DE102019008963A1 - System zur echtzeitbezogenen Erfassung und Auswertung maschineller Zustandsdaten - Google Patents
System zur echtzeitbezogenen Erfassung und Auswertung maschineller Zustandsdaten Download PDFInfo
- Publication number
- DE102019008963A1 DE102019008963A1 DE102019008963.4A DE102019008963A DE102019008963A1 DE 102019008963 A1 DE102019008963 A1 DE 102019008963A1 DE 102019008963 A DE102019008963 A DE 102019008963A DE 102019008963 A1 DE102019008963 A1 DE 102019008963A1
- Authority
- DE
- Germany
- Prior art keywords
- machine
- data
- module
- sensors
- status 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.)
- Ceased
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000004519 manufacturing process Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 230000001537 neural effect Effects 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 2
- 230000001953 sensory effect Effects 0.000 claims 1
- 230000011664 signaling Effects 0.000 claims 1
- 230000000712 assembly Effects 0.000 abstract description 2
- 238000000429 assembly Methods 0.000 abstract description 2
- 230000010354 integration Effects 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 9
- 239000000243 solution Substances 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- 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] or 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] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- 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
- G05B2219/31282—Data acquisition, BDE MDE
-
- 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
- G05B2219/31455—Monitor process status
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Die Erfindung betrifft ein Modulsystem zur echtzeitbezogenen Einbindung eines Datenquellennetzes von maschinellen Anlagen und Maschinen zwecks Erfassung und Auswertung deren maschineller Zustandsdaten. Das Modulsystem dient zur Plug & Play - Anwendung an Datenschnittstellen der Maschinen und Anlagen.Ausgehend vom Stand der Technik besteht die Aufgabe der Erfindung in der Schaffung eines Systems und eines zur Durchführung des Systems dienenden Verfahrens, mit denen eine mobile Erfassung der Zustandsdaten der maschinellen Anlage oder Maschine zwecks optimalen fertigungstechnischen, energietechnischen und technologischen Steuerung ermöglicht wird und dabei eine laufende Verbesserung des Systems durch Maschinenlernverfahren stattfindet.Gelöst wird die Aufgabe, indem die innerhalb der maschinellen Anlagen und/oder Maschinen sensorisch erfassten Zustandsdaten mittels eines mobilen Modulsystems in Echtzeit abgerufen und vorverarbeitet und/oder mittels Sensoren des Modulsystems innerhalb und außerhalb der maschinellen Anlage oder Maschine in Echtzeit erfasst und die erfassten Zustandsdaten innerhalb des Modulsystems und/oder in verbundenen Auswertebaugruppen ausgewertet sowie die Ergebnisse der Auswertungen zur optimalen fertigungstechnischen, energietechnischen und technologischen Steuerung der maschinellen Anlagen und/oder Maschinen genutzt werden.
Description
- Die Erfindung betrifft ein Modulsystem zur echtzeitbezogenen Einbindung eines Datenquellennetzes von maschinellen Anlagen und Maschinen zwecks Erfassung und Auswertung deren maschineller Zustandsdaten. Das Modulsystem dient zur Plug & Play - Anwendung an Datenschnittstellen der Maschinen und Anlagen. Das Modul kann unabhängig von der Art oder Steuerung der Maschinen eingesetzt werden. Dabei wird eine Erfassung des jeweiligen Zustandes der Maschine (z.B. Stillstand, Rüsten, Fertigung) durch Erfassung des Schwingungsverhaltens und weiterer physikalischer Größen sowie des Energieverbrauches an der Maschine, der Erfassung von Spannungsverläufen und Daten der (SPS-) Steuerungen sowie durch eine lernfähige Auswerteeinheit durchgeführt.
- Bekannt sind Vorrichtungen an Werkzeugmaschinen zur Auswertung, Anzeige oder Überwachung des Maschinenzustandes von Werkzeugmaschinen.
- So werden In der
WO 84/02592 A1 - Weiterhin bekannt ist nach der
DE 102 20 124 A1 ein Verfahren zur Überwachung des Zustands einer Maschine zur frühzeitigen Identifizierung von Schäden an der Maschine. Dazu werden Daten des Betriebszustandes der Maschine erfasst und diese Werte verschiedenen Bereichen zugeordnet, die durch einen oder mehrere Grenzwerte definiert werden. Aus den zugeordneten charakteristischen Werten wird ein Datenmuster erzeugt und eine Klassifizierung vorgenommen. Unter Verwendung neuronaler Netze wird das erzeugte Muster mit Referenzmustern oder eine Gruppe von Referenzmustern verglichen. Durch den Vergleich wird dann ein bestimmter Maschinenzustand oder Schadensfall ermittelt. Maßnahmen zur universellen Adaption der Maschinendatenerfassung für unterschiedliche Maschinen sind bei dieser Lösung ebenfalls nicht vorgesehen. - Zwecks Prozessüberwachung und -steuerung der in der
DE 202 04 359 U1 beschriebenen Spritzgießmaschinenanordnung kommt eine SPS-Steuerung zur Anwendung, die mit Aktuatoren und/oder Sensoren verbunden ist. Die dazu vorgesehene Datenübertragung erfolgt mittels einer vorzugsweise bidirektionalen und/oder echtzeitfähigen drahtlosen Schnittstelleneinrichtung. Dadurch werden Prozessdaten in Echtzeit auf eine externe, vorzugsweise mobile Datenverarbeitungseinrichtung übertragen um dort für Simulationsprozesse oder statistische Auswertungen verwendet zu werden. Anhand der Simulations- oder Auswertungsergebnisse werden bestimmte Steuerbefehle sofort wieder von der externen Datenverarbeitungseinrichtung auf das Maschinensteuerungssystem übertragen. Anpassungen der Maschinendatenerfassung an unterschiedliche Maschinen durch eine Plug & Play - Lösung ist auch bei dieser Maschinenanordnung nicht vorgesehen. - Bei dem Verfahren und dem Prozessleitsystem zum Betrieb einer technischen Anlage nach der
EP 14 15 208 B1 werden in der Bedien- und Beobachtungsebene des Systems softwaregestützt Informationen über den Anlagenzustand zur Automatisierungsebene übertragen. Durch Vereinfachung der zur Anwendung kommenden Softwarepakete und Steuerung des Systems über das Internet wird der Aufwand für die Überwachung und Steuerung gesenkt. Auch diese Lösung ist auf eine konkrete Maschinenanlage bezogen. Adaptive Maßnahmen für die Erfassung und Steuerung der Maschinendatenerfassung an unterschiedlichen Maschinenanlagen sind auch bei dieser Lösung nicht vorgesehen. - Das in der
DE 44 47 288 B4 beschriebene System und Verfahren, ermöglicht eine vorausschauende Wartung mechanischer Bauteile oder Komponenten auf mögliche Ausfälle oder Betriebsstörungen. Bei diesem Maschinenüberwachungs- und - diagnosesystem kommen Neuralnetzwerke, Expertensysteme, physische bzw. gegenständlichen Modelle und Fuzzy Logic zur Anwendung. Mögliche Fehlerzustände von Maschinenbauteilen werden detektiert oder aufgespürt und das Wartungspersonal alarmiert. Das System besteht aus einem Datenerfassungsmodul, das zwecks Vibrations- und Schwingungsanalyse Sensordaten der Schwingungs- und Vibrationssensoren erfasst, einem Diagnosetechnologiemodul, das mit dem Datenerfassungsmodul verbunden ist, einem Maschinenmodellmodul, einem Datenbankmodul und einem Systemsteuermodul. Eine Erfassung der „anonymen“ Ausgangssignale der (SPS-) Steuerungen sowie die Anfertigung eines darauf basierenden prozessspezifischen „Fingerabdrucks“ der jeweiligen Maschine ist auch bei diesem System nicht vorgesehen. - Bekannt ist weiterhin nach der
WO 2018/036708 A1 - Die Aufgabe der Erfindung besteht deshalb in der Schaffung eines Systems und eines zur Durchführung des Systems dienenden Verfahrens, mit denen eine mobile Erfassung der Zustandsdaten der maschinellen Anlage oder Maschine zwecks optimalen fertigungstechnischen, energietechnischen und technologischen Steuerung ermöglicht wird und dabei eine laufende Verbesserung des Systems durch Maschinenlernverfahren stattfindet.
- Gelöst wird diese Aufgabe durch das geschaffene System entsprechend den beschreibenden Merkmalen des Patentanspruchs 1. Vorteilhafte Weiterbildungen des Systems werden durch die kennzeichnenden Merkmale der Patentansprüche 2 bis 4 beschrieben. Das erfindungsgemäße Verfahren zur Durchführung des Systems beschreiben die Merkmale des Patentanspruchs 5. Effiziente Weiterbildungen des Verfahrens werden durch die Merkmale der Patentansprüche 6 bis 10 wiedergegeben.
- Bei der Nutzung des Systems werden innerhalb oder außerhalb der maschinellen Anlagen und/oder Maschinen deren Zustandsdaten mittels eines mobilen Modulsystems in Echtzeit von den Sensoren abgerufen und vorverarbeitet. Bei der Erfassung werden die Zustandsdaten von den Sensoren der Maschine abgerufen und/oder mittels Sensoren des Modulsystems innerhalb und außerhalb der maschinellen Anlage oder Maschine in Echtzeit erfasst. Danach werden die erfassten Zustandsdaten innerhalb des Modulsystems und/oder in verbundenen Auswertebaugruppen ausgewertet sowie die Ergebnisse der Auswertungen zur optimalen fertigungstechnischen, energietechnischen und technologischen Steuerung der Anlagen und/oder Maschinen genutzt. Darüber hinaus werden für eine ständige Verbesserung der Überwachung der Fertigungsprozesse und Optimierung der Wartungsprozesse vorteilhaft die Auswertungen mittels Machine-Learning-Verfahren durchgeführt werden, wobei auch die im Modulsystem gespeicherten Daten vergleichbarer Prozessabläufe einbezogen werden. Effektiv wird das Modulsystem als ein aus einem im Plug & Play - Betrieb arbeitenden mobilen Modulbaustein ausgebildet. Dabei ist der Modulbaustein über eine Datenschnittstelle mit den Sensoren der Anlage und/oder Maschine, einer eigenen Sensorik sowie mit einem Server verbunden. Der Server wertet die sensorisch erfassten und übermittelten Zustandsdaten zur optimalen fertigungstechnischen Steuerung der Anlagen und/oder Maschinen aus und gibt sie grafisch wieder. Für eine effiziente Auswertung werden das mobile Modulsystem, der Server und die über die Datenschnittstelle verbundenen Sensoren der maschinellen Anlage und/oder Maschine zwecks Erfassung und Auswertung der Zustandsdaten zu einem Modulbausteinnetzwerk verbunden.
- Der Ablauf des Verfahrens zur Durchführung des Systems wird vorteilhaft so gewählt, dass in einem ersten Verfahrensschritt die Zustandsdaten in Echtzeit von den in der maschinellen Anlage und/oder Maschine angebrachten Sensoren über die Datenschnittstelle der Maschinensteuerung und/oder von den Sensoren des mobilen Modulsystems in Echtzeit abgerufen werden. Danach werden die erfassten und/oder abgerufenen Zustandsdaten innerhalb des Modulsystems mit gespeicherten Zustandsdaten vergleichbarer historischer Prozessabläufe verglichen, kategorisiert, ausgewertet und angezeigt. Anhand der Auswertungsergebnisse der Zustandsdaten wird dann zwecks Erreichung vorgegebener technischer und technologischer Zielparameter die fertigungstechnische, energietechnische und technologische Steuerung der maschinellen Anlagen und Maschinen durchgeführt. Während des Ablaufes des Verfahrens werden unter Nutzung von Machine-Learning-Verfahren vorangegangene und fortlaufende Daten einbezogen und dadurch eine laufende Verbesserung der Erkennungs- und Klassifizierungsleistung der auswertenden Algorithmen erzielt. Vorteilhaft erweisen sich die Auswertungsergebnisse für das System, wenn neben den an der Datenschnittstelle der Maschinensteuerung anliegenden Zustandsdaten der maschineninternen Sensoren auch die Signalverläufe an der Datenschnittstelle von Sensoren des mobilen Modulbausteins erfasst und in die neuronalen Auswertungen einbezogen werden. Eine optimale Auswertung wird effektvoll erreicht, wenn aus den an der Datenschnittstelle anliegenden Zustandsdaten der maschineninternen Sensoren und den von den Sensoren des mobilen Modulbausteins erfassten Signalverläufen an der Datenschnittstelle ein echtheitsbezogenes Signalmuster der jeweiligen Maschine gebildet, zugeordnet und gespeichert wird. Dies wird erreicht, wenn innerhalb des Modulsystems der Vergleich zwischen den echtheitsbezogenen an der Datenschnittstelle erfassten und/oder abgerufenen Zustandsdaten mit gespeicherten Datenmustern zeitlich vorangegangener Prozessabläufe der mit dem Modulsystem verbundenen oder vergleichbarer Maschinen durchgeführt, die Vergleichsdaten neuronal ausgewertet sowie daraufhin die Steuerung und Signalisierung der Prozessabläufe vorgenommen wird. Eine wirkungsvolle Beeinflussung auf die Verbesserung des Maschinenlernvorganges kann erreicht werden, wenn die Auswertungsergebnisse der Modulbausteine an den Server übertragen und vom Server durch mobile Endgeräten interaktiv abgerufen werden können. Für die Anwendung der Modulbausteine für maschinelle Anlagen, bei denen eine Erfassung der Sensordaten an verschiedenen räumlichen Punkten erforderlich ist, wird effizient eine virtuelle Zusammenschaltung der Modulbausteine vorgenommen.
- Eine effektive Lösung von Vorhersage- oder Klassifizierungsaufgaben aus vorangegangenen und fortlaufenden Daten besteht in der Nutzung von Machine-Learning-Verfahren. Derartige geeignete Verfahren sind u.a. künstliche neuronale Netze (Deep Learning Networks), Support Vector Machines (SVM), Restricted Boltzman Machines (RBM) und andere mathematische und informationstechnologische Verfahren. Die Nutzung der Ergebnisse bzw. Auswertungen dient der Verbesserung der Überwachung von Fertigungsprozessen, der Optimierung von Wartungsprozessen sowie der optimalen fertigungstechnischen, energietechnischen und technologischen Steuerung der Anlagen und/oder Maschinen. Ebenso dient das erfindungsgemäße System für Maschinen und Anlagen, die zum Beispiel aufgrund ihres Alters, der Größe oder Komplexität oder anderen technischen Gründen nicht in der Lage sind, diese Daten direkt über die Maschinensteuerung zu verarbeiten und bereitzustellen.
- Nachfolgend soll das erfindungsgemäße System anhand eines Ausführungsbeispiels näher erläutert werden. In der Zeichnung wird die funktionelle Zuordnung der Komponenten des Systems zu einer durch eine SPS gesteuerten Maschine schematisch wiedergegeben.
- In der nachfolgend beschriebenen beispielsweisen Ausführungsform besteht das mobile Modulsystem
1 aus einem Mikrocontroller2 , einem Funkmodul3 und einem energiebereitstellenden Netzteil4 . Über einen SPS-Adapter5 erfolgt die Verbindung des mobilen Modulsystems1 zur SPS-Steuerung einer maschinellen Anlage7 bzw. einer Maschine. Die vorhandenen Steuerungsfunktionen an beispielsweise älteren Maschinen oder Anlagen werden durch zusätzliche Funktionen des SPS-Adapters5 erweitert. Über das Datenbussystem6 wird die Datenverbindung zu den Sensoren der maschinellen Anlage7 realisiert. Die Daten der an der maschinellen Anlage7 vorhandenen Sensoren wie z.B. Vibrationssensoren, Beschleunigungssensoren, Gyroskop, Magnetometer oder Hall-Sensoren werden mittels des Datenbusses6 zum Mikrocontroller2 geleitet. Über die Einbindung weiterer geeigneter Datenschnittstellen wie z.B. über den OPC-Standard können Daten verarbeitet und gespeichert werden, die alle in der Industrie anzutreffenden maschinellen Anlagen7 und Maschinen einbeziehen. Dazu werden im mobilen Modulsystem1 zusätzliche Sensoren15 ,16 ,17 vorgesehen, mit deren Daten auch bei der Anwendung an inhomogenen Fertigungssystemen eine für eine optimale Steuerung erforderliche Datenverarbeitung durchführbar wird. Innerhalb des Mikrocontrollers2 wird dann eine Komprimierung der Sensordaten durchgeführt, die Daten nach vorgegebenen Kriterien gefiltert und nach der Auswertung die Ergebnisse für die Weiterleitung aufbereitet. Darüber hinaus kann jede Variante eines Mikro-PC mit einer integrierten künstlichen Intelligenz zur Anwendung kommen. Die Auswertung wird dabei durch Erstellung bzw. Erkennung von erfassten Datenmustern sowie einem Vergleich mit abgespeicherten Datenmustern durchgeführt. Für die Mustererkennung wird der Sensordatenstrom innerhalb vorgegebener Zeiträume vorverarbeitet, gefiltert und ausgewertet. Dazu werden die digitalen Signale mittels Algorithmen wie der schnellen Fourier-Transformation (FFT) zur effizienten Berechnung der diskreten Fourier-Transformation (DFT) in ihre Frequenzanteile zerlegt und diese dann analysiert. Die an den Server8 weitergeleiteten Daten werden dann vom Server8 interpretiert, ausgewertet, angezeigt und für den Abruf durch mobile Endgeräte aufbereitet. Die interaktive Datenverbindung zwischen den als mobile Endgeräte dienende Personalcomputer12 , Tablet-PC13 oder Smartphone14 erfolgt mittels Funkverbindungen. - Durch die Netzwerkverbindung des mit künstlicher Intelligenz ausgestatteten mobilen Modulsystems
1 mit dem Server8 und weiteren über den Server8 verbundenen „intelligenten“ Modulsystemen 9,10,11 finden maschinelle Lernprozesse statt. Dabei kommt es zu sich ständig ändernden unvorhersehbaren Interaktionen (Datenübertragungen) zwischen den Netzwerkbaugruppen. Mittels des autonomen Systems wird eine optimale fertigungstechnische, energietechnische und technologische Steuerung der maschinellen Anlage7 ermöglicht. Das System ist dadurch in „intelligenter“ Weise in der Lage, seine softwaregestützten Steuerungen und Auswertungen zu erweitern und mit diesen Ergebnissen dann bisherige Steuerungsvorgänge eigenständig zu ändern. - Bezugszeichenliste
-
- 1
- Modulsystem
- 2
- Microcontroller
- 3
- Funkmodul
- 4
- Netzteil
- 5
- SPS - Adapter
- 6
- Datenbus
- 7
- maschinelle Anlage
- 8
- Server
- 9
- Modulsystem
- 10
- Modulsystem
- 11
- Modulsystem
- 12
- Personalcomputer
- 13
- Tablet-PC
- 14
- Smartphon
- 15
- Sensor S1 des Modulsystems
- 16
- Sensor S2 des Modulsystems
- 17
- Sensor Sn des Modulsystems
- 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
-
- WO 8402592 A1 [0003]
- DE 10220124 A1 [0004]
- DE 20204359 U1 [0005]
- EP 1415208 B1 [0006]
- DE 4447288 B4 [0007]
- WO 2018/036708 A1 [0008]
Claims (10)
- System zur echtzeitbezogenen sensorischen Erfassung und Auswertung von maschinellen Zustandsdaten sowie der darauf basierenden Bereitstellung von Steuerungsdaten für maschinelle Anlagen und/oder Maschinen, dadurch gekennzeichnet, dass die innerhalb der maschinellen Anlagen (7) und/oder Maschinen sensorisch erfassten Zustandsdaten mittels eines mobilen Modulsystems (1) in Echtzeit abgerufen und vorverarbeitet und/oder mittels Sensoren (15; 16; 17) des Modulsystems (1) innerhalb und außerhalb der maschinellen Anlage (7) oder Maschine in Echtzeit erfasst und die erfassten Zustandsdaten innerhalb des Modulsystems (1) und/oder in verbundenen Auswertebaugruppen ausgewertet sowie die Ergebnisse der Auswertungen zur optimalen fertigungstechnischen, energietechnischen und technologischen Steuerung der maschinellen Anlagen (7) und/oder Maschinen genutzt werden.
- System nach
Patentanspruch 1 , dadurch gekennzeichnet, dass die Auswertungen mittels Machine-Learning-Verfahren durchgeführt werden, wobei auch die im Modulsystem (1) gespeicherten Daten vergleichbarer Prozessabläufe einbezogen werden. - System nach
Patentanspruch 1 , dadurch gekennzeichnet, dass das Modulsystem (1) aus einem im Plug & Play - Betrieb arbeitenden mobilen Modulbaustein besteht, der über eine Datenschnittstelle mit den Sensoren der maschinellen Anlage (7) und/oder Maschine sowie mit einem Server (8) verbunden wird, wobei der Server (8) die sensorisch erfassten und übermittelten Zustandsdaten zur optimalen fertigungstechnischen Steuerung der maschinellen Anlagen (7) und/oder Maschinen auswertet sowie grafisch wiedergibt. - System nach
Patentanspruch 1 und2 , dadurch gekennzeichnet, dass das mobile Modulsystem (1), der Server (8) und die über die Datenschnittstelle verbundenen Sensoren der maschinellen Anlage (7) und/oder Maschine zwecks Erfassung und Auswertung der Zustandsdaten zu einem Modulbausteinnetzwerk verbunden werden. - Verfahren zur Durchführung des Systems nach
Patentanspruch 1 , dadurch gekennzeichnet, dass a) die Zustandsdaten in Echtzeit von den in oder an der maschinellen Anlage (7) und/oder Maschine angebrachten Sensoren über die Datenschnittstelle der Maschinensteuerung abgerufen und/oder in Echtzeit von Sensoren (15; 16; 17) des mobilen Modulsystems (1) erfasst und abgerufen werden, b) die erfassten und/oder abgerufenen Zustandsdaten innerhalb des Modulsystems (1) mit gespeicherten Zustandsdaten vergleichbarer historischer Prozessabläufe verglichen, ausgewertet und angezeigt werden sowie c) anhand der Auswertungsergebnisse der Zustandsdaten die Erreichung vorgegebener technischer und technologischer Zielparameter die fertigungstechnische, energietechnische und technologische Steuerung der maschinellen Anlagen (7) und Maschinen durchgeführt wird und d) durch Anwendung von Machine-Learning-Verfahren unter Einbeziehung der vorangegangenen und fortlaufenden Daten eine laufende Verbesserung der Erkennungs- und Klassifizierungsleistung der Algorithmen durchgeführt wird. - Verfahren nach
Patentanspruch 5 , dadurch gekennzeichnet, dass neben den an der Datenschnittstelle der Maschinensteuerung anliegenden Zustandsdaten der maschineninternen Sensoren auch die Signalverläufe an der Datenschnittstelle von Sensoren (15; 16; 17) des mobilen Modulbausteins erfasst und in die neuronalen Auswertungen einbezogen werden. - Verfahren nach den
Patentansprüchen 5 und6 , dadurch gekennzeichnet, dass aus den an der Datenschnittstelle anliegenden Zustandsdaten der maschineninternen Sensoren und den von den Sensoren (15; 16; 17) des mobilen Modulbausteins erfassten Signalverläufen an der Datenschnittstelle ein echtheitsbezogenes Signalmuster der jeweiligen Maschine gebildet, zugeordnet und gespeichert wird. - Verfahren nach
Patentanspruch 5 , dadurch gekennzeichnet, dass innerhalb des Modulsystems der Vergleich zwischen den echtheitsbezogenen an der Datenschnittstelle erfassten und/oder abgerufenen Zustandsdaten mit gespeicherten Datenmustern zeitlich vorangegangener Prozessabläufe der mit dem Modulsystem verbundenen oder vergleichbarer Maschinen durchgeführt, die Vergleichsdaten neuronal ausgewertet sowie daraufhin die Steuerung und Signalisierung der Prozessabläufe vorgenommen wird. - Verfahren nach
Patentanspruch 5 , dadurch gekennzeichnet, dass die Auswertungsergebnisse der Modulbausteine an den Server übertragen und vom Server durch mobile Endgeräten interaktiv abgerufen werden können. - Verfahren nach
Patentanspruch 5 , dadurch gekennzeichnet, dass bei der Anwendung der Modulbausteine für maschinelle Anlagen, bei denen eine Erfassung der Sensordaten an verschiedenen räumlichen Punkten erforderlich ist, eine virtuelle Zusammenschaltung der Modulbausteine vorgenommen wird.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019008963.4A DE102019008963A1 (de) | 2019-12-23 | 2019-12-23 | System zur echtzeitbezogenen Erfassung und Auswertung maschineller Zustandsdaten |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019008963.4A DE102019008963A1 (de) | 2019-12-23 | 2019-12-23 | System zur echtzeitbezogenen Erfassung und Auswertung maschineller Zustandsdaten |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102019008963A1 true DE102019008963A1 (de) | 2021-06-24 |
Family
ID=76206568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102019008963.4A Ceased DE102019008963A1 (de) | 2019-12-23 | 2019-12-23 | System zur echtzeitbezogenen Erfassung und Auswertung maschineller Zustandsdaten |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102019008963A1 (de) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016107104A1 (de) * | 2016-04-18 | 2017-10-19 | Endress + Hauser Process Solutions Ag | Verfahren zur Zustandsüberwachung einer Anlage der Prozessautomatisierung |
DE102016115013A1 (de) * | 2016-08-12 | 2018-02-15 | Endress + Hauser Gmbh + Co. Kg | Verfahren und System zum ferngesteuerten Bedienen eines Feldgeräts der Prozessautomatisierung |
DE102016125169A1 (de) * | 2016-12-21 | 2018-06-21 | Endress+Hauser Process Solutions Ag | Vorrichtung und System zum Überwachen einer Anlage der Automatisierungstechnik |
-
2019
- 2019-12-23 DE DE102019008963.4A patent/DE102019008963A1/de not_active Ceased
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016107104A1 (de) * | 2016-04-18 | 2017-10-19 | Endress + Hauser Process Solutions Ag | Verfahren zur Zustandsüberwachung einer Anlage der Prozessautomatisierung |
DE102016115013A1 (de) * | 2016-08-12 | 2018-02-15 | Endress + Hauser Gmbh + Co. Kg | Verfahren und System zum ferngesteuerten Bedienen eines Feldgeräts der Prozessautomatisierung |
DE102016125169A1 (de) * | 2016-12-21 | 2018-06-21 | Endress+Hauser Process Solutions Ag | Vorrichtung und System zum Überwachen einer Anlage der Automatisierungstechnik |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018106808B4 (de) | Zustandsbestimmungsvorrichtung | |
EP3538963B1 (de) | Verfahren zum betrieb eines zustandsüberwachungssystems einer schwingmaschine und zustandsüberwachungssystem | |
DE102019219332A1 (de) | Lerndatenprüfung-Unterstütztungsvorrichtung, Maschinelles-Lernen-Vorrichtung und Ausfallvorhersagevorrichtung | |
DE102017002607A1 (de) | Bearbeitungsmaschinensystem, das über die Akzeptanz/Verwerfung von Werkstücken bestimmt | |
DE102016106085A1 (de) | Werkzeugmaschinenverwaltungssystem | |
DE102017127098B4 (de) | Gerät und Verfahren zum Annehmen eines Anormalitätsauftretens für Teleskopabdeckung | |
DE102018125389A1 (de) | Zustandsbestimmungsvorrichtung | |
DE10220390A1 (de) | Verdrahtungsfehler-Erfassung,-Diagnose und -Bericht für Prozesssteuersysteme | |
WO2001055805A1 (de) | System und verfahren zur ermittlung der produktionsanlagen-effektivität, von fehlerereignissen und der fehlerursachen | |
EP3077878B1 (de) | Computer-implementiertes verfahren und system zur automatischen überwachung und statusermittlung ganzer prozessabschnitte in einer process unit | |
DE102005020821A1 (de) | Verfahren zur vereinfachten Echtzeitdiagnose unter Verwendung adaptiver Modellierung | |
DE102021124253A1 (de) | Maschinelles Lernverfahren zur Anomaliedetektion in einem elektrischen System | |
DE102018002781B4 (de) | Schaltungskonfigurations-Optimierungsvorrichtung und maschinelle Lernvorrichtung | |
DE102017003427A1 (de) | Produktionssystem zur Durchführung eines Produktionsplans | |
EP3397431B1 (de) | Roboter und verfahren zum betreiben eines roboters | |
DE102020102863A1 (de) | Parametrierung einer Komponente in der Automatisierungsanlage | |
DE102020125645A1 (de) | Diagnosegerät und maschinenlerngerät | |
DE102008061721A1 (de) | Administrationssystem | |
DE102017007909A1 (de) | Produktionssteuerung, ausgestattet mit einer Funktion zur Identifizierung der Ursache nach einem Betriebsstop einer Produktionseinrichtung, die Fertigungseinrichtungen umfasst | |
DE102017118854A1 (de) | Zellensteuerungssystem | |
EP3474091B1 (de) | Verfahren und vorrichtung zur regelung eines prozesses innerhalb eines systems, nämlich eines mahlprozesses in einer mahlvorrichtung | |
DE102008032885A1 (de) | Verfahren und Vorrichtung zur Überprüfung und Feststellung von Zuständen eines Sensors | |
DE102019008963A1 (de) | System zur echtzeitbezogenen Erfassung und Auswertung maschineller Zustandsdaten | |
DE112020006810T5 (de) | Betriebszustands-klassifikationssystem und betriebszustands-klassifikationsverfahren | |
EP3792709A1 (de) | Analysevorrichtung für betriebsgeräusche einer werkzeugmaschine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R082 | Change of representative | ||
R002 | Refusal decision in examination/registration proceedings | ||
R003 | Refusal decision now final |