DE102017124281A1 - Verfahren und Überwachungseinrichtung zur Überwachung eines Betriebszustands einer Vorrichtung - Google Patents

Abstract

Die Erfindung betrifft ein Verfahren zur Überwachung eines Betriebszustands einer Vorrichtung, insbesondere einer Vorrichtung mit einer drehenden Komponente, wobei ein Körperschallsignal der Vorrichtung gemessen wird, wobei ein Spektrum des Körperschallsignals oder einer Hüllkurve des Körperschallsignals ermittelt wird und zur Ermittlung eines Betriebszustands der Vorrichtung mindestens ein spektrales Audiomerkmal des ermittelten Spektrums bestimmt wird.

Description

• Die Erfindung betrifft ein Verfahren zur Überwachung eines Betriebszustands einer Vorrichtung. Ferner betrifft die Erfindung eine Überwachungseinrichtung zur Überwachung eines Betriebszustands einer Vorrichtung.
• Derartige Überwachungsverfahren und -einrichtungen werden insbesondere zur Überwachung von Vorrichtung mit drehenden Komponenten eingesetzt, beispielsweise um Fehlerzustände in Wälzlagern oder Verzahnungen bereits in einem Frühstadium zu erkennen. Hierdurch wird die rechtzeitige Planung von Instandhaltungsmaßnahmen ermöglicht und die Wahrscheinlichkeit des Auftretens ungeplanter Stillstandzeiten verringert.
• Schäden an Vorrichtungen mit drehenden Komponenten lassen sich oftmals daran erkennen, dass das Betriebsgeräusch lauter oder stärker stoßbehaftet wird. Zur Erkennung von Fehlerzuständen wird daher üblicherweise ein Körperschallsignal gemessen und aus diesem Körperschallsignal werden bestimmte Merkmale abgeleitet. Typischerweise werden hierbei Merkmale abgeleitet, die die Signalleistung oder die Signalform beschreiben, wie z.B. der Effektivwert, der Spitzenwert, der Scheitelfaktor oder die Kurtosis. Allerdings hat sich herausgestellt, dass die frühzeitige Erkennung von Fehlerzuständen anhand dieser Merkmale oftmals nicht in zufriedenstellender Weise möglich ist, so dass Fehlerzustände zu spät oder erst dann erkannt werden, wenn sich ein ungeplanter Stillstand der Vorrichtung nicht mehr vermeiden lässt. Hierdurch wird die Verfügbarkeit der Vorrichtung beeinträchtigt.
• Vor diesem Hintergrund stellt sich die Aufgabe, ein Verfahren und eine Überwachungsvorrichtung zur Überwachung eines Betriebszustands einer Vorrichtung anzugeben, welches eine erhöhte Verfügbarkeit der überwachten Vorrichtung ermöglicht.
• Die Aufgabe wird gelöst durch ein Verfahren zur Überwachung eines Betriebszustands einer Vorrichtung, insbesondere einer Vorrichtung mit einer drehenden Komponente, wobei ein Körperschallsignal der Vorrichtung gemessen wird, ein Spektrum des Körperschallsignals oder einer Hüllkurve des Körperschallsignals ermittelt wird und zur Ermittlung eines Betriebszustands der Vorrichtung mindestens ein spektrales Audiomerkmal des ermittelten Spektrums bestimmt wird.
• Bei dem erfindungsgemäßen Verfahren wird zur Ermittlung des Betriebszustands der Vorrichtung ein Spektrum des Körperschallsignals oder ein Spektrum einer Hüllkurve des Körperschallsignals ermittelt. Die Form dieses Spektrums charakterisiert das Körperschallsignal unabhängig von der Lautstärke und der Tonhöhe. Bei Vorrichtungen mit drehenden Komponenten ist die Lautstärke und/oder die Tonhöhe des Körperschallsignals oftmals abhängig von der Drehzahl der drehenden Komponente. Um die Form des Spektrums quantitativ zu erfassen, wird bei dem Verfahren mindestens ein spektrales Audiomerkmal des zuvor ermittelten Spektrums bestimmt. Somit kann die Ermittlung des Betriebszustands unabhängig von der Lautstärke, der Tonhöhe und/oder der Drehzahl erfolgen. Schadensbedingte Änderungen des Körperschallsignals können anhand der Form des Spektrums, d.h. auf Grundlage der bestimmten spektralen Audiomerkmale, früher erkannt werden. Hierdurch wird eine rechtzeitige Planung von Instandhaltungsmaßnahmen ermöglicht und die Wahrscheinlichkeit des Auftretens ungeplanter Stillstandzeiten verringert, so dass die Verfügbarkeit der Vorrichtung erhöht werden kann.
• Bevorzugt erfolgt die Messung des Körperschallsignals mittels eines Körperschallaufnehmers. Der Körperschallaufnehmer ist bevorzugt an einem Gehäuse der Vorrichtung angeordnet, so dass dieser Schwingungen des Gehäuses, insbesondere einer Gehäuseoberfläche, messen kann. Der Körperschallaufnehmer kann eine Beschleunigung und/oder eine Geschwindigkeit und/oder einen Schwingweg messen und daraus ein Körperschallsignal ableiten.
• Unter einem Spektrum im Sinne der Erfindung wird ein Frequenzspektrum, insbesondere ein Amplitudenspektrum, des Körperschallsignals bzw. der Hüllkurve des Körperschallsignals verstanden. Bevorzugt wird das Spektrum durch eine Fourier-Transformation des Körperschallsignals oder dessen Hüllkurve erzeugt. Besonders bevorzugt wird das Spektrum durch eine diskrete Fouriertransformation des Körperschallsignals bzw. dessen Hüllkurve erzeugt, so dass das Spektrum diskret ist und ohne Analog-Digital-Wandlung digital weiterverarbeitet werden kann.
• Eine bevorzugte Ausgestaltung des Verfahrens sieht vor, dass das spektrale Audiomerkmal die spektrale Ebenheit (engl. spectral flatness), die spektrale Schiefe (spectral skewness), der spektrale Crest Faktor (engl. spectral crest factor), der spektrale Schwerpunkt (engl. spectral centroid), die spektrale Streuung (engl. spectral spread), der spektrale Decrease (engl. spectral decrease), der spektrale Slope (engl. spectral slope) oder der Spektrale Roll-Off ist. Diese spektralen Audiomerkmale sind wie nachfolgend beschrieben definiert. X(k,n) bezeichnet dabei das (diskrete) Spektrum. k ist der Frequenz-Linien-Index und n bezeichnet den Block-Index. K steht dabei für die Blocklänge des Körperschallsignals, welche der Anzahl von Samples in einem Block entspricht. Bevorzugt umfasst das Körperschallsignal genau einen Block. Mit σ_|X| ist die Standardabweichung des Betragsspektrums und mit µ_|X| der Mittelwert des Betragsspektrums bezeichnet.
• Unter der spektralen Ebenheit (engl. spectral flatness) v_SF wird das Verhältnis des geometrischen Mittels und des arithmetischen Mittelwerts des Betragsspektrums verstanden. Die spektrale Ebenheit v_SF berechnet sich nach der Gleichung 1. $$v_{SF}\left(n\right)=\frac{{}^{\raisebox{1ex}{$K$}\!\left/ \!\raisebox{-1ex}{$2$}\right.}\sqrt{{\displaystyle {\prod }_{K=0}^{\raisebox{1ex}{$K$}\!\left/ \!\raisebox{-1ex}{$2^{-1}$}\right.}\left|X\left(k,n\right)\right|}}}{\frac{2}{K}{\displaystyle {\sum }_{k=0}^{\raisebox{1ex}{$K$}\!\left/ \!\raisebox{-1ex}{$2^{-1}$}\right.}\left|X\left(k,n\right)\right|}}$$

  
• Ein sehr ebenes bzw. flaches Spektrum deutet auf ein Körperschallsignal hin, welches kontrastarm ist oder viele Rauschanteile aufweist. Ein hoher Wert deutet auf ein ebenes Spektrum ein niedriger Wert auf ein nicht-ebenes Spektrum hin.
• Die spektrale Schiefe (spectral skewness) v_SSK beschreibt die Symmetrie der spektralen Betragswerte Spektrums um den arithmetischen Mittelwert µ_|X| des Spektrums und ist definiert durch Gleichung 2. $$v_{SSK}\left(n\right)=\frac{2{{\displaystyle {\sum }_{k=0}^{\raisebox{1ex}{$K$}\!\left/ \!\raisebox{-1ex}{$2^{-1}$}\right.}\left(\left|X\left(k,n\right)\right|-{\mu }_{\left|X\right|}\right)}}^3}{K\cdot {\sigma }_{\left|X\right|}^3}$$

  
• Dabei weisen positive Werte von v_SSK auf eine unsymmetrische Verteilung mit einem Schwerpunkt links des Mittelpunkts und negative Werte auf eine unsymmetrische Verteilung mit einem Schwerpunkt rechts des Mittelpunkts hin. Ist v_SSK gleich Null, so ist das Spektrum symmetrisch.
• Der spektrale Crest-Faktor (engl. spectral crest factor) v_Tsc beschreibt das Verhältnis des Maximums des Betragsspektrums zu der Summe des Betragsspektrums. Er ist definiert durch Gleichung 3. $$v_{Tsc}\left(n\right)=\frac{\underset{0\le k\le \raisebox{1ex}{$K$}\!\left/ \!\raisebox{-1ex}{$2^{-1}$}\right.}{{\displaystyle \text{max}}}\left|X\left(k,n\right)\right|}{\cdot {\displaystyle {\sum }_{k=0}^{\raisebox{1ex}{$K$}\!\left/ \!\raisebox{-1ex}{$2^{-1}$}\right.}\left|X\left(k,n\right)\right|}}$$

  
• Der Wert des spektralen Crest-Faktors liegt im Bereich $\raisebox{1ex}{$2$}\!\left/ \!\raisebox{-1ex}{$K$}\right.\le v_{Tsc\left(n\right)}\le 1.$

  

  Geringe Werte deuten auf ein flaches Spektrum und hohe Werte auf ein sinusförmiges Spektrum hin.
• Der spektrale Schwerpunkt (engl. spectral centroid) vsc definiert den Schwerpunkt der spektralen Energie des Körperschallsignals. Er ist definiert als frequenzgewichtete Summe des Spektrums, normalisiert mit seiner ungewichteten Summe, vgl. Gleichung 4. $$v_{SC}\left(n\right)=\frac{{\displaystyle {\sum }_{k=0}^{\raisebox{1ex}{$K$}\!\left/ \!\raisebox{-1ex}{$2^{-1}$}\right.}k\cdot {\left|X\left(k,n\right)\right|}^2}}{{\displaystyle {\sum }_{k=0}^{\raisebox{1ex}{$K$}\!\left/ \!\raisebox{-1ex}{$2^{-1}$}\right.}{\left|X\left(k,n\right)\right|}^2}}$$

  
• Das Ergebnis von vsc ist ein Frequenz-Linien-Index im Bereich $0\le v_{SC}\left(n\right)\le \raisebox{1ex}{$K$}\!\left/ \!\raisebox{-1ex}{$2$}\right.-1.$

  

  Hohe Werte von vsc deuten auf einen großen Anteil hoher Frequenzen hin. Ein niedriger Wert deutet auf einen großen Anteil niedriger Frequenzen hin.
• Die spektrale Streuung (engl. spectral spread) vss kann als Standardabweichung des Leistungsspektrums um den spektralen Schwerpunkt verstanden werden. Sie ist definiert durch Gleichung 5. $$v_{SS}\left(n\right)=\sqrt{\frac{{\displaystyle {\sum }_{k=0}^{\raisebox{1ex}{$K$}\!\left/ \!\raisebox{-1ex}{$2^{-1}$}\right.}{\left(k-v_{SC}\left(n\right)\right)}^2\cdot {\left|X\left(k,n\right)\right|}^2}}{{\displaystyle {\sum }_{k=0}^{\raisebox{1ex}{$K$}\!\left/ \!\raisebox{-1ex}{$2^{-1}$}\right.}{\left|X\left(k,n\right)\right|}^2}}}$$

  
• Das Ergebnis von vsc ist ein Frequenz-Linien-Index im Bereich $0\le v_{SS}\left(n\right)\le \raisebox{1ex}{$K$}\!\left/ \!\raisebox{-1ex}{$4$}\right..$

  

  Niedrige Werte deuten auf eine Konzentration der spektralen Energie in einem bestimmten Frequenzbereich hin.
• Der spektrale Decrease (engl. spectral decrease) v_SD ist ein Näherungswert für die Steilheit des Abfalls einer Einhüllenden des Spektrums über die Frequenz. Der spektrale Decrease V_SD ist definiert durch Gleichung 6. $$v_{SD}\left(n\right)=\frac{{\displaystyle {\sum }_{k=1}^{\raisebox{1ex}{$K$}\!\left/ \!\raisebox{-1ex}{$2^{-1}$}\right.}\frac{1}{k}\cdot \left(\left|X\left(k,n\right)\right|\right)-\left|X\left(\mathrm{0,}n\right)\right|}}{{\displaystyle {\sum }_{k=1}^{\raisebox{1ex}{$K$}\!\left/ \!\raisebox{-1ex}{$2^{-1}$}\right.}\left|X\left(k,n\right)\right|}}$$

  
• Das Ergebnis von v_SD liegt im Bereich v_SD(n) ≤ 1.
• Der spektrale Slope (engl. spectral slope) V_SSI ist ein Maß für die Steilheit der Form des Spektrums. Er wird berechnet als lineare Approximation des Betragsspektrums gemäß Gleichung 7. $$V_{SSl}\left(n\right)=\frac{{\displaystyle {\sum }_{k=0}^{\raisebox{1ex}{$K$}\!\left/ \!\raisebox{-1ex}{$2^{-1}$}\right.}\left(k-{\mu }_k\right)\left(\left|X\left(k,n\right)\right|\right)-{\mu }_{\left|X\right|}}}{{\displaystyle {\sum }_{k=0}^{\raisebox{1ex}{$K$}\!\left/ \!\raisebox{-1ex}{$2^{-1}$}\right.}{\left(k-{\mu }_k\right)}^2}}$$

  
• Schließlich gibt der Spektrale Roll-Off (engl. spectral roll off) v_SR den Frequenz-Bin an, unter welchem ein vorgegebener Prozentsatz p der gesamten Summe der Magnituden des Körperschallspektrums liegt, vgl. Gleichung 8. $$v_{SR}\left(n\right)={i|}_{{\displaystyle {\sum }_{k=0}^i\left|X\left(k,n\right)\right|=p\cdot {\displaystyle {\sum }_{k=0}^{\raisebox{1ex}{$K$}\!\left/ \!\raisebox{-1ex}{$2^{-1}$}\right.}\left|X\left(k,n\right)\right|}}}$$

  
• Typische Werte für p sind dabei 0,85 (entspricht 85%) oder 0,95 (entspricht 95%). Niedrige Werte deuten auf deuten darauf hin, dass das Spektrum nur unbedeutende Anteile hoher Frequenzen aufweist.
• Gemäß einer vorteilhaften Ausgestaltung des Verfahrens wird das ermittelte spektrale Audiomerkmal mit einem vorgegebenen Schwellenwert verglichen und bei Überschreiten oder Unterschreiten des Schwellenwerts wird ein Fehlerzustand der Vorrichtung erkannt. Bevorzugt kann im Fall der Erkennung eines Fehlerzustands eine akustische und/oder optische Warnung generiert werden. Besonders vorteilhaft ist es, wenn das ermittelte spektrale Audiomerkmal mit einem vorgegebenen Schwellenwert verglichen wird und bei erst bei mehrfachem Überschreiten oder mehrfachem Unterschreiten des Schwellenwerts ein Fehlerzustand erkannt wird. Hierdurch kann verhindert werden, dass einzelne Ereignisse einen Fehlalarm auslösen.
• Gemäß einer vorteilhaften Ausgestaltung der Erfindung werden zur Bestimmung eines Betriebszustands der Vorrichtung mehrere spektrale Audiomerkmale des ermittelten Spektrums bestimmt. Hierdurch kann die frühzeitige Erkennung schadensbedingter Änderungen nochmals verbessert werden. Denn die Ermittlung mehrerer spektraler Audiomerkmale ermöglicht eine multivariate Analyse der ermittelten spektralen Audiomerkmale, bei welcher auch Zusammenhänge zwischen zwei oder mehr spektralen Merkmalen überwacht werden können. Bevorzugt sind die spektralen Audiomerkmale ausgewählt aus einer Liste umfassend die spektrale Ebenheit, die spektrale Schiefe, den spektralen Crest Faktor, den spektralen Schwerpunkt, die spektrale Streuung, den spektralen Decrease, den spektralen Slope und den spektralen Roll-Off. Bevorzugt werden drei, vier, fünf, sechs, sieben oder acht spektrale Audiomerkmale des Spektrums bestimmt.
• Als vorteilhaft hat es sich ferner eine Ausgestaltung des Verfahrens herausgestellt, bei welcher zur Bestimmung des Betriebszustands der Vorrichtung zusätzlich ein Zeitbereichskennwert des Körperschallsignals bestimmt wird, bevorzugt die Nulldurchgangsrate (engl. zero crossing rate) oder das Predictivity Ratio (engl. predictivity ratio). Bevorzugt werden mehrere Zeitbereichskennwerte des Körperschallsignals bestimmt, insbesondere die Nulldurchgangsrate und das Predictivity Ratio des Körperschallsignals.
• Unter der Nulldurchgangsrate (engl. zero crossing rate) vzc versteht man die Anzahl an Vorzeichenwechseln in aufeinanderfolgenden Blöcken von Samples des Körperschallsignals. Die Nulldurchgangsrate vzc berechnet sich gemäß Gleichung 9, wobei die sign-Funktion nach Gleichung 10 definiert ist und x(i - 1) = 0 zur Initialisierung benutzt wird, wenn x(i - 1) nicht existiert. Hierbei steht i_s(n) für das Anfangssample und i_e(n) für das Endsample. Je größer die Nulldurchgangsrate vzc ist, desto mehr hochfrequente Anteile sind in dem Körperschallsignal enthalten. $$v_{ZC}\left(n\right)=\frac{1}{2\cdot K}{\displaystyle {\sum }_{i=i_s\left(n\right)}^{i_e\left(n\right)}\left|\text{sign}\left[x\left(i\right)\right]-\text{sign}\left[x\left(i-1\right)\right]\right|}$$

  

  $$\text{sign}\left[x\left(k\right)\right]=\{\begin{array}{cc}\mathrm{1,}& \text{if x}\left(i\right)>0\\ \mathrm{0,}& \text{if }x\left(i\right)=0\\ -1& \text{if x}\left(i\right)<0\end{array}$$

  
• Das predictivity ratio v_Tp ist ein Maß dafür, wie gut das Körperschallsignal durch eine lineare Vorhersage oder eine Vorhersage O-ter Ordnung vorhergesagt werden kann. Dabei wird jedes Sample i anhand eines vorhergehenden Samples und eines Vorhersagekoeffizienten b_j gemäß Gleichung 11 berechnet. Das predictivity ratio v_Tp wird nach Gleichung 12 berechnet. Hierbei steht i_s(n) für das Anfangssample und i_e(n) für das Endsample. $$\widehat{x}\left(i\right)={\displaystyle {\sum }_{j=1}^0{b}_j}\cdot x\left(i-j\right)$$

  

  $$v_{Tp}\left(n\right)=\sqrt{\frac{{\displaystyle {\sum }_{i=i_s}^{i_e\left(n\right)}x{\left(x\left(i\right)-\widehat{x}\left(i\right)\right)}^2}}{{\displaystyle {\sum }_{i=i_s\left(n\right)}^{i_e\left(n\right)}{x}^2\left(k\right)}}}$$

  
• Gemäß einer vorteilhaften Ausgestaltung der Erfindung werden in einer Trainingsphase, in welcher sich die Vorrichtung in einem vorgegebenen Gutzustand befindet, ein, bevorzugt mehrere, spektrale Audiomerkmale bestimmt und gespeichert. Bei den spektralen Audiomerkmalen handelt es sich bevorzugt um ein oder mehrere spektrale Audiomerkmale ausgewählt aus der Liste umfassend die spektrale Ebenheit, die spektrale Schiefe, den spektralen Crest Faktor, den spektralen Schwerpunkt, die spektrale Streuung, den spektralen Decrease, den spektralen Slope und den spektralen Roll-Off. Bevorzugt werden drei, vier, fünf, sechs, sieben oder acht spektrale Audiomerkmale des Spektrums gespeichert. Bevorzugt werden während der Trainingsphase Streubereiche der spektralen Audiomerkmale gelernt und gespeichert. Bevorzugt wird zusätzlich ein Zeitbereichskennwert des Körperschallsignals bestimmt und gespeichert, insbesondere die Nulldurchgangsrate und/oder das Predictivity Ratio des Körperschallsignals.
• In diesem Zusammenhang ist es vorteilhaft, wenn in einer der Trainingsphase nachfolgenden Überwachungsphase ein, bevorzugt mehrere, spektrale Audiomerkmale mit dem jeweiligen in der Trainingsphase gespeicherten spektralen Audiomerkmal verglichen werden. Durch den Vergleich der spektralen Audiomerkmale während der Überwachungsphase mit den in der Trainingsphase gelernten spektralen Audiomerkmalen des Gutzustands kann der Grad der Änderung gegenüber dem Gutzustand quantifiziert werden. Bevorzugt wird zusätzlich ein Zeitbereichskennwert des Körperschallsignals mit dem jeweiligen in der Trainingsphase gespeicherten Zeitbereichskennwert verglichen, insbesondere die Nulldurchgangsrate und/oder das Predictivity Ratio des Körperschallsignals.
• Bevorzugt wird ein Maß für die Abweichung des Betriebszustands der Vorrichtung von ihrem Gutzustand ermittelt. Besonders bevorzugt wird dann, wenn das ermittelte Maß für die Abweichung des Betriebszustands von ihrem Gutzustand einen vorgegebenen Schwellenwert überschreitet, ein Fehlerzustand erkannt wird. Bei Erkennung eines Fehlerzustands kann beispielsweise eine akustische und/oder optische Warnung erzeugt werden und/oder es kann eine Notabschaltung der Vorrichtung erfolgen.
• Eine vorteilhafte Ausgestaltung des Verfahrens sieht vor, dass in einer Trainingsphase, in welcher sich die Vorrichtung in einem vorgegebenen Gutzustand befindet, mehrere spektrale Audiomerkmale bestimmt und gespeichert werden, wobei in einer der Trainingsphase nachfolgenden Überwachungsphase diese mehreren spektrale Audiomerkmale bestimmt werden, wobei jede Bestimmung dieser spektralen Audiomerkmale einen weiteren Punkt in dem mehrdimensionalen Merkmalsraum definiert, wobei eine Mahalanobis-Distanz für einen in der Überwachungsphase bestimmten Punkt berechnet wird. Bevorzugt wird in der Trainingsphase zusätzlich ein Zeitbereichskennwert des Körperschallsignals bestimmt und gespeidhert und in der Überwachungsphase wird dieser Zeitbereichskennwert bestimmt und die Bestimmung der spektralen Audiomerkmale und des Zeitbereichskennwerts einen weiteren Punkt definiert. Als Zeitbereichswert werden insbesondere die Nulldurchgangsrate und/oder das Predictivity Ratio des Körperschallsignals verwendet. Die Mahalanobis-Distanz eines in der Überwachungsphase bestimmten Punkts ist ein Maß für den Abstand dieses Punkts vom Gutzustand. Ermittelt werden kann die Mahalanobis-Distanz gemäß Gleichung 13, wobei x einen Merkmalsvektor der spektralen Audiomerkmale und ggf. der zusätzlichen Zeitbereichskennwerte des Körperschallsignals, µ den Mittelwert und S die Kovarianzmatrix bezeichnet. $$r=\sqrt{{\left(x-\mu \right)}^T{S}^{-1}\left(x-\mu \right)}$$

  
• Kovarianzmatrix S und Mittelwert µ werden in der Trainingsphase anhand der spektralen Audiomerkmale und ggf. der zusätzlichen Zeitbereichskennwerte des Körperschallsignals bestimmt und repräsentieren die Verteilung der Merkmale für den bekannten Gutzustand der Maschine. Merkmalsvektor x wird aus dem aktuellen Körperschallsignal berechnet und beschreibt die Lage des aktuellen Messpunktes im Merkmalsraum. Die Mahalanobis Distanz r der aktuellen Messung repräsentiert den euklidischen Abstand des aktuellen Messpunktes vom Mittelpunkt µ der Verteilung der Trainingsdaten, skaliert unter Berücksichtigung der Streuung der Trainingsdaten.
• Gemäß einer alternativen, vorteilhaften Ausgestaltung ist vorgesehen, dass in einer Trainingsphase, in welcher sich die Vorrichtung in einem vorgegebenen Gutzustand befindet, mehrere spektrale Audiomerkmale und bevorzugt ein Zeitbereichskennwert bestimmt und gespeichert werden, wobei jede Bestimmung dieser spektralen Audiomerkmale und bevorzugt des Zeitbereichskennwerts einen Punkt in einem mehrdimensionalen Merkmalsraum definiert, wobei in einer der Trainingsphase nachfolgenden Überwachungsphase diese mehreren spektrale Audiomerkmale und bevorzugt der Zeitbereichskennwert bestimmt werden, wobei jede Bestimmung dieser spektralen Audiomerkmale und bevorzugt des Zeitbereichskennwerts einen weiteren Punkt in dem mehrdimensionalen Merkmalsraum definiert, wobei für einen in der Überwachungsphase bestimmten Punkt eine lokale Dichte und eine mittlere Dichte in der Umgebung des Punktes berechnet wird. Zur Ermittlung der Punkte im Merkmalsraum können neben den spektralen Audiomerkmalen zusätzlich Zeitbereichskennwerte des Körperschallsignals, insbesondere die Nulldurchgangsrate und/oder das Predictivity Ratio des Körperschallsignals, hinzugezogen werden. Anhand der lokalen Dichte und der mittleren Dichte kann das Verhältnis der mittleren Dichte in der Umgebung eines Punktes zur lokalen Dichte in diesem Punkt als Kennwert kNN Score berechnet werden. Es ergeben sich Werte nahe 1 für Punkte, die im Bereich der Trainingsdatenmenge liegen. Mit steigender Distanz der Punkte zur Trainingsdatenmenge reduziert sich die lokale Dichte in dem jeweiligen Punkte und der Kennwert kNN Score steigt. Somit kann bei Trainingsdatenmengen, die eine komplexere Gestalt im Merkmalsraum aufweisen, eine verbesserte Erkennung von schadensbedingten Fehlerzuständen ermöglicht werden.
• Zur Lösung der eingangs genannten Aufgabe wird ferner eine Überwachungseinrichtung zur Überwachung eines Betriebszustands einer Vorrichtung, insbesondere einer Vorrichtung mit einer drehenden Komponente, vorgeschlagen, mit einem Körperschallaufnehmer zur Messung eines Körperschallsignal der Vorrichtung, und mit einer Auswerteeinrichtung, die dazu eingerichtet ist, ein Spektrum des Körperschallsignals oder einer Hüllkurve des Körperschallsignals zu ermitteln und zur Ermittlung eines Betriebszustands der Vorrichtung mindestens ein spektrales Audiomerkmal des ermittelten Spektrums zu bestimmen.
• Bei der Überwachungseinrichtung ergeben sich dieselben Vorteile, die bereits im Zusammenhang mit dem erfindungsgemäßen Verfahren beschrieben worden sind.
• Bei der Überwachungsvorrichtung können auch die im Zusammenhang mit dem Verfahren erläuterten vorteilhaften Merkmale und Ausgestaltungen allein oder in Kombination Anwendung finden.
• Weitere Einzelheiten und Vorteile der Erfindung sollen nachfolgend anhand des in den Zeichnungen dargestellten Ausführungsbeispiels erläutert werden. Hierin zeigt:
• 1 ein beispielhafter zeitlicher Verlauf eines Effektivwerts eines Körperschallsignals;
• 2 ein zeitlicher Verlauf des Scheitelfaktors des Körperschallsignals aus 1;
• 3 ein Spektrum einer Hüllkurve eines Körperschallsignals gemessen in einem Gutzustand;
• 4 ein Spektrum einer Hüllkurve des Körperschallsignals aus 3 in einem Fehlerzustand;
• 5 ein weiterer beispielhafter zeitlicher Verlauf eines Effektivwerts eines Körperschallsignals und eines Ergebnisses einer Zustandserkennung;
• 6 eine Darstellung von Messwerten eines ersten spektralen Audiomerkmals;
• 7 eine Darstellung von Messwerte eines zweiten spektralen Audiomerkmals;
• 8 eine Darstellung eines Merkmalsraums der Messwerte aus 6 und 7;
• 9 eine Darstellung eines Merkmalsraums mit eingezeichneter Ellipse für eine Mahalanobis-Distanz r = 3;
• 10 eine Darstellung der Mahalanobis-Distanz der Messpunkte aus 9;
• 11 eine weitere Darstellung eines Merkmalsraums; und
• 12 eine Darstellung des kNN-Scores der Messpunkte aus 11.
• In der 1 ist exemplarisch ein Zeitverlauf eines Effektivwerts E eines Körperschallsignals einer als Windenergieanlage ausgebildeten Vorrichtung dargestellt. Der Effektivwert wurde über einen Zeitraum von mehr als zwei Jahren einmal täglich gemessen. Zu erkennen sind sowohl tägliche als auch saisonale Schwankungen. Beginnend bei der Mitte des Jahres 2014 ist ein Anstieg des Effektivwerts E zu verzeichnen, der auf eine Änderung des Betriebszustands der Vorrichtung schließen lässt. Die Schwankung des Effektivwertes E mit erschwert allerdings eine frühzeitige Detektion. Die 2 zeigt eine Darstellung des Scheitelfaktors S desselben Körperschallsignals. Es ist zu erkennen, dass der Schaden im Jahr 2014 keinen erkennbaren Einfluss auf den Scheitelfaktor S hat. Folglich lässt sich der Fehlerzustand mit den im Stand der Technik bekannten Verfahren, die den Effektivwert E oder den Scheitelfaktor S eines Körperschallsignals überwachen, erst verhältnismäßig spät oder gar nicht erkennen.
• In der 3 ist ein Spektrum einer Hüllkurve eines Körperschallsignals einer Vorrichtung in einem Gutzustand dargestellt. 4 zeigt ein Spektrum der Hüllkurve des Körperschallsignals in einem Fehlerzustand, der einem beginnenden Schadenseintritt entspricht. Im Gutzustand gemäß 3 ist im Hüllkurvenspektrum eine Harmonischenstruktur zu erkennen, die sich auf eine der überwachten Vorrichtung benachbarten Zahnradpumpe zurückführen lässt. Wie in 4 sichtbar, maskiert mit beginnendem Defekt eine zusätzliche Anregung durch den Schaden das Signal der Zahnradpumpe und das Hüllkurvenspektrum zeigt eine deutlich sichtbare Veränderung. Eine Überwachung des Effektivwertes gemäß dem Stand der Technik hätte zu diesem Zeitpunkt den Schaden noch nicht erkannt.
• Zur Überwachung wird daher ein Verfahren zur Überwachung eines Betriebszustands der Vorrichtung eingesetzt, wobei ein Körperschallsignal der Vorrichtung gemessen wird, wobei ein Spektrum des Körperschallsignals oder einer Hüllkurve des Körperschallsignals ermittelt wird und zur Ermittlung eines Betriebszustands der Vorrichtung mehrere spektrale Audiomerkmale des ermittelten Spektrums bestimmt werden.
• Für die Audiosignalverarbeitung sind zahlreiche spektrale Audiomerkmale entwickelt worden, mit denen Musikstücke klassifiziert und segmentiert werden können. Diese Merkmale dienen der Beschreibung der Form des Spektrums. Die Form des Spektrums ist eng verknüpft mit der Klangfarbe, die z. B. typisch für ein Instrument ist. Die Klangfarbe charakterisiert das Signal unabhängig von Lautstärke und Tonhöhe. Bei Maschinen mit rotierenden Komponenten variieren viele Anteile des Körperschalls hinsichtlich Leistung und Frequenz, entsprechend Laustärke und Tonhöhe, mit der Drehzahl. Diese Audiomerkmale sind somit gut geeignet für die Charakterisierung der Körperschallsignale mit dem Vorteil einer geringen Abhängigkeit von den Betriebsbedingungen.
• Als spektrale Audiomerkmale zur Charakterisierung der Körperschallsignale werden mehrere der folgenden spektralen Audiomerkmale verwendet: Die spektrale Ebenheit (engl. spectral flatness), die spektrale Schiefe (spectral skewness), der spektrale Crest Faktor (engl. spectral crest factor), der spektrale Schwerpunkt (engl. spectral centroid), die spektrale Streuung (engl. spectral spread), der spektrale Decrease (engl. spectral decrease), der spektrale Slope (engl. spectral slope) und der Spektrale Roll-Off.
• Zusätzlich werden bei dem Überwachungsverfahren ein oder zwei Zeitbereichskennwerte des Körperschallsignals ermittelt. Bevorzugt handelt es sich bei dem Zeitbereichskennwerten um die Nulldurchgangsrate (engl. zero crossing rate) und/oder das Predictivity Ratio (engl. predictivity ratio).
• Die spektralen Audiomerkmale bzw. die Zeitbereichskennwerte können mit einem vorgegebenen Schwellenwert verglichen werden, wobei bei Überschreiten oder Unterschreiten des Schwellenwerts ein Fehlerzustand der Vorrichtung erkannt wird. Ferner ist es möglich, dass das jeweilige ermittelte spektrale Audiomerkmal bzw. der Zeitbereichskennwert mit einem vorgegebenen Schwellenwert verglichen wird und bei erst bei mehrfachem Überschreiten oder mehrfachem Unterschreiten des Schwellenwerts ein Fehlerzustand erkannt wird. Hierdurch kann verhindert werden, dass einzelne Ereignisse einen Fehlalarm auslösen. Eine derartige univariate Überwachung soll nachfolgend anhand der Darstellung in 5 beschrieben werden. Im oberen Bereich ist beispielshaft der zeitliche Verlauf eines Effektivwerts E eines Körperschallsignals gezeigt, wobei ein Schwellenwert T eingezeichnet ist. Im vorliegenden Fall wird bei einer einmaligen Erkennung eines Überschreitens des Schwellenwerts T ein Fehlerzustand F=1 erkannt, siehe unterer Bereich der 5.
• Bevorzugt erfolgt allerdings eine multivariate Erkennung des Betriebszustands der Vorrichtung. Hierbei werden zunächst in einer Trainingsphase, in welcher sich die Vorrichtung in einem vorgegebenen Gutzustand befindet, mehrere der zuvor genannten spektrale Audiomerkmale bestimmt und gespeichert. Es können beispielsweise zwei, drei, vier, fünf, sechs, sieben oder acht dieser spektralen Audiomerkmale des Spektrums bestimmt und gespeichert werden. Zusätzlich werden bevorzugt die Nulldurchgangsrate und/oder das Predictivity Ratio ermittelt und gespeichert. In einer der Trainingsphase nachfolgenden Überwachungsphase werden dann dieselben spektralen Audiomerkmale und ggf. die Nulldurchgangsrate und/oder das Predictivity Ratio ermittelt und mit den in der Trainingsphase ermittelten Daten verglichen.
• In 6 sind mehre Messwerte N eines ersten Merkmals M1 abgebildet. 7 zeigt eine entsprechende Darstellung mehrerer Messwerte N eines zweiten Merkmals M2. Bei den Merkmalen M1, M2 kann es sich um die genannten spektralen Audiomerkmale und/oder die Nulldurchgangsrate und/oder das Predictivity Ratio handeln. In 8 ist das zweite Merkmal M2 in Abhängigkeit von dem ersten Merkmal M1 aufgetragen. In den Messdaten sind zwei auffällige Messpunkte a und b enthalten. Zusätzlich sind Grenzen im Abstand von drei Standardabweichungen vom Mittelpunkt der Stichproben eingezeichnet. In der univariaten Betrachtung von Merkmal 1 lassen sich die auffälligen Messpunkte nicht erkennen, da beide Punkte hinsichtlich Merkmal 1 unauffällig bzgl. des gesamten Streubereichs von Merkmal 1 sind. In der mittleren Grafik lässt sich Messpunkt a als Auffälligkeit erkennen, da dieser Punkt deutlich außerhalb des Streubereichs der übrigen Daten liegt. In der Merkmalsraumdarstellung (rechts) ist deutlich zu sehen, dass das erste Merkmal M1 und das zweite Merkmal M2 miteinander korreliert sind. Darüber hinaus lassen sich beide Messpunkte a und b optisch einfach als Auffälligkeiten identifizieren. Dieser Sachverhalt kann durch multivariate Verfahren zur Verbesserung der Zustandsüberwachung genutzt werden. Hierzu werden in einer Trainingsphase die Streubereiche unterschiedlicher Merkmale unter Berücksichtigung ihrer Korrelationen für den Gutzustand der überwachten Maschine gelernt. Durch Vergleich der Merkmale einer aktuellen Messung mit dem gelernten Gutzustand kann im Merkmalsraum der Grad der Auffälligkeit der aktuellen Messung quantitativ bewertet und zur Überwachung genutzt werden. Im Folgenden werden hierzu zwei Verfahren exemplarisch vorgestellt.
• Anhand der Darstellungen in 9 und 10 soll nachfolgend die multivarate Überwachung des Betriebszustands einer Vorrichtung basierend auf der Überwachung der Mahalanobis-Distanz r beschrieben werden. Die Überwachung der Mahalanobis-Distanz r (siehe Gleichung 13) ist ein vergleichsweise einfaches Verfahren zum Erlernen des Normalzustandes und zur Erkennung von Auffälligkeiten. Die Berechnung der Mahalanobis-Distanz erfordert die Kenntnis des Merkmalsvektors x, des Mittelwerts µ und der Kovarianzmatrix S. Kovarianzmatrix S und Mittelwert µ werden in der Trainingsphase anhand der Merkmale, beispielsweise M1 und M2, der Körperschallsignale bestimmt und repräsentieren die Verteilung der Merkmale für den bekannten Gutzustand der Maschine. Merkmalsvektor x wird in der Überwachungsphase aus dem aktuellen Körperschallsignal berechnet und beschreibt die Lage des aktuellen Messpunktes im Merkmalsraum. Die Mahalanobis-Distanz r der aktuellen Messung repräsentiert den euklidischen Abstand des aktuellen Messpunktes vom Mittelpunkt µ der Verteilung der Trainingsdaten, skaliert unter Berücksichtigung der Streuung der Trainingsdaten.
• In 9 ist das Verfahren unter Annahme einer multivariaten Normalverteilung als Trainingsdatenmenge und zwei exemplarischen auffälligen Messpunkten a und b illustriert. Die gestrichelte Linie in 9 repräsentiert eine Ellipse auf der sich alle Punkte mit einer Mahalanobis-Distanz von r = 3 bzgl. des Mittelpunktes µ der Trainingsdaten befinden. Im eindimensionalen Fall entspräche dies dem Abstand von drei Standardabweichungen vom Mittelwert. Die Grafik in 10 zeigt, dass die auffälligen Messpunkte a und b anhand der Mahalanobis-Distanz r deutlich von den Trainingsdaten zu unterscheiden sind. Sofern die Verteilung der Trainingsdaten sich ausreichend gut durch eine mehrdimensional verallgemeinerte Ellipse beschreiben lässt, kann mit Hilfe der Mahalanobis-Distanz r eine Vielzahl von Merkmalen zusammengefasst und zur Charakterisierung der Auffälligkeit eines Messpunktes verwendet werden. Der Zeitverlauf dieses Kennwertes lässt sich auf Grenzwertüberschreitungen überwachen und zur Detektion auffälliger Maschinenzustände verwenden.
• Eine alternative Methode zur multivariaten Überwachung wird nachfolgend anhand der Darstellungen in 11 und 12 erläutert. Das zuvor beschriebene distanzbasierte Verfahren basierend auf der Mahalanobis-Distanz r berücksichtigt die Verteilung der Trainingsdaten zusammengefasst durch den Mittelwert und die Kovarianzmatrix. Bei Trainingsdatenmengen, die eine komplexere Gestalt im Merkmalsraum aufweisen, kann man die Auffälligkeitserkennung verbessern, indem lokale Eigenschaften der Verteilung berücksichtigt werden. Hierzu wird in Anlehnung an den local outlier factor (LOF) ein vereinfachtes Verfahren vorgeschalgen, das auf dem k-nearest neighbour (kNN) Ansatz beruht. Für einen Punkt P kann die lokale Dichte als Kehrwert des mittleren Abstandes zu seinen k nächsten Nachbarn im Trainingsdatensatz bestimmt werden. Analog kann die mittlere Dichte in der Umgebung des Punktes P als Mittelwert der lokalen Dichten seiner k nächsten Nachbarn N_1..k bestimmt werden. Verwendet man das Verhältnis der mittleren Dichte in der Umgebung des Punktes P zur lokalen Dichte im Punkt P als Kennwert kNN Score, so ergeben sich Werte nahe 1 für Messpunkte P, die im Bereich der Trainingsdatenmenge liegen. Mit steigender Distanz des Punktes P zur Trainingsdatenmenge reduziert sich die lokale Dichte in diesem Punkt und der Kennwert kNN Score steigt.
• 11 und 12 illustrieren das Verfahren anhand der gemeinsamen Verteilung zweier Merkmale eines realen Trainingsdatensatzes und zwei auffälligen Messpunkten a und b. Im Merkmalsraum (11) sind die auffälligen Punkte a und b optisch gut von den Trainingsdaten zu unterscheiden. Der kNN Score für die Trainingsdaten (12) schwankt um den Wert 1. Die Score-Werte für die Punkte a und b heben sich deutlich von den Trainingsdaten ab. Die eingezeichnete Grenze bei einem Score-Wert von ca. 4 entspricht dem Verlauf der gestrichelten Linie im Merkmalsraum (11). Im Bereich hoher Trainingsdatendichte verläuft die Entscheidungsgrenze näher an der Trainingsdatenmenge. Im Bereich geringer Datendichte und folglich weniger Information über den Verlauf der Grenze des Gutzustands, verläuft die Grenze in größerer Entfernung. Der dichtebasierte Ansatz berücksichtigt somit besser die konkrete Verteilung der Trainingsdatenmenge. Analog zur Mahalanobis-Distanz kann auch der Zeitverlauf des kNN Scores zur Erkennung von auffälligen Maschinenzuständen auf Grenzwertüberschreitungen überwacht werden.
• Bei den vorstehend erläuterten Verfahren zur Überwachung eines Betriebszustands einer Vorrichtung, insbesondere einer Vorrichtung mit einer drehenden Komponente, wird ein Körperschallsignal der Vorrichtung gemessen und ein Spektrum des Körperschallsignals oder einer Hüllkurve des Körperschallsignals ermittelt. Ferner wird zur Ermittlung eines Betriebszustands der Vorrichtung mindestens ein spektrales Audiomerkmal des ermittelten Spektrums bestimmt. Durchgeführt werden kann das Verfahren mit einer Überwachungseinrichtung zur Überwachung eines Betriebszustands einer Vorrichtung, insbesondere einer Vorrichtung mit einer drehenden Komponente, mit einem Körperschallaufnehmer zur Messung eines Körperschallsignal der Vorrichtung und mit einer Auswerteeinrichtung, die dazu eingerichtet ist, ein Spektrum des Körperschallsignals oder einer Hüllkurve des Körperschallsignals zu ermitteln und zur Ermittlung eines Betriebszustands der Vorrichtung mindestens ein spektrales Audiomerkmal des ermittelten Spektrums zu bestimmen.
• Bezugszeichenliste

a, b

Messpunkte

E

Effektivwert

f

Frequenz

F

Fehlerzustand

M1, M2

Merkmal

N

Sample-Nummer

S

Scheitelfaktor

t

Zeit

T

Schwellenwert

X

Spektrum

Claims (10)

1. Verfahren zur Überwachung eines Betriebszustands einer Vorrichtung, insbesondere einer Vorrichtung mit einer drehenden Komponente, wobei ein Körperschallsignal der Vorrichtung gemessen wird, dadurch gekennzeichnet, dass ein Spektrum (X) des Körperschallsignals oder einer Hüllkurve des Körperschallsignals ermittelt wird und zur Ermittlung eines Betriebszustands der Vorrichtung mindestens ein spektrales Audiomerkmal (M1, M2) des ermittelten Spektrums (X) bestimmt wird.
2. Verfahren nach Anspruch 1, wobei das spektrale Audiomerkmal die spektrale Ebenheit, die spektrale Schiefe, der spektrale Crest Faktor, der spektrale Schwerpunkt, die spektrale Streuung, der spektrale Decrease, der spektrale Slope oder der spektrale Roll-Off ist.
3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zur Bestimmung eines Betriebszustands der Vorrichtung mehrere spektrale Audiomerkmale (M1, M2) des ermittelten Spektrums (X) bestimmt werden.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zur Bestimmung des Betriebszustands der Vorrichtung zusätzlich ein Zeitbereichskennwert des Körperschallsignals bestimmt wird, bevorzugt die Nulldurchgangsrate und/oder das Predictivity Ratio des Körperschallsignals.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in einer Trainingsphase, in welcher sich die Vorrichtung in einem vorgegebenen Gutzustand befindet, ein oder mehrere spektrale Audiomerkmale bestimmt und gespeichert werden, wobei bevorzugt zusätzlich ein Zeitbereichskennwert des Körperschallsignals bestimmt und gespeichert wird.
6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass in einer der Trainingsphase nachfolgenden Überwachungsphase ein oder mehrere spektrale Audiomerkmale (M1, M2) mit dem jeweiligen in der Trainingsphase gespeicherten spektralen Audiomerkmal verglichen werden, wobei bevorzugt zusätzlich ein Zeitbereichskennwert des Körperschallsignals mit dem jeweiligen in der Trainingsphase gespeicherten Zeitbereichskennwert verglichen wird.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass ein Maß für die Abweichung des Betriebszustands der Vorrichtung von ihrem Gutzustand ermittelt wird, insbesondere wobei ein Fehlerzustand erkannt wird, wenn das Maß für die Abweichung einen vorgegebenen Schwellenwert überschreitet.
8. Verfahren nach einem der vorhergehenden Ansprüche dadurch gekennzeichnet, dass in einer Trainingsphase, in welcher sich die Vorrichtung in einem vorgegebenen Gutzustand befindet, mehrere spektrale Audiomerkmale, und bevorzugt ein Zeitbereichskennwert, bestimmt und gespeichert werden, wobei in einer der Trainingsphase nachfolgenden Überwachungsphase diese mehreren spektrale Audiomerkmale (M1, M2) und bevorzugt der Zeitbereichskennwert bestimmt werden, wobei jede Bestimmung dieser spektralen Audiomerkmale (M1, M2) und bevorzugt des Zeitbereichskennwerts einen weiteren Punkt in dem mehrdimensionalen Merkmalsraum definiert, wobei eine Mahalanobis-Distanz für einen in der Überwachungsphase bestimmten Punkt berechnet wird.
9. Verfahren nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass in einer Trainingsphase, in welcher sich die Vorrichtung in einem vorgegebenen Gutzustand befindet, mehrere spektrale Audiomerkmale (M1, M2) und bevorzugt ein Zeitbereichskennwert bestimmt und gespeichert werden, wobei jede Bestimmung dieser spektralen Audiomerkmale und bevorzugt des Zeitbereichskennwerts einen Punkt in einem mehrdimensionalen Merkmalsraum definiert, wobei in einer der Trainingsphase nachfolgenden Überwachungsphase diese mehreren spektrale Audiomerkmale (M1, M2) und bevorzugt der Zeitbereichskennwert bestimmt werden, wobei jede Bestimmung dieser spektralen Audiomerkmale (M1, M2) und bevorzugt des Zeitbereichskennwerts einen weiteren Punkt in dem mehrdimensionalen Merkmalsraum definiert, wobei für einen in der Überwachungsphase bestimmten Punkt eine lokale Dichte und eine mittlere Dichte in der Umgebung des Punktes berechnet wird.
10. Überwachungseinrichtung zur Überwachung eines Betriebszustands einer Vorrichtung, insbesondere einer Vorrichtung mit einer drehenden Komponente, mit einem Körperschallaufnehmer zur Messung eines Körperschallsignal der Vorrichtung, gekennzeichnet durch eine Auswerteeinrichtung, die dazu eingerichtet ist, ein Spektrum (X) des Körperschallsignals oder einer Hüllkurve des Körperschallsignals zu ermitteln und zur Ermittlung eines Betriebszustands der Vorrichtung mindestens ein spektrales Audiomerkmal (M1, M2) des ermittelten Spektrums (X) zu bestimmen.

Images