, und erhält eine Zustandsvariable, die den Zustand des Roboters 2 oder die umgebende Umgebung wiederspiegelt. Die Fehlerinformationsausgabeeinheit 42 gibt die Fehlerinformationen des Roboters 2 ansprechend auf die Eingabe der Zustandsvariablen über die Zustandsbeobachtungseinheit 41 aus, basierend auf dem Ergebnis des Lernens durch eine Lerneinheit 53 der zuvor genannten Maschinenlernvorrichtung 5 gemäß einem Schulungsdatensatz.
  • Eine Robotersteuerung 3 kann eine Benachrichtigungseinheit (Fehlerinformationsbenachrichtigungseinheit) 32 einschließen, wie in 6 dargestellt. Die Benachrichtigungseinheit 32 benachrichtigt den Bediener über die Fehlerinformationsausgabe aus der Fehlerinformationsausgabeeinheit 42. Der Modus, in welchem der Bediener über die Fehlerinformationen benachrichtigt wird, ist nicht besonders beschränkt, solange die Fehlerinformationen für den Bediener erkennbar sind. Beispielsweise können Informationen, die anzeigen, ob ein vorhergesagter Fehler aufgetreten ist, oder die den Grad des Fehlers anzeigen, auf einer Anzeige (nicht dargestellt) angezeigt werden, oder ein Warnton kann gemäß den Einzelheiten der Fehlerinformationen erzeugt werden.
  • 7 und 8 sind grafische Darstellungen zur Erklärung von beispielhaften Indexwerten, die die Fehlergrade (erstes bis viertes Beispiel) in dem Fehlervorhersagesystem gemäß der Ausführungsform darstellen. In Bezug auf (a), (b) und (c) von 7 und 8 stellt die Abszisse die Zeit dar und die Ordinate stellt den Fehlergrad dar. In beispielsweise dem ersten Beispiel kann ein Indexwert, der den „Fehlergrad“ darstellt, höher für einen Zustand eingestellt werden, der näher an einem Fehler ist, und die Fehlerinformationsausgabeeinheit 42 kann den Indexwert ausgeben, der durch Lernen erhalten wird, direkt als Fehlerinformationen, wie als (a) von 7 dargestellt ist. In beispielsweise dem zweiten Beispiel kann eine Schwelle für den zuvor genannten Indexwert eingestellt werden, und die Fehlerinformationsausgabeeinheit 42 kann als Fehlerinformationen Informationen ausgeben, die anzeigen, ob ein Fehler aufgetreten ist, durch Definieren eines Werts als anomal, der der Schwelle entspricht oder größer als die Schwelle ist, und eines Werts als normal, der kleiner als die Schwelle ist, wie als (b) von 7 dargestellt. In beispielsweise dem dritten Beispiel kann eine Mehrzahl von Schwellen (Schwellen 1 bis 3) für den zuvor genannten Indexwert eingestellt werden, und die Fehlerinformationsausgabeeinheit 42 kann als Fehlerinformationen schwellenspezifische Level (Fehlerlevel 1 bis 4) ausgeben, wie als (c) von 7 dargestellt ist.
  • In beispielsweise dem vierten Beispiel wird ein Verhältnis zwischen dem zuvor genannten Indexwert und der Zeit, bis ein Fehler auftritt, basierend auf einer Mehrzahl von Daten (Lehrdaten) erhalten, die zu Fehlern führen, und eine erste Schwelle für die Erfüllung einer Präzedenz einer Zeit, die von einem ersten vorgegebenen Zeitraum definiert wird, der der Zeit vorausgeht, bei welcher ein Fehler auftritt, wird wiederum basierend auf dem erhaltenen Verhältnis erhalten, wie in 8 dargestellt ist. Eine zweite Schwelle für die Erfüllung einer Subsequenz oder Folge einer Zeit, die von einem zweiten vorgegebenen Zeitraum definiert wird, der der Zeit vorausgeht, bei welcher ein Fehler auftritt, wird ferner bestimmt. Wenn wenigstens eine der Bedingungen, dass der Indexwert kleiner als die erste Schwelle ist und dass der Indexwert der zweiten Schwelle entspricht oder größer ist, erfüllt ist, kann die Fehlerinformationsausgabeeinheit 42 als Fehlerinformationen den Indexwert selbst oder ein Level des Indexwerts ausgeben, wobei die Level durch Trennen des Umfangs des Indexwerts gemäß den Schwellen erzeugt wird. Eine Schwelle kann in diesem Fall bestimmt werden, um beispielsweise zu ermöglichen, dass die vorherigen Lehrdaten alle Bedingungen erfüllen, eine Abweichung dementsprechend einzustellen, oder sogar um stochastisch Bestimmungsfehler innerhalb eines vorgegebenen Wahrscheinlichkeitsbereichs zu tolerieren.
  • Eine beispielhafte Fehlervorhersage, die unter Verwendung des Lernergebnisses durchgeführt wird und von der Maschinenlernvorrichtung erhalten wird, wird nachstehend in Bezug auf 9 beschrieben. Bei Schritt S501 erhält die Zustandsbeobachtungseinheit 41 die Variable des aktuellen Zustands einschließlich der Datenausgabe von beispielsweise einem Sensor 11. Bei Schritt S502 gibt die Fehlerinformationsausgabeeinheit 42 Fehlerinformationen gemäß der Zustandsvariablen aus, die in Schritt S501 erhalten wird, basierend auf dem zuvor genannten Lernergebnis, das von der Maschinenlernvorrichtung 5 erhalten wird. Wenn das Fehlervorhersagesystem 1 eine Benachrichtigungseinheit 32 einschließt, kann der Schritt des Benachrichtigens des Bedieners über die Fehlerinformationen nach Schritt S502 ausgeführt werden.
  • Die Fehlervorhersage durch die Fehlervorhersagevorrichtung 4, die in Bezug auf 9 beschrieben wird, kann durchgeführt werden, wenn der Roboter 2 einen bestimmten Vorgang ausführt, der im Voraus bestimmt wird. Alternativ können die Prozesse in Schritt S501 und S502 kontinuierlich parallel ausgeführt werden, während der Roboter 2 in Betrieb oder im Ruhezustand ist. Eine Fehlervorhersage kann periodisch zu vorbestimmten Zeitpunkten durchgeführt werden.
  • In einer Ausführungsform kann die Maschinenlernvorrichtung 5 ein Maschinenlernen parallel zu einer Fehlervorhersage durch die Fehlervorhersagevorrichtung 4 durchführen. In diesem Fall, während die Fehlervorhersagevorrichtung 4 eine Fehlerinformation erzeugt, lernt die Lerneinheit 53 der Maschinenlernvorrichtung 5 wieder Fehlerbedingungen, basierend auf den Bestimmungsdaten, die von einer Fehlerbestimmungseinheit 31 oder über die Bedienung des Bedieners erhalten werden, und der Zustandsvariablen zu diesem Zeitpunkt.
  • Obwohl eine Ausführungsform, in welcher das Maschinenlernen unter Verwendung eines neuralen Netzes durchgeführt wird, zuvor beschrieben wurde, kann das Maschinenlernen gemäß anderen bekannten Verfahren durchgeführt werden, wie z.B. genetische Programmierung, funktionale logische Programmierung oder Stützenvektormaschine. In dieser Patentschrift bezieht sich wiederum eine „Industriemaschine“ auf unterschiedliche Maschinen, die Industrieroboter, Serviceroboter und durch CNC-Vorrichtungen gesteuerte Maschinen (Computer Numerical Control, computernumerische Steuerung) einschließen, wie zuvor beschrieben.
  • Die Maschinenlernvorrichtung und das Maschinenlernverfahren gemäß der vorliegenden Erfindung lernen Bedingungen in Zusammenhang mit einem Fehler einer Industriemaschine, gemäß einem Schulungsdatensatz, der basierend auf einer Kombination der Zustandsvariablen mit den Bestimmungsdaten erzeugt wird. Da Fehlerbedingungen gelernt werden, während die Industriemaschine tatsächlich bedient wird, werden genaue Fehlerbedingungen gemäß den tatsächlichen Umständen der Verwendung gelernt. Zusätzlich dazu, da die Fehlervorhersagevorrichtung und das Fehlervorhersagesystem gemäß der vorliegenden Erfindung eine Maschinenlernvorrichtung einschließen, die dazu fähig ist, Fehlerbedingungen als Maschine zu lernen, erzielen sie eine akkurate Fehlervorhersage gemäß den tatsächlichen Umständen der Verwendung.

Claims (16)

  1. Fehlervorhersagesystem, eingerichtet zum Vorhersagen eines Fehlers einer Maschine (2), wobei das System Folgendes umfasst: zumindest einen Speicher, der zum Speichern eines durch Maschinenlernen erlernten neuronalen Netzes eingerichtet ist; eine Zustandsbeobachtungseinheit (52), die zum Erhalten einer Zustandsvariable eingerichtet ist, die wenigstens entweder eine Datenausgabe aus zumindest einem Sensor, der zum Erfassen eines Zustands entweder der Maschine (2) oder einer umgebenden Umgebung eingerichtet ist, interne Daten einer Steuersoftware, die die Maschine (2) steuert, oder Rechendaten, die basierend auf entweder den Ausgabedaten oder den internen Daten erhalten werden, umfasst; eine Fehlerinformationsausgabeeinheit (42), die zum Ausgeben von Fehlerinformationen eingerichtet ist, die zumindest entweder anzeigen, ob ein Fehler in der Industriemaschine (2) aufgetreten ist, einen Fehlergrad anzeigen oder ob die Maschine (2) in einem normalen Zustand ist, durch Eingeben der erhaltenen Zustandsvariable in das neuronale Netz; und eine Fehlerinformationsbenachrichtigungseinheit (32), die zum Benachrichtigen von Informationen basierend auf den Fehlerinformationen vor einer Zeit, bei welcher der Fehler auftritt, eingerichtet ist.
  2. Fehlervorhersagesystem nach Anspruch 1, wobei das neuronale Netz dazu ausgestaltet ist, eine Bedingung gemäß einem Schulungsdatensatz zu lernen, der für jede einer Mehrzahl von Maschinen (2) erzeugt wird.
  3. Fehlervorhersagesystem nach Anspruch 1 oder 2, weiter umfassend: die Maschine (2); und den zumindest einen Sensor, der zum Ausgeben der Ausgabedaten eingerichtet ist.
  4. Fehlervorhersagesystem (4) nach einem der Ansprüche 1 bis 3, wobei das neuronale Netz weiter eingerichtet ist zum Lernen einer Bedingung nochmals gemäß einem zusätzlichen Schulungsdatensatz, der basierend auf einer Kombination aus der erhaltenen Zustandsvariable und Bestimmungsdaten erzeugt wird, die verwendet werden, um entweder zu bestimmen, ob der Fehler in der Maschine (2) auftritt, oder den Fehlergrad.
  5. Fehlervorhersagesystem nach einem der Ansprüche 1 bis 4, wobei die Maschine (2) zumindest eines von einem Industrieroboter, einem Serviceroboter oder einer Maschine ist, die durch ein computernumerisches Steuerungsgerät gesteuert wird.
  6. Fehlervorhersagesystem nach einem der Ansprüche 1 bis 5, wobei eine Zeit, bei welcher die Information benachrichtigt wird, Präzedenz vor einer Zeit hat, die durch einen ersten vorbestimmten Zeitraum definiert ist, die der Zeit vorausgeht, zu der der Fehler auftritt.
  7. Fehlervorhersagesystem nach Anspruch 6, wobei die Zeit, bei welcher die Fehlerinformation benachrichtigt wird, einer Zeit nachfolgt, die durch einen zweiten vorbestimmten Zeitraum definiert ist, die der Zeit, bei welcher der Fehler auftritt, vorausgeht, wobei der zweite vorbestimmte Zeitraum länger ist als der erste vorbestimmte Zeitraum.
  8. Fehlervorhersagesystem nach einem der Ansprüche 1 bis 7, wobei die Maschine eine Mehrzahl von Maschinen (2) umfasst, und wobei das neuronale Netz von der Mehrzahl an Maschinen (2) geteilt wird.
  9. Fehlervorhersagesystem nach einem der Ansprüche 1 bis 8, wobei das neuronale Netz durch überwachtes Lernen gelernt wird.
  10. Fehlervorhersagesystem nach einem der Ansprüche 1 bis 8, wobei das neuronale Netz durch unüberwachtes Lernen in Übereinstimmung mit einem Schulungsdatensatz gelernt wird, der eine Zustandsvariable beinhaltet, wenn die Maschine in einem normalen Betrieb ist.
  11. Fehlervorhersageverfahren zum Vorhersagen eines Fehlers einer Maschine (2), wobei das Verfahren Folgendes umfasst: Erhalten einer Zustandsvariable, die wenigstens entweder eine Datenausgabe aus zumindest einem Sensor, der zum Erfassen eines Zustands entweder der Maschine (2) oder einer umgebenden Umgebung eingerichtet ist, interne Daten einer Steuersoftware, die die Maschine (2) steuert, oder Rechendaten, die basierend auf entweder den Ausgabedaten oder den internen Daten erhalten werden, umfasst; Erzeugen von Fehlerinformationen, die wenigstens entweder auf den Fehler, der in der Maschine (2) auftritt, einen Fehlergrad anzeigen, oder ob die Maschine (2) in einem normalen Zustand ist, durch Eingeben der erhaltenen Zustandsvariable in ein neuronales Netz, das in zumindest einem Speicher gespeichert ist, wobei das neuronale Netz durch Maschinenlernen lernt; und Benachrichtigen von Informationen basierend auf den Fehlerinformationen vor einer Zeit, bei welcher der Fehler auftritt.
  12. Fehlervorhersageverfahren nach Anspruch 11, wobei eine Zeit, bei welcher die Information benachrichtigt wird, Präzedenz vor einer Zeit hat, die durch einen ersten vorbestimmten Zeitraum definiert ist, die der Zeit vorausgeht, zu der der Fehler auftritt.
  13. Fehlervorhersageverfahren nach Anspruch 12, wobei die Zeit, bei welcher die Fehlerinformation benachrichtigt wird, einer Zeit nachfolgt, die durch einen zweiten vorbestimmten Zeitraum definiert ist, die der Zeit, bei welcher der Fehler auftritt, vorausgeht, wobei der zweite vorbestimmte Zeitraum länger ist als der erste vorbestimmte Zeitraum.
  14. Fehlervorhersageverfahren nach einem der Ansprüche 11 bis 13, wobei die Maschine zumindest eines von einem Industrieroboter, einem Serviceroboter oder einer Maschine ist, die durch ein computernumerisches Steuerungsgerät gesteuert wird.
  15. Fehlervorhersageverfahren nach einem der Ansprüche 11 bis 14, wobei das neuronale Netz durch überwachtes Lernen gelernt wird.
  16. Fehlervorhersageverfahren nach einem der Ansprüche 11 bis 14, wobei das neuronale Netz durch unüberwachtes Lernen in Übereinstimmung mit einem Schulungsdatensatz gelernt wird, der eine Zustandsvariable beinhaltet, wenn die Maschine in einem normalen Betrieb ist.
DE102016008987.3A 2015-07-31 2016-07-22 Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt Active DE102016008987B4 (de)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2015152572 2015-07-31
JP2015-152572 2015-07-31
JP2015234022A JP6148316B2 (ja) 2015-07-31 2015-11-30 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JP2015-234022 2015-11-30

Publications (2)

Publication Number Publication Date
DE102016008987A1 DE102016008987A1 (de) 2017-02-02
DE102016008987B4 true DE102016008987B4 (de) 2021-09-16

Family

ID=57795861

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102016008987.3A Active DE102016008987B4 (de) 2015-07-31 2016-07-22 Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt

Country Status (2)

Country Link
US (3) US10317853B2 (de)
DE (1) DE102016008987B4 (de)

Families Citing this family (87)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016008987B4 (de) * 2015-07-31 2021-09-16 Fanuc Corporation Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
US10410113B2 (en) * 2016-01-14 2019-09-10 Preferred Networks, Inc. Time series data adaptation and sensor fusion systems, methods, and apparatus
JP6088679B1 (ja) 2016-02-19 2017-03-01 ファナック株式会社 カメラの画像により故障を判定するロボットシステムの故障診断装置
US10055667B2 (en) 2016-08-03 2018-08-21 X Development Llc Generating a model for an object encountered by a robot
JP6542738B2 (ja) * 2016-10-12 2019-07-10 ファナック株式会社 対象物の出荷時検査情報と稼働時アラーム情報の相関関係を学習する機械学習装置および機械学習方法
JP6392905B2 (ja) * 2017-01-10 2018-09-19 ファナック株式会社 教示装置への衝撃を学習する機械学習装置、教示装置の衝撃抑制システムおよび機械学習方法
US11907856B2 (en) 2017-05-26 2024-02-20 Hitachi, Ltd. Determining an operating envelope for controlling equipment
JP6542839B2 (ja) * 2017-06-07 2019-07-10 ファナック株式会社 制御装置及び機械学習装置
US11521045B2 (en) 2017-06-14 2022-12-06 Knowm, Inc. Anti-Hebbian and Hebbian (AHAH) computing
JP6572265B2 (ja) * 2017-06-30 2019-09-04 ファナック株式会社 制御装置及び機械学習装置
CN110785716B (zh) 2017-06-30 2023-03-31 三菱电机株式会社 不稳定检测装置、不稳定检测系统以及不稳定检测方法
JP6380628B1 (ja) 2017-07-31 2018-08-29 株式会社安川電機 電力変換装置、サーバ、及びデータ生成方法
JP6693919B2 (ja) * 2017-08-07 2020-05-13 ファナック株式会社 制御装置及び機械学習装置
JP6680730B2 (ja) 2017-08-08 2020-04-15 ファナック株式会社 制御装置及び学習装置
JP6989841B2 (ja) * 2017-08-25 2022-01-12 国立大学法人 鹿児島大学 教師情報付学習データ生成方法、機械学習方法、教師情報付学習データ生成システム及びプログラム
DE102017120027A1 (de) * 2017-08-31 2019-02-28 Endress+Hauser Conducta Gmbh+Co. Kg Verfahren zur Diagnose eines Feldgeräts
CN111164524B (zh) * 2017-09-30 2023-09-01 西门子股份公司 一种数控机床的故障诊断信息库的生成方法和装置
JP6629815B2 (ja) 2017-10-23 2020-01-15 ファナック株式会社 寿命推定装置及び機械学習装置
EP3483685A1 (de) * 2017-11-10 2019-05-15 ABB Schweiz AG Datenverarbeitungsvorrichtung und verfahren zur durchführung einer problemdiagnose in einem produktionssystem mit mehreren robotern
CN107967485A (zh) * 2017-11-16 2018-04-27 国网冀北电力有限公司电力科学研究院 用电计量设备故障分析方法及装置
JP6798968B2 (ja) 2017-11-22 2020-12-09 ファナック株式会社 ノイズ発生原因推定装置
JP6928669B2 (ja) * 2017-11-28 2021-09-01 株式会社安川電機 制御システム、工場システム、学習システム、推定用モデルの生成方法及びアクチュエータの状態推定方法
JP6721563B2 (ja) 2017-11-28 2020-07-15 ファナック株式会社 数値制御装置
JP6669715B2 (ja) 2017-11-30 2020-03-18 ファナック株式会社 振動抑制装置
WO2019116418A1 (ja) 2017-12-11 2019-06-20 日本電気株式会社 障害分析装置、障害分析方法および障害分析プログラム
DE112017008197T5 (de) * 2017-12-18 2020-07-30 Mitsubishi Electric Corporation Anzeigesteuerungseinrichtung, Anzeigesystem, Anzeigeeinrichtung, Anzeigeverfahren und Anzeigeprogramm
JP6662926B2 (ja) 2018-01-31 2020-03-11 ファナック株式会社 ロボットおよびロボットに関する保守時期の報知方法
US10921777B2 (en) 2018-02-15 2021-02-16 Online Development, Inc. Automated machine analysis
JP6711854B2 (ja) 2018-02-22 2020-06-17 ファナック株式会社 故障予測装置及び機械学習装置
DE102018203234A1 (de) * 2018-03-05 2019-09-05 Kuka Deutschland Gmbh Vorausschauende Beurteilung von Robotern
JP6698724B2 (ja) * 2018-03-06 2020-05-27 ファナック株式会社 衝突位置推定装置及び機械学習装置
CN108510823A (zh) * 2018-03-21 2018-09-07 四川银沙科技有限公司 一种机器人工作故障远程调试教学系统
CN108389497A (zh) * 2018-03-21 2018-08-10 四川银沙科技有限公司 一种图形化机器人教学培训系统
CN108427399A (zh) * 2018-03-21 2018-08-21 四川银沙科技有限公司 一种基于移动终端的机器人教学系统
US20190302707A1 (en) * 2018-03-28 2019-10-03 Mitsubishi Electric Research Laboratories, Inc. Anomaly Detection in Manufacturing Systems Using Structured Neural Networks
CN108621159B (zh) * 2018-04-28 2020-05-19 首都师范大学 一种基于深度学习的机器人动力学建模方法
CN112400194B (zh) * 2018-06-13 2023-08-29 Ats自动化加工系统公司 用于触发训练事件的系统和方法
US11703845B2 (en) * 2018-07-06 2023-07-18 Panasonic Intellectual Property Management Co., Ltd. Abnormality predicting system and abnormality predicting method
CN112512762B (zh) * 2018-07-31 2023-10-20 日产自动车株式会社 异常判定装置和异常判定方法
US20210312472A1 (en) * 2018-08-17 2021-10-07 Telefonaktiebolaget Lm Ericsson (Publ) Method and system for prediction of smart contract violation using dynamic state space creation
US11249469B2 (en) 2018-09-28 2022-02-15 Rockwell Automation Technologies, Inc. Systems and methods for locally modeling a target variable
JP6885911B2 (ja) 2018-10-16 2021-06-16 アイダエンジニアリング株式会社 プレス機械及びプレス機械の異常監視方法
JP6787971B2 (ja) 2018-10-25 2020-11-18 ファナック株式会社 状態判定装置及び状態判定方法
US11907833B2 (en) * 2018-11-27 2024-02-20 The Boeing Company System and method for generating an aircraft fault prediction classifier
JP7107830B2 (ja) * 2018-12-21 2022-07-27 ファナック株式会社 学習用データ確認支援装置、機械学習装置、故障予知装置
DE102019219727A1 (de) * 2018-12-26 2020-07-02 Presenso Ltd. System und Verfahren zum Detektieren von Anomalien in Sensordaten von industriellen Maschinen, die in einer vorbestimmten Umgebung angeordnet sind
CN111400959B (zh) * 2018-12-27 2024-01-30 北京金风科创风电设备有限公司 风力发电机组的叶片故障诊断方法及装置
JP7092307B2 (ja) * 2019-02-01 2022-06-28 三菱電機株式会社 作業判別装置および作業判別方法
US10552765B1 (en) * 2019-02-27 2020-02-04 Ncr Corporation Predictive terminal management
EP3712728A1 (de) * 2019-03-22 2020-09-23 ABB Schweiz AG Vorrichtung zur vorhersage von ausrüstungsschäden
US20220171380A1 (en) * 2019-03-23 2022-06-02 British Telecommunications Public Limited Company Automated device maintenance
JP6993374B2 (ja) 2019-03-25 2022-01-13 ファナック株式会社 ロボット制御システム
JP7000376B2 (ja) * 2019-04-23 2022-01-19 ファナック株式会社 機械学習装置、予測装置、及び制御装置
WO2020236131A1 (en) * 2019-05-17 2020-11-26 Schlumberger Technology Corporation System and method for managing wellsite event detection
JP7347969B2 (ja) 2019-06-18 2023-09-20 ファナック株式会社 診断装置及び診断方法
US11586194B2 (en) 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network models of automotive predictive maintenance
US11635893B2 (en) 2019-08-12 2023-04-25 Micron Technology, Inc. Communications between processors and storage devices in automotive predictive maintenance implemented via artificial neural networks
US11775816B2 (en) 2019-08-12 2023-10-03 Micron Technology, Inc. Storage and access of neural network outputs in automotive predictive maintenance
US11853863B2 (en) 2019-08-12 2023-12-26 Micron Technology, Inc. Predictive maintenance of automotive tires
US11586943B2 (en) 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network inputs in automotive predictive maintenance
US11748626B2 (en) 2019-08-12 2023-09-05 Micron Technology, Inc. Storage devices with neural network accelerators for automotive predictive maintenance
US11498388B2 (en) 2019-08-21 2022-11-15 Micron Technology, Inc. Intelligent climate control in vehicles
US11702086B2 (en) 2019-08-21 2023-07-18 Micron Technology, Inc. Intelligent recording of errant vehicle behaviors
US11693562B2 (en) 2019-09-05 2023-07-04 Micron Technology, Inc. Bandwidth optimization for different types of operations scheduled in a data storage device
US11650746B2 (en) 2019-09-05 2023-05-16 Micron Technology, Inc. Intelligent write-amplification reduction for data storage devices configured on autonomous vehicles
US11691529B2 (en) * 2019-09-23 2023-07-04 Abb Schweiz Ag Systems and methods for automated electrical connector positioning for electric vehicle charging
JP7396850B2 (ja) 2019-10-18 2023-12-12 ファナック株式会社 ロボット
WO2021118733A1 (en) * 2019-12-09 2021-06-17 Covidien Lp System for checking instrument state of a surgical robotic arm
US11250648B2 (en) 2019-12-18 2022-02-15 Micron Technology, Inc. Predictive maintenance of automotive transmission
DE102020200165B4 (de) * 2020-01-09 2022-05-19 Robert Bosch Gesellschaft mit beschränkter Haftung Robotersteuereinrichtung und Verfahren zum Steuern eines Roboters
CN115053195A (zh) * 2020-02-07 2022-09-13 发那科株式会社 诊断装置
DE102020103854B4 (de) 2020-02-14 2022-06-15 Franka Emika Gmbh Maschinelles Lernen einer erfolgreich abgeschlossenen Roboteranwendung
US11531339B2 (en) 2020-02-14 2022-12-20 Micron Technology, Inc. Monitoring of drive by wire sensors in vehicles
US11709625B2 (en) 2020-02-14 2023-07-25 Micron Technology, Inc. Optimization of power usage of data storage devices
EP3876047A1 (de) * 2020-03-04 2021-09-08 Siemens Aktiengesellschaft Verfahren und sicherheitsgerichtete steuerungseinrichtung zur ermittlung und/oder auswahl eines sicheren zustands
JP2021160031A (ja) * 2020-03-31 2021-10-11 セイコーエプソン株式会社 故障予測方法および故障予測装置
DE102020205265A1 (de) 2020-04-27 2021-10-28 Kuka Deutschland Gmbh Detektieren von Störungen in Roboteranordnungen
US20210341901A1 (en) * 2020-05-01 2021-11-04 Rockwell Automation Technologies, Inc. Induction motor condition monitoring using machine learning
CN112025703B (zh) * 2020-08-21 2022-07-12 北京云迹科技股份有限公司 机器人自诊断的方法、装置及系统
CN112215108B (zh) * 2020-09-29 2021-11-12 三一专用汽车有限责任公司 搅拌车故障预判方法、装置和计算机可读存储介质
KR20220046947A (ko) * 2020-10-08 2022-04-15 삼성전자주식회사 전자 장치 및 그 제어 방법
KR102437334B1 (ko) * 2021-01-15 2022-08-26 아주대학교산학협력단 협동로봇의 결함 추적 방법 및 장치
CN112906915B (zh) * 2021-01-22 2024-03-22 江苏安狮智能技术有限公司 一种基于深度学习的轨交系统故障诊断方法
US11636752B2 (en) * 2021-04-26 2023-04-25 Rockwell Automation Technologies, Inc. Monitoring machine operation with different sensor types to identify typical operation for derivation of a signature
CN114142605B (zh) * 2021-11-09 2022-07-15 广东工业大学 纵联保护方法、装置和存储介质
TR2022009059A2 (tr) * 2022-06-02 2022-07-21 Irfan Coezge Endüstri̇yel maki̇neler i̇çi̇n sahadan veri̇ toplama si̇stemi̇
CN115358281B (zh) * 2022-10-21 2023-01-13 深圳市耐思特实业有限公司 一种基于机器学习的冷热一体机监测控制方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63123105A (ja) 1986-11-13 1988-05-26 Kobe Steel Ltd テイ−チング・プレイバツク方式ロボツトの故障予知診断方法
JPH1039908A (ja) 1996-07-18 1998-02-13 Nachi Fujikoshi Corp 産業用ロボットの故障予知方法
US20070156620A1 (en) 2005-12-05 2007-07-05 Insyst Ltd. Apparatus and method for the analysis of a process having parameter-based faults
US20100030521A1 (en) 2007-02-14 2010-02-04 Murad Akhrarov Method for analyzing and classifying process data
EP1882922B1 (de) 2006-07-27 2012-03-21 Fanuc Corporation Verfahren zur Diagnose ungewöhnlichen Verhaltens eines Untersetzungsgetriebes und Vorrichtung zur Ausführung des Verfahrens
JP5684941B1 (ja) 2014-07-31 2015-03-18 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
JP2015088078A (ja) 2013-11-01 2015-05-07 株式会社日立パワーソリューションズ 異常予兆検知システム及び異常予兆検知方法
US20150154062A1 (en) 2013-12-02 2015-06-04 Fujitsu Limited Fault symptom detection method and information processing apparatus

Family Cites Families (93)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5825646A (en) * 1993-03-02 1998-10-20 Pavilion Technologies, Inc. Method and apparatus for determining the sensitivity of inputs to a neural network on output parameters
JPH08202444A (ja) 1995-01-25 1996-08-09 Hitachi Ltd 機械設備の異常診断方法および装置
JPH08263131A (ja) 1995-03-27 1996-10-11 Hitachi Ltd プラント劣化診断装置及び方法
JPH1049223A (ja) 1996-07-31 1998-02-20 Nissan Motor Co Ltd ニューラルネットワークを用いた故障診断方法およびその装置
JPH10154900A (ja) 1996-11-25 1998-06-09 Hitachi Ltd 電子部品実装用プリント基板の故障解析方法およびシステム
JP3604860B2 (ja) 1997-03-24 2004-12-22 三洋電機株式会社 機器の運転状態管理装置
JPH11212637A (ja) 1998-01-22 1999-08-06 Hitachi Ltd 予防保全方法及び装置
JP2000064964A (ja) 1998-08-21 2000-03-03 Ebara Corp 真空ポンプの故障予知システム
US6757665B1 (en) * 1999-09-28 2004-06-29 Rockwell Automation Technologies, Inc. Detection of pump cavitation/blockage and seal failure via current signature analysis
US7069185B1 (en) * 1999-08-30 2006-06-27 Wilson Diagnostic Systems, Llc Computerized machine controller diagnostic system
US6442511B1 (en) * 1999-09-03 2002-08-27 Caterpillar Inc. Method and apparatus for determining the severity of a trend toward an impending machine failure and responding to the same
US6502085B1 (en) * 1999-12-18 2002-12-31 General Electric Company Methods and systems for estimating engine faults
EP1292723A2 (de) * 2000-04-11 2003-03-19 Recherche 2000 Inc. Gerät und verfahren zur erfassung, überwachung und diagnose von elektrolyseur-betriebsparametern
US20020091972A1 (en) * 2001-01-05 2002-07-11 Harris David P. Method for predicting machine or process faults and automated system for implementing same
US20020183971A1 (en) * 2001-04-10 2002-12-05 Wegerich Stephan W. Diagnostic systems and methods for predictive condition monitoring
JP4592235B2 (ja) 2001-08-31 2010-12-01 株式会社東芝 生産装置の故障診断方法及び生産装置の故障診断システム
JP2003208220A (ja) 2002-01-11 2003-07-25 Hitachi Industries Co Ltd 設備の劣化診断方法と劣化診断装置
TWI240216B (en) 2002-06-27 2005-09-21 Ind Tech Res Inst Pattern recognition method by reducing classification error
US6879931B2 (en) * 2002-10-03 2005-04-12 Hewlett-Packard Development Company, L.P. System and method for protection of equipment during motion anomalies
US7953842B2 (en) * 2003-02-19 2011-05-31 Fisher-Rosemount Systems, Inc. Open network-based data acquisition, aggregation and optimization for use with process control systems
US6845340B2 (en) * 2003-03-06 2005-01-18 Ford Motor Company System and method for machining data management
GB0307406D0 (en) * 2003-03-31 2003-05-07 British Telecomm Data analysis system and method
JP4396286B2 (ja) * 2004-01-21 2010-01-13 三菱電機株式会社 機器診断装置および機器監視システム
JP2005338456A (ja) * 2004-05-27 2005-12-08 Seiko Epson Corp 印刷装置及び印刷管理方法
US20050288898A1 (en) * 2004-06-14 2005-12-29 Canh Le Systems and methods for analyzing machine failure
US7103509B2 (en) * 2004-11-23 2006-09-05 General Electric Company System and method for predicting component failures in large systems
US7487066B2 (en) * 2005-04-28 2009-02-03 Caterpillar Inc. Classifying a work machine operation
US9104650B2 (en) * 2005-07-11 2015-08-11 Brooks Automation, Inc. Intelligent condition monitoring and fault diagnostic system for preventative maintenance
US7496798B2 (en) * 2006-02-14 2009-02-24 Jaw Link Data-centric monitoring method
CN101127100A (zh) 2006-08-18 2008-02-20 张湛 一种处理不确定因果关系类信息的智能系统的构造方法
CN101008992A (zh) 2006-12-30 2007-08-01 北京市劳动保护科学研究所 基于人工神经网络的管道泄漏的检测方法
EP1955830B1 (de) * 2007-02-06 2014-04-09 Abb Research Ltd. Verfahren und Steuersystem zur Überwachung des Zustands eines Industrieroboters
JP5278310B2 (ja) 2007-03-29 2013-09-04 日本電気株式会社 診断システム
WO2008157503A1 (en) * 2007-06-15 2008-12-24 Shell Oil Company Remote monitoring systems and methods
CN100468263C (zh) 2007-09-05 2009-03-11 东北大学 连采机远程实时故障预测及诊断方法与装置
US8112381B2 (en) * 2007-11-02 2012-02-07 Siemens Corporation Multivariate analysis of wireless sensor network data for machine condition monitoring
KR100976443B1 (ko) * 2008-09-04 2010-08-18 한국전자통신연구원 홈네트워크 오류 예측 시스템 및 그 방법
US20100106458A1 (en) * 2008-10-28 2010-04-29 Leu Ming C Computer program and method for detecting and predicting valve failure in a reciprocating compressor
JP2010165242A (ja) * 2009-01-16 2010-07-29 Hitachi Cable Ltd 稼動体の異常検出方法及び異常検出システム
US8140914B2 (en) * 2009-06-15 2012-03-20 Microsoft Corporation Failure-model-driven repair and backup
US8527223B2 (en) * 2009-09-11 2013-09-03 University Of Cincinnati Methods and systems for energy prognosis
US8868985B2 (en) * 2009-09-17 2014-10-21 Siemens Aktiengesellschaft Supervised fault learning using rule-generated samples for machine condition monitoring
CN101697079B (zh) 2009-09-27 2011-07-20 华中科技大学 用于航天器实时信号处理的盲系统故障检测与隔离方法
CN102844721B (zh) 2010-02-26 2015-11-25 株式会社日立制作所 故障原因诊断系统及其方法
US9443201B2 (en) * 2010-06-09 2016-09-13 Siemens Aktiengesellschaft Systems and methods for learning of normal sensor signatures, condition monitoring and diagnosis
CN102063109B (zh) 2010-11-29 2012-09-05 株洲南车时代电气股份有限公司 一种基于神经网络的地铁列车故障诊断装置及其方法
AU2011265563B2 (en) * 2010-12-24 2016-09-22 Commonwealth Scientific And Industrial Research Organisation System and method for detecting and/or diagnosing faults in multi-variable systems
WO2012088707A1 (zh) * 2010-12-31 2012-07-05 中国科学院自动化研究所 用于设备故障检测的智能检测系统及检测方法
JP2012168799A (ja) 2011-02-15 2012-09-06 Hitachi Ltd プラント監視装置およびプラント監視方法
US8543280B2 (en) * 2011-04-29 2013-09-24 Toyota Motor Engineering & Manufacturing North America, Inc. Collaborative multi-agent vehicle fault diagnostic system and associated methodology
FR2981474B1 (fr) * 2011-10-17 2013-12-27 Alstom Technology Ltd Procede de detection preventive d'une panne d'un appareil, programme d'ordinateur, installation et module de detection preventive d'une panne d'un appareil
CN103064340B (zh) 2011-10-21 2014-12-03 沈阳高精数控技术有限公司 一种面向数控机床的故障预测方法
CN102609764A (zh) 2012-02-01 2012-07-25 上海电力学院 一种基于cpn神经网络的汽轮发电机组故障诊断方法
US8825567B2 (en) * 2012-02-08 2014-09-02 General Electric Company Fault prediction of monitored assets
CN102629243B (zh) 2012-03-02 2015-01-07 燕山大学 基于神经网络集成和bs-emd的端点效应抑制方法
CA2869923C (en) * 2012-04-10 2020-03-10 Lockheed Martin Corporation Efficient health management, diagnosis and prognosis of a machine
US9360864B2 (en) * 2012-04-11 2016-06-07 General Electric Company Turbine fault prediction
WO2013155421A1 (en) * 2012-04-13 2013-10-17 Siemens Corporation Embedded prognostics on plc platforms for equipment condition monitoring, diagnosis and time-to-failure/service prediction
US20130280095A1 (en) * 2012-04-20 2013-10-24 General Electric Company Method and system for reciprocating compressor starting
US8627251B2 (en) * 2012-04-25 2014-01-07 Taiwan Semiconductor Manufacturing Co., Ltd. Systems and methods of automatically detecting failure patterns for semiconductor wafer fabrication processes
JP5996384B2 (ja) 2012-11-09 2016-09-21 株式会社東芝 プロセス監視診断装置、プロセス監視診断プログラム
CA2833768A1 (en) * 2012-11-15 2014-05-15 Power Analytics Corporation Systems and methods for model-based solar power management
EP2925493B1 (de) * 2012-12-03 2020-08-05 ABB Schweiz AG Fernbetrieb von maschinen mit mindestens einem betätigten mechanismus sowie einem fehlererkennungs- und -korrektursystem
CN103018660B (zh) 2012-12-25 2015-04-22 重庆邮电大学 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法
WO2014116888A1 (en) 2013-01-25 2014-07-31 REMTCS Inc. Network security system, method, and apparatus
US10373065B2 (en) * 2013-03-08 2019-08-06 Oracle International Corporation Generating database cluster health alerts using machine learning
US9535808B2 (en) * 2013-03-15 2017-01-03 Mtelligence Corporation System and methods for automated plant asset failure detection
US9892238B2 (en) * 2013-06-07 2018-02-13 Scientific Design Company, Inc. System and method for monitoring a process
IN2013MU02794A (de) * 2013-08-27 2015-07-03 Tata Consultancy Services Ltd
US20150066431A1 (en) * 2013-08-27 2015-03-05 General Electric Company Use of partial component failure data for integrated failure mode separation and failure prediction
US10311356B2 (en) * 2013-09-09 2019-06-04 North Carolina State University Unsupervised behavior learning system and method for predicting performance anomalies in distributed computing infrastructures
KR101768438B1 (ko) * 2013-10-30 2017-08-16 삼성에스디에스 주식회사 데이터 분류 장치 및 방법과 이를 이용한 데이터 수집 시스템
JP5530020B1 (ja) * 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常診断システム及び異常診断方法
CA2870080C (en) * 2013-11-08 2017-12-19 Accenture Global Services Limited Network node failure predictive system
US20150219530A1 (en) * 2013-12-23 2015-08-06 Exxonmobil Research And Engineering Company Systems and methods for event detection and diagnosis
CN105874345B (zh) * 2014-01-03 2020-06-23 皇家飞利浦有限公司 使用环境数据的梯度线圈放大器故障的概率的计算
EP2916187B1 (de) * 2014-03-05 2018-11-07 Mikron Agie Charmilles AG Verbesserte Datenbank zur Vorhersage von Ratterschwingungen
US9626258B2 (en) * 2014-03-26 2017-04-18 Qualcomm Incorporated Systems, methods, and apparatus related to wireless charging management
US10108513B2 (en) * 2014-04-16 2018-10-23 Siemens Aktiengesellschaft Transferring failure samples using conditional models for machine condition monitoring
JP6292957B2 (ja) * 2014-04-16 2018-03-14 日立建機株式会社 作業機械の監視システム
EP3117512A1 (de) * 2014-05-12 2017-01-18 Siemens Aktiengesellschaft Fehlerniveaukalkulationsverfahren für leistungswandler
US9754325B1 (en) * 2014-05-20 2017-09-05 State Farm Mutual Automobile Insurance Company Autonomous vehicle operation feature monitoring and evaluation of effectiveness
US10037026B2 (en) * 2014-09-25 2018-07-31 General Electric Company Systems and methods for fault analysis
US10139311B2 (en) * 2014-09-26 2018-11-27 Palo Alto Research Center Incorporated Computer-implemented method and system for machine tool damage assessment, prediction, and planning in manufacturing shop floor
CN104571079A (zh) 2014-11-25 2015-04-29 东华大学 一种基于多传感器信息融合的无线远程故障诊断系统
US20160203036A1 (en) * 2015-01-09 2016-07-14 Ecorithm, Inc. Machine learning-based fault detection system
US20160313216A1 (en) * 2015-04-25 2016-10-27 Prophecy Sensors, Llc Fuel gauge visualization of iot based predictive maintenance system using multi-classification based machine learning
US20180059656A1 (en) * 2015-03-12 2018-03-01 Hitachi, Ltd. Machine Diagnostic Device and Machine Diagnostic Method
CN104699994A (zh) 2015-04-02 2015-06-10 刘岩 一种基于fbf神经网络的电机气隙偏心故障诊断方法
US9558601B2 (en) * 2015-04-24 2017-01-31 The Boeing Company System and method for detecting vehicle system faults
US10410135B2 (en) * 2015-05-21 2019-09-10 Software Ag Usa, Inc. Systems and/or methods for dynamic anomaly detection in machine sensor data
DE102016008987B4 (de) * 2015-07-31 2021-09-16 Fanuc Corporation Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
JP6140331B1 (ja) * 2016-04-08 2017-05-31 ファナック株式会社 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63123105A (ja) 1986-11-13 1988-05-26 Kobe Steel Ltd テイ−チング・プレイバツク方式ロボツトの故障予知診断方法
JPH1039908A (ja) 1996-07-18 1998-02-13 Nachi Fujikoshi Corp 産業用ロボットの故障予知方法
US20070156620A1 (en) 2005-12-05 2007-07-05 Insyst Ltd. Apparatus and method for the analysis of a process having parameter-based faults
EP1882922B1 (de) 2006-07-27 2012-03-21 Fanuc Corporation Verfahren zur Diagnose ungewöhnlichen Verhaltens eines Untersetzungsgetriebes und Vorrichtung zur Ausführung des Verfahrens
US20100030521A1 (en) 2007-02-14 2010-02-04 Murad Akhrarov Method for analyzing and classifying process data
JP2015088078A (ja) 2013-11-01 2015-05-07 株式会社日立パワーソリューションズ 異常予兆検知システム及び異常予兆検知方法
US20150154062A1 (en) 2013-12-02 2015-06-04 Fujitsu Limited Fault symptom detection method and information processing apparatus
JP5684941B1 (ja) 2014-07-31 2015-03-18 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法

Also Published As

Publication number Publication date
US20220146993A1 (en) 2022-05-12
US20170031329A1 (en) 2017-02-02
US20190265657A1 (en) 2019-08-29
US10317853B2 (en) 2019-06-11
DE102016008987A1 (de) 2017-02-02
US11275345B2 (en) 2022-03-15

Similar Documents

Publication Publication Date Title
DE102016008987B4 (de) Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
JP7104121B2 (ja) 故障予知装置、故障予知システム及び故障予知方法
DE102016015017B4 (de) Steuervorrichtung mit Lernfunktion zum Erfassen einer Rauschursache
EP1543394B1 (de) Vorrichtung und verfahren zur überwachung einer mehrere systeme umfassenden technischen anlage, insbesondere einer kraftwerksanlage
DE102016009032B4 (de) Maschinenlerneinheit, Spindelersatzbeurteilungsvorrichtung, Steuerung, Werkzeugmaschine, Produktionssystem und maschinelles Lernverfahren, die zur Beurteilung der Notwendigkeit eines Spindelersatzes fähig sind
DE102017003165A1 (de) Maschinelle Lernvorrichtung und maschinelles Lernverfahren zum Lernen der Fehlervorhersage einer Hauptwelle oder eines Motors, der die Hauptwelle antreibt, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem umfassend eine maschinelle Lernvorrichtung
EP3662418B1 (de) Verfahren und vorrichtung für maschinelles lernen in einer recheneinheit
DE102018003266B4 (de) Controller und maschinelle lernvorrichtung
DE102019003382A1 (de) Anomaliedetektor
JP2017030221A (ja) 射出成形機の異常診断装置
DE102006048430A1 (de) Verfahren zur Wartungsvorhersage einer Maschine
DE102019103824A1 (de) Fehlervorhersagevorrichtung und maschinelle lernvorrichtung
DE102019001760A1 (de) Informationsverarbeitungsgerät, maschinelle lernvorrichtungund system
DE102017009273A1 (de) Maschinenlernvorrichtung und Maschinenlernverfahren zum Lernen einer Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen für ein Objekt
WO2020216530A1 (de) Verfahren zum bestimmen von restnutzungszyklen, restnutzungszyklusbestimmungsschaltung, restnutzungszyklusbestimmungsvorrichtung
DE102020118225A1 (de) Anomaliebestimmungsvorrichtung und Anomaliebestimmungssystem
DE102020115118A1 (de) Diagnosegerät
DE102017118854A1 (de) Zellensteuerungssystem
DE102018003244A1 (de) Numerische Steuerung
DE102019213431A1 (de) Steuervorrichtung, CNC-Vorrichtung und Steuerverfahren
US11669082B2 (en) Online fault localization in industrial processes without utilizing a dynamic system model
DE102019002506A1 (de) Gerät zum Anpassen von Messvorgangsparametern, maschinelle Lernvorrichtung und System
EP3657283A1 (de) Verfahren zur bestimmung eines fusionierten datensatzes
DE102021134294B4 (de) Hybrid-Ansatz zur Schätzung und Überwachung von Reibungs- und Masseparametern in einem elektrischen Antriebssystem
WO2024002693A1 (de) Verfahren zum abschätzen von modellunsicherheiten mittels eines neuronalen netzes und eine architektur des neuronalen netzes

Legal Events

Date Code Title Description
R082 Change of representative

Representative=s name: WUESTHOFF & WUESTHOFF, PATENTANWAELTE PARTG MB, DE

R012 Request for examination validly filed
R016 Response to examination communication
R018 Grant decision by examination section/examining division
R020 Patent grant now final