DE102018203280A1 - Zustandsdiagnosevorrichtung - Google Patents

Zustandsdiagnosevorrichtung Download PDF

Info

Publication number
DE102018203280A1
DE102018203280A1 DE102018203280.7A DE102018203280A DE102018203280A1 DE 102018203280 A1 DE102018203280 A1 DE 102018203280A1 DE 102018203280 A DE102018203280 A DE 102018203280A DE 102018203280 A1 DE102018203280 A1 DE 102018203280A1
Authority
DE
Germany
Prior art keywords
state
diagnostic
model
data
component
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102018203280.7A
Other languages
English (en)
Inventor
Takahiro TAMAKOSHI
Hiroshi Ueno
Tomoharu Ando
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.)
Okuma Corp
Original Assignee
Okuma Corp
Okuma Machinery Works Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Okuma Corp, Okuma Machinery Works Ltd filed Critical Okuma Corp
Publication of DE102018203280A1 publication Critical patent/DE102018203280A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • 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
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • 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
    • 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
    • Y02P90/80—Management or planning

Abstract

Eine Zustandsdiagnosevorrichtung sammelt einen Verwendungszustand und Diagnosedaten von Komponenten und wählt aus den gesammelten Diagnosedaten mindestens einen Datensatz der Diagnosedaten, welche in einem Zustand erhalten wurden, in dem der Verwendungszustand der Komponenten in einem wahr normalen Zustand ist, und der Diagnosedaten, welche in einem Zustand erhalten wurden, in dem der Verwendungszustand der Komponenten ein wahr abnormaler Zustand ist, aus. Die ausgewählten Diagnosedaten werden als Masterdaten definiert. Ein Diagnoseergebnis, welches durch Diagnostizieren der Masterdaten basierend auf dem momentanen Diagnosemodell erhalten wird, wird mit einem Diagnoseergebnis verglichen, welches durch Diagnostizieren der Masterdaten basierend auf einem neuen Diagnosemodell erhalten worden ist, und es wird bestimmt, ob das momentan Diagnosemodell mit dem neuen Diagnosemodell konsistent ist. Wenn Konsistenz erfüllt ist, wird das Diagnosemodell vom momentanen Diagnosemodell zum neuen Diagnosemodell aktualisiert.

Description

  • HINTERGRUND
  • Gebiet der Erfindung
  • Die vorliegende Erfindung bezieht sich auf eine Zustandsdiagnosevorrichtung, welche eine industrielle Maschine, so wie eine Werkzeugmaschine, diagnostiziert, und welche einen Grad eines Fortschritts einer Anomalie verfolgt und den Grund der Anomalie der industriellen Maschine bestimmt.
  • BESCHREIBUNG DES STANDES DER TECHNIK
  • Die Verbesserung der Produktionseffizienz ist der wichtigste Punkt in der Fertigungsindustrie. Wenn eine Fertigungsanlage wegen dem Ausfall einer industriellen Maschine anhält, wird die Produktionseffizienz signifikant reduziert. Um solch einem Problem vorzubeugen, ist die tägliche präventive Wartung der industriellen Maschine, insbesondere die bedienungsbasierte Wartung von dieser am wichtigsten. Daher wurden Zustandsdiagnosevorrichtungen zum Diagnostizieren eines Zustands der industriellen Maschine entworfen, um die Wartung durchzuführen. Zum Beispiel offenbart das japanische Patent Nr. 5108116 eine Zustandsdiagnosevorrichtung, welche die bedingungsbasierte Wartung unter Verwendung einer Regressionsanalyse durchführt. Die Zustandsdiagnosevorrichtung erhält eine Vielzahl von Teilen von Zustandsdaten eines Apparats, welche während eines normalen Zustand davon diagnostiziert werden, und verwendet die Regressionsanalyse, um die Daten zu klassifizieren und ein Diagnosemodell von den Zustandsdaten zu erstellen. Die Zustandsdiagnosevorrichtung verwendet das erstellte Diagnosemodell, um den Zustand des Apparats basierend auf einem Grad der Abweichung zu berechnen, und vergleicht das Ergebnis mit einem Schwellenwert, um eine Diagnose durchzuführen, so wie eine Detektion einer Anomalie. Weiterhin offenbart die japanische Patentanmeldung mit der Veröffentlichungsnummer 2002-090267 ( JP 2002-090267 A ) eine Zustandsdiagnosevorrichtung, welche die bedienungsbasierte Wartung unter Verwendung eines neuralen Netzwerks durchführt. Die Zustandsdiagnosevorrichtung erstellt ein neurales Netzwerkmodell (Diagnosemodell) für jeden Typ von Anomalie, basierend auf vielen Teilen von normalen Daten und sehr wenigen Teilen von abnormalen Daten. Die Zustandsdiagnosevorrichtung führt das Vorverarbeiten von Zeitreihendaten durch, welche von einem Apparat, welcher diagnostiziert werden soll, erhalten werden, wobei das Verarbeiten für jeden Typ von Anomalie festgelegt ist. Die Zustandsdiagnosevorrichtung bestimmt individuell Daten basierend auf jedem Diagnosemodell, um eine Diagnose durchzuführen, so wie die Detektion einer Anomalie.
  • Wenn Maschinenlernen auf die Zustandsdiagnose der industriellen Maschine angewandt wird, muss das Diagnosemodell aktualisiert werden, um die Genauigkeit der Diagnose zu verbessern, die diagnostizierbaren Typen der Anomalie zu erhöhen, und Probleme in der Diagnose zu korrigieren. Jedoch wird angenommen, dass in den konventionellen Zustandsdiagnosevorrichtungen das Diagnosemodell nicht aktualisiert wird, was in einer Schwierigkeit resultiert, die Diagnose-Genauigkeit durch Anwendung des Maschinenlernens zu verbessern. Zusätzlich kann das Aktualisieren des Diagnosemodells eine Inkonsistenz von Diagnoseergebnissen zwischen dem Zustand vor und nach dem Aktualisieren bewirken. In anderen Worten können Diagnosedaten, welche vor der Aktualisierung als normal diagnostiziert wurden, nach der Aktualisierung als abnormal diagnostiziert werden.
  • ZUSAMMENFASSUNG
  • Im Hinblick auf die oben beschriebenen Probleme soll die vorliegende Erfindung eine Zustandsdiagnosevorrichtung bereitstellen, welche leicht und akkurat ein Diagnosemodell aktualisiert, ohne dabei Probleme zu verursachen bevor und nachdem es aktualisiert wird, wodurch die Diagnosegenauigkeit durch die Anwendung von Maschinenlernen verbessert wird.
  • Um das oben beschriebene Objekt zu erreichen, diagnostiziert gemäß einem ersten Aspekt der vorliegenden Offenbarung eine Zustandsdiagnosevorrichtung einen Zustand einer industriellen Maschine durch Diagnostizieren von Diagnosedaten basierend auf einem bestimmten Diagnosemodell, wobei die Diagnosedaten von mindestens einer Komponente von Interesse der industriellen Maschine erhalten werden. Die Zustandsdiagnosevorrichtung beinhaltet eine Datensammeleinheit, welche einen Betriebszustand und Diagnosedaten der Komponente sammelt, eine Master-Auswahleinheit, welche als Masterdaten, von den Diagnosedaten, welche von der Datensammelvorrichtung gesammelt werden, mindestens eine der Diagnosedaten sammelt, die in einem Zustand erhalten wurden, in welchem der Verwendungszustand der Komponente ein wahr normaler Zustand ist, und der Diagnosedaten, die in einem Zustands erhalten wurden, in welchem der Betriebszustand der Komponente ein wahr abnormaler Zustand ist, eine Speichereinheit, welche die ausgewählten Masterdaten speichert, und eine Konsistenzbestimmungseinheit, welche ein Diagnoseergebnis, welches durch Diagnostizieren der Masterdaten basierend auf dem momentanen Diagnosemodell erhalten wurde, mit einem Diagnoseergebnis, welches durch Diagnostizieren der Masterdaten basierend auf einem neuen Diagnosemodell erhalten wurde, vergleicht, und welches bestimmt, ob das momentane Diagnosemodell konsistent mit dem neuen Diagnosemodell ist. Die Zustandsdiagnosevorrichtung aktualisiert das Diagnosemodell vom momentanen Diagnosemodell zum neuen Diagnosemodell, wenn Konsistenz erfüllt ist.
  • Gemäß einem zweiten Aspekt der vorliegenden Offenbarung kann im ersten Aspekt der vorliegenden Offenbarung der Verwendungszustand eine kumulative Betriebssumme, vom Verwendungsbeginn der Komponente bis dann, wann die Komponente ausgetauscht oder repariert wird, sein, und der wahr normale Zustand kann ein Zustand zu einer Zeit sein, wenn die kumulative Betriebssumme eine bestimmte spezifizierte Summe, ausgehend von dann, wann damit begonnen wird, die Komponente zu verwenden, überschreitet, und der wahr abnormale Zustands kann der Zustand zu einer Zeit sein, wenn die kumulative Betriebssumme eine Summe erreicht, zu welcher die Komponente ersetzt oder repariert wird.
  • Gemäß einem dritten Aspekt der vorliegenden Offenbarung kann im ersten oder zweiten Aspekt der vorliegenden Offenbarung die Zustandsdiagnosevorrichtung bestimmen, ob die Komponente normal oder abnormal ist, als ein Ergebnis der Diagnose basierend auf dem Diagnosemodell. Die Konsistenzbestimmungseinheit kann bestimmen, dass die Konsistenz erfüllt ist, wenn das Bestimmungsergebnis von normal oder abnormal zwischen dem momentanen Diagnosemodell und dem neuen Diagnosemodell in Bezug auf jede Komponente übereinstimmt, und wenn ein Sicherheitsfaktor der Bestimmungsergebnisse von normal oder abnormal basierend auf dem neuen Diagnosemodell nicht geringer ist als der der Bestimmung von normal oder abnormal basierend auf dem vorliegenden Diagnosemodell.
  • Gemäß der vorliegenden Offenbarung sammelt die Zustandsdiagnosevorrichtung den Verwendungszustand und die Diagnosedaten der Komponenten und wählt aus den gesammelten Diagnosedaten mindestens einen Datensatz der Diagnosedaten aus, welcher in einem Zustand erhalten worden ist, in dem der Verwendungszustand der Komponenten im wahr normalen Zustand ist, und der Diagnosedaten, welche in einem Zustand erhalten wurden, in welchem der Benutzungszustand der Komponenten in einem wahr abnormalen Zustand ist, aus, wobei die ausgewählten Diagnosedaten die Masterdaten sind. Das Diagnoseergebnis, welches durch Diagnostizieren der Masterdaten basierend auf dem momentanen Diagnosemodell erhalten worden sind, werden mit dem Diagnoseergebnis verglichen, welches durch Diagnostizieren der Masterdaten basierend auf dem neuen Diagnosemodell erhalten worden ist, um zu bestimmen, ob das momentane Diagnosemodell mit dem neuen Diagnosemodell konsistent ist. Wenn die Konsistenz erfüllt ist, wird das Diagnosemodell vom momentanen Diagnosemodell zum neuen Diagnosemodell aktualisiert. Dementsprechend können Masterdaten effizient erhalten werden, und weiterhin kann das Diagnosemodell leicht und akkurat aktualisiert werden, während vor und nach der Aktualisierung kein Problem hervorgerufen wird. Als ein Ergebnis kann durch Anwendung von Maschinenlernen die Zustandsdiagnosevorrichtung genauer eine Vielzahl von Anomalien und Gründen davon detektieren.
  • Figurenliste
    • 1 ist ein Blockkonfigurationsdiagramm einer Zustandsdiagnosevorrichtung.
    • 2 ist ein Diagramm zur Erläuterung von Fällen, in welchen ein wahr normaler Zustand und ein wahr abnormaler Zustand basierend auf einem Verwendungszustand bestimmt werden.
    • 3 ist ein Flussdiagramm zur Verifizierung der Konsistenz eines Diagnosemodells.
    • 4 ist ein Diagramm zur Erläuterung, welches die Konsistenzbestimmungsergebnisse, welche ausgegeben werden, zeigt.
  • DETAILLIERTE BESCHREIBUNG DER AUSFÜHRUNGSFORM
  • Im Folgenden wird eine Zustandsdiagnosevorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung basierend auf den Zeichnungen mehr im Detail beschrieben.
  • 1 ist ein Blockkonfigurationsdiagramm einer Zustandsdiagnosevorrichtung 10.
  • Die Zustandsdiagnosevorrichtung 10 ist eine Vorrichtung, welche einen Zustand einer industriellen Maschine, so wie einer Werkzeugmaschine, diagnostiziert. Die Zustandsdiagnosevorrichtung 10 beinhaltet eine Modellverifizierungseinheit, welche verifiziert, ob das momentane Diagnosemodell konsistent mit einem neuen Diagnosemodell ist, eine Diagnoseeinheit 6, welche den Zustands der industriellen Maschine unter Verwendung von Diagnosedaten diagnostiziert (zum Beispiel, Erkennungswerte, die von verschiedenen Sensoren so wie Beschleunigungssensoren und Temperatursensoren erhalten), welche von der industriellen Maschine erhalten worden sind, und eine Diagnose der Masterdaten vornimmt, basierend auf den erhaltenen neuen Diagnosemodellen, wie später beschrieben wird, und einer Modellerstellungseinheit (nicht gezeigt), welche die Diagnosemodelle aus Daten so wie den Diagnosedaten und experimentellen Daten, welche durch Experimente erhalten worden sind, erstellt. Die Diagnosemodelle werden unter Verwendung von Daten, welche von der industriellen Maschine erhalten worden sind, durch Maschinenlernen, sowie ein Lernen unter Verwendung eines neuralen Netzwerks erstellt.
    Die Modellverifizierungseinheit 1 beinhaltet eine Datensammeleinheit 2, welche konstant Betriebsdaten (Verwendungszustand) und die Diagnosedaten der industriellen Maschine sammelt, eine Masterauswahleinheit 3, welche die Masterdaten aus den Diagnosedaten, welche durch die Datensammeleinheit 2 gesammelt wurden, auswählt, eine Speichereinheit 4, welche die ausgewählten Masterdaten speichert, eine Modellverifizierungsbefehlseinheit 5, welche die Verifizierung zwischen alten und neuen Diagnosemodellen zum Zeitpunkts des Aktualisierens des Diagnosemodells startet, und eine Konsistenzbestimmungseinheit 10, welche die alten und neuen Diagnosemodelle verifiziert, um zu bestimmen, ob die Konsistenz erfüllt ist, und das Bestimmungsergebnis ausgibt.
  • Die Auswahl der Masterdaten wird als erstes beschrieben. In der vorliegenden Ausführungsform werden die Betriebsdaten als kumulative Betriebssumme definiert. Die Datensammeleinheit 2 sammelt die kumulativen Betriebssummen von Komponenten von Interesse, so wie Lager und Motoren der industriellen Maschine auf einer Komponenten-Komponenten-Basis. Für jede der Komponenten wird ein Zustand, in welchem nach einem Gewöhnungsbetrieb begonnen wird, die Komponenten zu verwenden, nämlich in einem Zustand direkt nachdem die kumulative Betriebssumme eine spezielle bestimmte Summe A überschritten hat, als ein wahr normaler Zustand angenommen. Der Zustand direkt vor dem Ersetzen oder Reparieren der Komponente wegen eines Fehlers oder ähnlichem, nämlich ein Zustand, in welchem die kumulative Betriebssumme einen maximalen Wert erreicht, direkt bevor sie auf null zurückgesetzt wird, wird als ein wahr abnormaler Zustand angenommen. Die Masterauswahleinheit 3 beschränkt die gesammelten Diagnosedaten auf Diagnosedaten, welche in beiden der oben beschriebenen Zustände erhalten wurden. Die Masterauswahleinheit 3 diagnostiziert die eingeschränkten Diagnosedaten unter Verwendung des momentanen Diagnosemodells, und bestimmt, ob die Komponente normal oder abnormal ist. Danach vergleicht die Masterauswahleinheit 3 die Diagnoseergebnisse mit dem tatsächlichem Zustand, ob die Komponente normal oder abnormal ist, und wählt die Diagnosedaten aus, für welche die Bestimmung, ob die Komponente normal oder abnormal ist, mit dem tatsächlichen Zustand übereinstimmt. Die ausgewählten Diagnosedaten werden als Masterdaten bezeichnet. Die Masterauswahleinheit 3 nimmt eine solche Auswahl der Masterdaten für alle einzelnen Komponenten von Interesse vor, und speichert die ausgewählten Diagnosedaten als Masterdaten in einer Speichereinheit 4.
  • Die kumulative Betriebssumme kann eine Summe sein, welche Verschleiß einer Komponente darstellt, so wie die Anzahl von Drehungen, eine Fahrstrecke oder eine Betriebszeit. Die Masterdaten, welche dem wahr abnormalen Zustand entsprechen, können durch Durchführen eines Diagnosevorgangs direkt vor dem Ersetzen oder Reparieren der Komponente erhalten werden. Weiterhin, wenn der Diagnosevorgang wegen einer schweren Anomalie so wie einer Maschinenkollision, die unerwarteterweise aufgetreten ist, nicht durchgeführt werden kann, können die Masterdaten, die dem abnormalen Zustand entsprechen, nicht erhalten werden. Zusätzlich, da anfänglicher Verschleiß der Komponente vorzugsweise einbezogen wird, werden die Masterdaten nur aus den Diagnosedaten ausgewählt, welche erhalten worden sind, wenn die kumulative Betriebssumme nicht null ist, aber wenn die kumulative Betriebssumme eine bestimmte Menge A überschritten hat. Wie in „Kenya Kikuchi, Running-in Behavior of Repeated Dry Wear on Metals, Journal of the Association of Materials Engineering for Resources, 11(2), 1998, S. 12-20“ beschrieben ist, kann die bestimmte Menge A durch Untersuchen von zum Beispiel der Fahrstrecke oder der Anzahl an Drehungen, bei welchen die Menge an Abrasionspulver stabilisiert ist, durch Durchführen eines Experiments im Vorhinein bestimmt werden. Wenn eine totale Fahrtstrecke als kumulative Betriebssumme einer bestimmten Komponente angesehen wird, werden die Diagnosedaten, welche zu Zeiten, wie sie in 2 dargestellt sind erhalten wurden, als Masterdaten verwendet.
  • Im Folgenden wird die Verifizierung der Konsistenz zwischen alten und neuen Diagnosemodellen zu der Zeit des Aktualisierens des Diagnosemodells mit Bezug auf 3 beschrieben. Wenn das neue Diagnosemodell erstellt worden ist und die Verifizierung des Diagnosemodells begonnen wird (S1), wird eine Komponente k (1 ≤ k ≤ N) von Interesse aus n Komponenten, welche in der industriellen Maschine diagnostiziert werden sollen, ausgewählt, und ein Befehl wird von der Modellverifizierungsbefehlseinheit 5 zur Diagnoseeinheit 6 und zur Konsistenzbestimmungseinheit 7 übertragen. Die Diagnoseeinheit 6 liest dann die Masterdaten für die Komponente k aus der Speichereinheit 4 und führt eine Diagnose der Masterdaten unter Verwendung von sowohl des alten auch des neuen Diagnosemodells durch (S2). Die Diagnoseresultate basierend auf den entsprechenden Diagnosemodellen werden an die Konsistenzbestimmungseinheit 7 übertragen. Die Konsistenzbestimmungseinheit 7 bestimmt, ob die Diagnoseergebnisse (so wie Diagnoseergebnisse von normal oder abnormal) für die Komponente k zwischen den alten und neuen Diagnosemodellen konsistent sind (S3), und speichert temporär das Konsistenzbestimmungsergebnis (S4). Die Konsistenzbestimmungseinheit 7 bestimmt die Konsistenz für alle N Komponenten, und wenn bestätigt wird, dass die Verifizierung der Konsistenz beendet wurde (JA bei S5), gibt sie die Konsistenzbestimmungsergebnisse für alle N Komponenten nach extern aus (S6).
  • Ein Verfahren zum Bestimmen der Konsistenz wird beschrieben. Die Bestimmung verwendet ein Label Lk, welches anzeigt, ob die Komponente k normal oder abnormal ist, und einen Wert eines Bestimmtheitsfaktors Xk, welcher berechnet wird, wenn die Bestimmung ob normal oder abnormal vorgenommen wird. Der Sicherheitsfaktor bezieht sich auf einen Wert, welcher die Genauigkeit der Bestimmung von normal oder abnormal angibt, das heißt, ein Wert, welcher angibt, dass die Bestimmung von normal oder abnormal wahrscheinlicher korrekt ist, umso größer der Wert ist. Zum Beispiel sollte ein Korrelationskoeffizient oder ein Ausgabewert einer Einheit des neuralen Netzwerks frei als Sicherheitsfaktor verwendet werden. Lk1 zeige ein Label an, welches durch die Diagnose basierend auf dem momentanen Diagnosemodell (altes Diagnosemodell) der Masterdaten bestimmt wurde, und Xk1 sei ein Sicherheitsfaktor, und Lk2 sei ein Label, welches durch die Diagnose basierend auf dem neuen Diagnosemodell der Masterdaten bestimmt wurde, und Xk2 sei ein Sicherheitsfaktor. Wenn die Ergebnisse der Bestimmung übereinstimmen, ob die Komponente k normal oder abnormal ist (d.h. Lk1 = Lk2) und der Sicherheitsfaktor nicht abgenommen hat (d.h., Xk2 - Xk1 ≥ 0), wird bestimmt, dass die alten und neuen Diagnosemodelle bezüglich der Komponente k konsistent sind. Beispiele der Konsistenzbestimmungsergebnisse, welche am Ende nach extern ausgegeben werden, beinhalten diese, welche in 4 dargestellt sind. Die Labels (Lk1 und Lk2) und die Sicherheitsfaktoren (Xk1 und Xk2), welche für die Bestimmung der Konsistenz verwendet werden, können ebenfalls ausgegeben werden.
  • Wenn die Konsistenz mit Bezug auf alle Komponenten erfüllt ist, wie oben beschrieben, wird das momentane Diagnosemodell auf das neue Diagnosemodell aktualisiert. Wenn stattdessen die Konsistenz mit Bezug auf einen Teil der Komponenten nicht erfüllt ist, wird das Modell nicht aktualisiert, oder das neue Modell wird nur für solche Komponenten verwendet, deren Diagnosemodelle konsistent sind.
  • Die Zustandsdiagnosevorrichtung 10 zu ist dazu eingerichtet, den Verwendungszustand und die Diagnosedaten der Komponenten zu sammeln, und die Masterdaten aus den gesammelten Diagnosedaten auszuwählen. Die gesammelten Daten bestehen aus Diagnosedaten, welche in dem Zustand erhalten worden sind, in welchem der Verwendungszustand der Komponenten der wahr normale Zustand ist, und den Diagnosedaten, welche in dem Zustand erhalten worden sind, in welchem der Verwendungszustand der Komponenten der wahr abnormale Zustand ist.
    Die Zustandsdiagnosevorrichtung 10 vergleicht das Diagnoseergebnis, welches durch Diagnostizieren der Masterdaten basierend auf dem momentanen Diagnosemodell erhalten worden sind, mit dem Diagnoseergebnis, welches durch Diagnostizieren der Masterdaten basierend auf dem neuen Diagnosemodell erhalten worden sind, und bestimmt, ob das momentane Diagnosemodell konsistent mit dem neuen Diagnosemodell ist. Wenn die Konsistenz erfüllt ist, aktualisiert die Zustandsdiagnosevorrichtung 10 das Diagnosemodell vom momentanen Diagnosemodell zum neuen Diagnosemodell. Dementsprechend kann die Zustandsdiagnosevorrichtung 10 effizient die Masterdaten erhalten, und kann leicht und akkurat das Diagnosemodell, welches vor und nach dem Aktualisieren kein Problem verursacht, aktualisieren. Weiterhin kann zum Beispiel durch Anwendung von Maschinenlernen die Zustandsdiagnosevorrichtung 10 genauer eine Vielzahl von Anomalien und Ursachen davon detektieren.
    Die Konfiguration der Zustandsdiagnosevorrichtung gemäß der vorliegenden Erfindung ist nicht auf die oben beschriebene Ausführungsform beschränkt. Nicht nur die Gesamtkonfiguration der Vorrichtung, sondern ebenfalls die Konfigurationen bezüglich der Verifizierung und der Aktualisierung des Diagnosemodells, kann, wenn nötig, entsprechend modifiziert werden, ohne vom Kern der vorliegenden Erfindung abzuweichen.
  • In der obigen beschriebenen Ausführungsform werden die Betriebsdaten, sowie die Anzahl der Drehungen, die Fahrstrecke oder die Betriebszeit als Verwendungszustand herangezogen. Jedoch kann ein Verwendungszustand, welcher nicht den oben genannten Daten entspricht, ebenfalls herangezogen werden. Eine Zeit, welche verschieden ist von der Betriebsperiode, kann in Betracht gezogen werden, zum Beispiel kann eine Zeit seit der Installation als Verwendungszustand verwendet werden.
  • Der Verwendungszustand variiert zwischen einzelnen industriellen Maschinen. Daher können Maschinen, welche industrielle Maschinen des gleichen Typs sind, einzeln Masterdaten aufweisen.
  • Zudem kann eine Reparatur beispielsweise das Nachziehen einer lose gewordenen Komponente beinhalten. Weiterhin kann die Modellerstellungseinheit außerhalb der Zustandsdiagnosevorrichtung vorgesehen sein.
  • Es wird explizit darauf aufmerksam gemacht, dass alle Merkmale, welche in der Beschreibung und/oder den Ansprüchen offenbart sind, separat und unabhängig voneinander offenbart sind zum Zweck von ursprünglicher Offenbarung sowie für den Zweck des Einschränkens der vorliegenden Erfindung unabhängig von der Zusammensetzung der Merkmale in den Ausführungsformen und/oder der Ansprüche. Es wird explizit darauf hingewiesen, dass alle Wertebereiche oder Hinweise von Gruppen von Gesamtheiten jeden möglichen Zwischenwert oder Zwischeneinheit offenbart sind zum Zweck von ursprünglicher Offenbarung sowie zum Zweck des Eingrenzens der beanspruchten Erfindung, insbesondere als Grenzen von Wertebereichen.
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • JP 5108116 [0002]
    • JP 2002090267 A [0002]

Claims (3)

  1. Zustandsdiagnosevorrichtung, welche einen Zustands einer industriellen Maschine diagnostiziert durch Diagnostizieren von Diagnosedaten, basierend auf einem bestimmten Diagnosemodell, wobei die Diagnosedaten von mindestens einer Komponente von Interesse in der industriellen Maschinen erhalten wurden, wobei die Zustandsdiagnosevorrichtung aufweist: eine Datensammeleinheit, welche einen Verwendungszustand und die Diagnosedaten der Komponente sammelt; eine Masterauswahleinheit, welche als Masterdaten aus den Diagnosedaten, welche durch die Datensammeleinheit gesammelt wurden, mindestens einen Datensatz der Diagnosedaten in einem Zustand, in dem der Verwendungszustand der Komponente ein wahr normaler Zustand ist, und der Diagnosedaten in einem Zustand, in dem der Verwendungszustand der Komponente ein wahr abnormalen Zustand ist, auswählt; eine Speichereinheit, welche die ausgewählten Masterdaten speichert; und eine Konsistenzbestimmungseinheit, welche ein Diagnoseergebnis, welches durch Diagnostizieren der Masterdaten basierend auf einem momentanen Diagnosemodell mit einem Diagnoseergebnis, welches durch Diagnostizieren der Masterdaten basierend auf einem neuen Diagnosemodell erhalten worden sind, vergleicht, und welche bestimmt, ob das momentane Diagnosemodell mit dem neuen Diagnosemodell konsistent ist, wobei die Zustandsdiagnosevorrichtung das Diagnosemodell vom momentanen Diagnosemodell zum neuen Diagnosemodell aktualisiert, wenn Konsistenz erfüllt ist.
  2. Zustandsdiagnosevorrichtung gemäß Anspruch 1, wobei der Verwendungszustand eine kumulative Betriebssumme ist, von dem Zeitpunkt, wenn begonnen wird, die Komponente zu verwenden, bis zu dem Zeitpunkt, in dem die Komponente ersetzt oder repariert wird, und der wahre normale Zustand ein Zustand zu einer Zeit ist, wenn die kumulative Betriebssumme eine bestimmte spezifizierte Menge überschreitet, von dem Zeitpunkt, in dem begonnen wird, die Komponente zu verwenden, und der wahr abnormale Zustand ein Zustand zu einer Zeit ist, wenn die kumulative Betriebssumme eine Summe erreicht, bei welcher die Komponente ersetzt oder repariert wird.
  3. Zustandsdiagnosevorrichtung gemäß Anspruch 1 oder 2, wobei die Zustandsdiagnosevorrichtung bestimmt, ob die Komponente normal oder abnormal ist als ein Ergebnis der Diagnose, basierend auf dem Diagnosemodell, und die Konsistenzbestimmungseinheit bestimmt, dass die Konsistenz erfüllt ist, wenn die Bestimmungsergebnisse normal oder abnormal zwischen dem momentanen Diagnosemodell und dem neuen Diagnosemodell bezüglich jeder Komponente übereinstimmen, und wenn ein Sicherheitsfaktor der Bestimmungsergebnisse normal oder abnormal basierend auf dem neuen Diagnosemodell nicht geringer ist als der bei Bestimmung von normal oder abnormal basierend auf dem momentanen Diagnosemodell.
DE102018203280.7A 2017-03-07 2018-03-06 Zustandsdiagnosevorrichtung Pending DE102018203280A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-043108 2017-03-07
JP2017043108A JP6869755B2 (ja) 2017-03-07 2017-03-07 状態診断装置

Publications (1)

Publication Number Publication Date
DE102018203280A1 true DE102018203280A1 (de) 2018-09-13

Family

ID=63259226

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102018203280.7A Pending DE102018203280A1 (de) 2017-03-07 2018-03-06 Zustandsdiagnosevorrichtung

Country Status (4)

Country Link
US (1) US10725465B2 (de)
JP (1) JP6869755B2 (de)
CN (1) CN108572006B (de)
DE (1) DE102018203280A1 (de)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020205895A1 (de) 2020-05-11 2021-11-11 Iba Ag Verfahren sowie Vorrichtung zur automatischen Überwachung eines zyklischen Prozesses
DE102020112848A1 (de) 2020-05-12 2021-11-18 fos4X GmbH Verfahren zur Erfassung von Daten
DE102020208642A1 (de) 2020-07-09 2022-01-13 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Anomaliedetektion in technischen Systemen
DE102020210530A1 (de) 2020-08-19 2022-02-24 Kuka Deutschland Gmbh Überwachung bei einem robotergestützten Prozess
DE102022210710A1 (de) 2022-10-11 2024-04-11 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Ausgeben einer Zustandsinformation bezüglich eines Arbeitsbereitschaftszustands von Subsystemen einer landwirtschaftlichen Arbeitsmaschine

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11126465B2 (en) * 2017-03-23 2021-09-21 Microsoft Technology Licensing, Llc Anticipatory collection of metrics and logs
KR102409548B1 (ko) * 2019-05-20 2022-06-15 미쓰비시덴키 가부시키가이샤 상태 추정 장치 및 상태 추정 방법
JP7187397B2 (ja) * 2019-07-18 2022-12-12 オークマ株式会社 工作機械における診断モデルの再学習要否判定方法及び再学習要否判定装置、再学習要否判定プログラム
JP7093031B2 (ja) 2020-09-23 2022-06-29 ダイキン工業株式会社 情報処理装置、情報処理方法、及びプログラム

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS518116B1 (de) 1969-04-01 1976-03-13
JPH07124889A (ja) * 1993-10-29 1995-05-16 Yaskawa Electric Corp 産業用ロボットの制御装置
JP2002090267A (ja) 2000-09-21 2002-03-27 Mitsui Eng & Shipbuild Co Ltd 異常診断方法
GB0127552D0 (en) * 2001-11-16 2002-01-09 Abb Ab Analysing events
JP2003271233A (ja) * 2002-03-19 2003-09-26 Hitachi Ltd 電源設備及びその管理方法
CN101048714B (zh) * 2004-08-27 2010-05-12 西门子共同研究公司 用于更新系统监控模型的系统、设备以及方法
CN102789226B (zh) * 2006-09-28 2015-07-01 费舍-柔斯芒特系统股份有限公司 热交换器中的异常情况预防
JP2008102005A (ja) * 2006-10-18 2008-05-01 Nsk Ltd 異常診断装置
JP5072373B2 (ja) * 2007-01-16 2012-11-14 株式会社東芝 遠隔監視・診断システム
JP5155740B2 (ja) * 2008-05-30 2013-03-06 株式会社東芝 モニタリング条件決定装置、モニタリング条件の決定方法および監視診断装置
US8515719B2 (en) 2009-01-14 2013-08-20 Hitachi, Ltd. Apparatus anomaly monitoring method and system
US10534361B2 (en) * 2013-06-10 2020-01-14 Abb Schweiz Ag Industrial asset health model update
JP6411769B2 (ja) * 2014-04-14 2018-10-24 株式会社日立製作所 状態監視装置
WO2016157278A1 (ja) * 2015-03-27 2016-10-06 株式会社日立製作所 故障予兆診断システム、及びその方法
US10866584B2 (en) * 2016-05-09 2020-12-15 Strong Force Iot Portfolio 2016, Llc Methods and systems for data processing in an industrial internet of things data collection environment with large data sets

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020205895A1 (de) 2020-05-11 2021-11-11 Iba Ag Verfahren sowie Vorrichtung zur automatischen Überwachung eines zyklischen Prozesses
DE102020112848A1 (de) 2020-05-12 2021-11-18 fos4X GmbH Verfahren zur Erfassung von Daten
DE102020208642A1 (de) 2020-07-09 2022-01-13 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Anomaliedetektion in technischen Systemen
US11686651B2 (en) 2020-07-09 2023-06-27 Robert Bosch Gmbh Method and device for detecting anomalies in technical systems
DE102020210530A1 (de) 2020-08-19 2022-02-24 Kuka Deutschland Gmbh Überwachung bei einem robotergestützten Prozess
DE102022210710A1 (de) 2022-10-11 2024-04-11 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Ausgeben einer Zustandsinformation bezüglich eines Arbeitsbereitschaftszustands von Subsystemen einer landwirtschaftlichen Arbeitsmaschine

Also Published As

Publication number Publication date
CN108572006B (zh) 2021-08-06
US20180259951A1 (en) 2018-09-13
JP2018146448A (ja) 2018-09-20
CN108572006A (zh) 2018-09-25
US10725465B2 (en) 2020-07-28
JP6869755B2 (ja) 2021-05-12

Similar Documents

Publication Publication Date Title
DE102018203280A1 (de) Zustandsdiagnosevorrichtung
DE102019103825A1 (de) Fehlerdiagnosevorrichtung und maschinelle lernvorrichtung
DE102018200887A1 (de) Diagnosevorrichtung
EP1259941A1 (de) Verfahren und vorrichtung zur ermittlung der verbleibenden betriebsdauer eines produktes
EP1020815A2 (de) Vorrichtung und Verfahren zur automatischen Diagnose eines technischen Systems mit effizienter Wiederverwendung von Informationen
DE102018133196A1 (de) Bildbasierte wartungsvorhersage und detektion von fehlbedienungen
DE102019124483A1 (de) Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
DE102019125587A1 (de) Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
EP3876060B1 (de) Verfahren und recheneinheit zur ursachenanalyse eines anomalen zustandes einer maschine
DE112020007131T5 (de) Anomalie-diagnoseverfahren, anomalie-diagnosevorrichtung und anomalie-diagnoseprogramm
DE102020212277A1 (de) Verfahren und Vorrichtung zum Bestimmen einer Restnutzungsdauer basierend auf einer prädiktiven Diagnose von Komponenten eines elektrischen Antriebssystems mithilfe Verfahren künstlicher Intelligenz
DE112017007532T5 (de) Alterungsdegradationsdiagnosevorrichtung und alterungsdegradationsdiagnoseverfahren
DE102018009309A1 (de) Numerisches Steuergerät
DE4406723A1 (de) Verfahren zur Überwachung des Betriebszustands einer Maschine oder Anlage
DE102020102368A1 (de) Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
DE102019123801A1 (de) Prüfvorrichtung und Maschinenlernverfahren
DE102018132658A1 (de) Verfahren zur rechnergestützten Auswertung einer Messung einer elektrischen Größe in einem Hochvolt-Bordnetz eines vorgegebenen elektrisch angetriebenen Kraftfahrzeugs
DE102020213960A1 (de) Abnormalitäts-Diagnoseverfahren und Abnormalitäts-Diagnosevorrichtung für Vorschubachsenvorrichtung
EP3151072A1 (de) Verfahren und system zur fehlererkennung und überwachung bei einem elektronisch geregelten oder gesteuerten maschinenteil
WO2022029137A1 (de) Überwachungsvorrichtung und verfahren zur anomaliedetektion
DE102020125218A1 (de) Diagnosegerät
DE102019107240A1 (de) Diagnoseverfahren, Diagnosesystem und Kraftfahrzeug
DE102019107242A1 (de) Diagnoseverfahren, Diagnosesystem und Kraftfahrzeug
DE102018128640A1 (de) Vorrichtung zur Einschätzung einer Rauscherzeugungsursache
DE102019208922A1 (de) Verfahren und Vorrichtung zum Kontrollieren eines Produktionsprozesses

Legal Events

Date Code Title Description
R012 Request for examination validly filed