DE102019108268A1

DE102019108268A1 - Anomaliedetektion in einem pneumatischen System

Info

Publication number: DE102019108268A1
Application number: DE102019108268.4A
Authority: DE
Inventors: Dominic Kraus; Thilo Streichert; Wolfgang Gauchel
Original assignee: Festo SE and Co KG
Current assignee: Festo SE and Co KG
Priority date: 2019-03-29
Filing date: 2019-03-29
Publication date: 2020-10-01
Also published as: US20200310405A1; CN111752733B; US11300952B2; CN111752733A

Abstract

Die vorliegende Erfindung betrifft eine Fehlererkennung und -lokalisierung in eine pneumatischen System (AA) und insbesondere ein Fehlererkennungsmodul (FM),umfassend:- Eine Einleseschnittstelle (11) zum Einlesen von digitalen Signalen von der Automatisierungsanlage (AA);- Einer ersten Prozessoreinheit (P1), die zur Ausführung eines Detektionsalgorithmus (S2) zum Berechnen eines Anomalie-Scores für die Automatisierungsanlage (AA) auf Basis der Menge von eingelesenen Signalen ausgebildet ist;- Einer zweiten Prozessoreinheit (P2), die - falls der mit der ersten Prozessoreinheit (P1) berechnete Anomalie-Score eine Anomalie indiziert - ausgebildet ist, ein maschinelles Lokalisierungsverfahren (S34) zur Lokalisierung des Fehlers auszuführen, wobei das maschinelle Lokalisierungsverfahren (S34) in einer Trainingsphase trainiert worden ist, um auf Basis eines erfassten Schaltplans der Automatisierungsanlage (AA) zu dem berechneten Anomalie-Score, Wahrscheinlichkeiten für mögliche Fehlerursachen in Bezug auf einzelne Komponenten (K) der Automatisierungsanlage (AA) zu berechnen (S3, S4) und als Ergebnis bereitzustellen (S5).

Description

Die vorliegende Erfindung bezieht sich auf die technische Fehlererkennung und Lokalisierung in einer pneumatischen Automatisierungsanlage, z.B. in einer Produktionsanlage mit Aktoren und Sensoren und betrifft insbesondere ein Fehlererkennungsmodul, ein Fehlererkennungssystem, ein Verfahren und ein Computerprogramm.
Bei Komponenten oder Feldgeräten in Automatisierungsanlagen unterschiedlicher Art werden grundsätzlich hohe Anforderungen an Qualität, Robustheit und Verfügbarkeit gestellt. Ein Ausfall oder eine Fehlfunktion eines Feldgerätes in einem Prozess kann, insbesondere bei einem dadurch verursachten Fertigungsstillstand, extrem hohe Kosten verursachen. Deshalb wird bei Feldgeräten ein hoher technischer Aufwand betrieben, um die Gefahr von Fehlfunktionen erheblich zu reduzieren oder einen Defekt selbständig erkennen und melden zu können. Funktionen werden mehrfach redundant in das Feldgerät integriert, Messergebnisse permanent intern überwacht und verifiziert. Die Anforderungen an die Ausfallsicherheit in Bezug auf das Feldgerät steigen mit dessen Einsatzbereich (z.B. in Atomkraftwerken). Bei der Überwachung von Feldgeräten ist somit sicherzustellen, dass die beteiligten Geräte fehlerfrei funktionieren und ein Ausfall möglichst rechtzeitig und bereits vor einer Störung detektiert wird.
Für diese Überwachungs- und Analyseaufgabe werden Verfahren aus dem Bereich Predictive Maintenance eingesetzt, die eine große Menge von Sensordaten von den Feldgeräten analysieren. Diese Verfahren basieren häufig auf Predictive Maintenance Algorithmen. Die Güte dieser Algorithmen korreliert mit der Anzahl von verfügbaren Sensordaten von kontinuierlich beobachteten Systemen. Sind allerdings nur sehr wenige Sensordaten verfügbar, führen diese Ansätze häufig nicht zu zufriedenstellenden Ergebnissen.
Im Bereich der automatischen Entscheidungsunterstützung sind weiterhin Ansätze des maschinellen Lernens und von neuronalen Netzen bekannt.
Sollen aber Anlagen auf Fehler überwacht werden, die nur über eine Minimalsensorik verfügen, wie z.B. ein pneumatisches System mit nur zwei Endlagesensoren, so können die bekannten Ansätze nicht angewendet werden. Diese Anlagen sollen aber dennoch auf Fehler überwacht werden.
Ausgehend davon, liegt der vorliegenden Erfindung die technische Aufgabe zugrunde, einen Ansatz vorzustellen, mit dem eine Aussage über die Fehlerhaftigkeit von Komponenten einer insbesondere pneumatischen Automatisierungsanlage bereitgestellt werden kann. Die Überwachung soll somit verbessert werden und die Automatisierungsanlage soll insgesamt zuverlässiger gemacht werden. Eine Aussage über die Fehlerhaftigkeit soll zumindest auf Komponentenebene erfolgen.
Diese Aufgabe wird gelöst durch Fehlererkennungsmodul zur Erkennung und Auswertung von Anomalien in Automatisierungsanlagen, insbesondere in einer pneumatischen Automatisierungsanlage, umfassend:

- Eine Einleseschnittstelle, z.B. eine digitale OPC-UA Schnittstelle, zum Einlesen von digitalen Signalen von der Automatisierungsanlage; dabei können insbesondere nur drei digitale Signale zur Verfügung stehen (Zeitsignale von zwei Endlagenschaltern und Zeitpunkt des Ventilschaltbefehls);
- Einer ersten Prozessoreinheit, die zur Ausführung eines Detektionsalgorithmus zum Berechnen eines Anomalie-Scores für die Automatisierungsanlage auf Basis der Menge von eingelesenen Signalen ausgebildet ist;
- Einer zweiten Prozessoreinheit, die - falls der mit der ersten Prozessoreinheit berechnete Anomalie-Score eine Anomalie indiziert - ausgebildet ist, ein maschinelles Lokalisierungsverfahren zur Lokalisierung des Fehlers auszuführen, um zu dem Anomalie-Score, Wahrscheinlichkeiten für mögliche Fehlerursachen in Bezug auf einzelne Komponenten der Automatisierungsanlage zu berechnen und als Ergebnis bereitzustellen. In einer vorteilhaften Weiterbildung kann das Ergebnis sogar in Bezug auf Sub-Komponenten der Komponenten - und damit noch detaillierter - bereitgestellt werden.

Die Erfindung hat den technischen Vorteil, dass eine Lokalisierung von Fehlern unmittelbar in Bezug zu den Komponenten der Automatisierungsanlage möglich ist und auch dann, wenn nur wenige Sensoren, insbesondere nur zwei Endlagensensoren, verbaut sind. Damit wird eine Fehlerlokalisierung auf Basis von nur drei Digitalsignalwerten möglich, nämlich zu den Zeitpunkten der zwei Endlagenschalter an einem Zylinder und zu dem Zeitpunkt des Ventilschaltsignals (das Ventilschaltsignal repräsentiert den technischen Vorgang, wenn die Steuerung das Ventil mit dem Befehl „JETZT SCHALTEN“ instruiert und kann deshalb auch als Ventilschaltbefehl bezeichnet werden).
Zur Konfiguration bzw. zum Training des maschinellen Lokalisierungsverfahrens kann eine weitere (z.B. dritte) Prozessoreinheit ausgebildet sein. Diese weitere Prozessoreinheit umfasst:

- Eine Schaltplan-Einleseschnittstelle zum Einlesen eines Schaltplans für die Automatisierungsanlage; diese dient zum Zwecke des Trainings eines zu erzeugenden Modells zur Fehlerlokalisierung vorzugsweise einmalig dazu, den digitalisierten Schaltplan einzulesen.

In einer bevorzugten Ausführungsform der Erfindung ist die erste Prozessoreinheit (die der Funktionalität des Detektionsalgorithmus zugeordnet sein kann) auf einem anderen Gerät implementiert als die zweite Prozessoreinheit (mit der Funktionalität des maschinellen Lokalisierungsverfahrens zur Lokalisierung des Fehlers bei erhöhtem Anomalitäts-Score) und ist insbesondere auf einer Steuereinheit ausgebildet. Damit kann das System zur Fehlererkennung und Lokalisierung sehr flexibel an die jeweilige Hardware angepasst werden, so dass rechenintensive Prozesse auf leistungsstarke Hardware (z.B. Cloud-Server) ausgelagert werden können.
In einer alternativen weiter bevorzugten Ausführungsform der Erfindung umfasst das Fehlererkennungsmodul eine Konfigurationsschnittstelle als Frontend zur Konfiguration und zum Training des Modells. Damit kann z.B. die Konstruktion des Entscheidungsbaums auf einfache und schnelle Weise durch den Anwender oder Betreiber des Systems konfiguriert werden.
In einer anderen bevorzugten Ausführungsform des Fehlererkennungsmoduls wird selbiges angewendet für Automatisierungsanlagen mit einer bestimmten Architektur bzw. einem typischen Aufbau. Dabei umfasst das pneumatische System einen bis mehrere pneumatische Antrieb(e), die jeweils an zumindest ein Ventil angeschlossen sind, wobei mehrere Ventile auf einer Ventilinsel angeordnet und/oder mehrere Ventilinseln an eine Versorgungseinheit angeschlossen sein können. An ein Ventil können auch mehrere Antriebe gleichzeitig angeschossen sein. Die Architektur ist in dem elektronischen Schaltplan repräsentiert, der von dem System eingelesen und zur Berechnung verwendet wird. In anderen Ausführungsbeispielen kann eine andere Architektur zugrunde gelegt werden. Das wird möglich, da das maschinelle Lokalisierungsverfahren den jeweiligen Schaltplan berücksichtigt und dabei Muster von Aktivitäten und Abweichungen von Mustern automatisch erkennt und aufgrund der erfassten Verschaltungslogik mögliche Fehler lokalisieren kann.
In einem weiteren Aspekt bezieht sich die Erfindung auf ein Fehlerdetektionssystem zur Erkennung und Auswertung von Anomalien in Automatisierungsanlagen, insbesondere in einem pneumatischen System, mit:

- Einem Fehlererkennungsmodul wie vorstehend beschrieben;
- Einem Gateway (zum Internet, z.B. Edge Computer) und
- Einem Cloud-basierten Server, der über eine Webschnittstelle mit dem Fehlererkennungsmodul verbunden ist. Die erste und zweite Prozessoreinheit kann auf unterschiedlichen Einheiten (Steuerung, Gateway und/oder Server) als verteiltes System ,deployed‘ (implementiert und bereitgestellt) sein. Sie kann auch auf derselben Einheit ausgebildet sein.

Vorstehend wurde die Lösung der Aufgabe anhand der vorrichtungsgemäßen Gegenstände (Fehlererkennungsmodul, System) beschrieben. Dabei erwähnte Merkmale, Vorteile oder alternative Ausführungsformen sind auch auf die anderen beanspruchten Gegenstände zu übertragen und umgekehrt. Mit anderen Worten können auch das Verfahren und das Computerprogramm mit den Merkmalen weitergebildet sein, die in Zusammenhang mit dem Modul oder System beschrieben und/oder beansprucht sind. Die entsprechenden funktionalen Merkmale des Verfahrens werden dabei durch entsprechende gegenständliche Module, insbesondere durch Hardware-Module oder Mikroprozessor-Module, des Systems bzw. des Produktes ausgebildet und umgekehrt.
In einem weiteren Aspekt bezieht sich die Erfindung auf ein Verfahren zur Erkennung und Auswertung von Anomalien in einer Automatisierungsanlage, insbesondere in einer pneumatischen Automatisierungsanlage, umfassend folgende Verfahrensschritte:

- Einlesen von - vorzugsweise zwei - digitalen Signalen vom jeweiligen (pneumatischen) Antrieb sowie vom digitalen Schaltbefehl für das Ventil der Automatisierungsanlage über eine Einleseschnittstelle; die Herausgeber bzw. Sender der Signale werden auch als ,Sensor‘ bezeichnet;
- Ausführen eines Detektionsalgorithmus zum Berechnen eines Anomalie-Scores für die Automatisierungsanlage auf Basis der Menge von eingelesenen Signalen; in einer vorteilhaften Weiterbildung wir der Anomalie-Score nicht nur insgesamt für die gesamte Automatisierungsanlage berechnet, sondern aufgeschlüsselt und dediziert für deren einzelnen Antriebe. Damit kann die Aussagekraft wesentlich verbessert und detaillierter bereitgestellt werden.
- Falls der berechnete Anomalie-Score eine Anomalie indiziert und insbesondere einen vorkonfigurierbaren Grenzwert übersteigt: Triggern eines maschinellen Lokalisierungsverfahrens zur Lokalisierung des Fehlers, wobei das maschinelle Lokalisierungsverfahren in einer Trainingsphase trainiert worden ist, um auf Basis eines erfassten Schaltplans der Automatisierungsanlage zu dem berechneten Anomalie-Score, Wahrscheinlichkeiten für mögliche Fehlerursachen in Bezug auf einzelne Komponenten der Automatisierungsanlage oder in Bezug auf Sub-Komponenten (Bauteilen) der Komponenten zu berechnen und als Ergebnis bereitzustellen.

Der Schaltplan wird vorteilhafterweise während der Inbetriebnahme in der Trainingsphase aus einer Datei eingelesen, um Datenzusammenhänge und -Abhängigkeiten zu konfigurieren. Alternativ kann der Schaltplan auch lokal auf dem Fehlererkennungsmodul programmiert bzw. manuell eingegeben werden.
Das maschinelle Lernverfahren (bzw. die zweite Prozessoreinheit) kann in einer vorteilhaften Weiterbildung der Erfindung nicht nur dazu ausgebildet sein ein Ergebnis mit den berechneten Fehlerwahrscheinlichkeiten pro Komponente der Anlage auszugeben, sondern in detaillierterer Form, nämlich pro Sub-Komponente einer jeweiligen Komponente. Damit kann das Ergebnis noch feingranularer und spezifischer für Bauteile bzw. Elemente einer Komponente bereitgestellt werden.
In einer bevorzugten Ausführungsform wird als Detektionsalgorithmus zum Berechnen des Anomalie-Scores ein Mustererkennungsalgorithmus eingesetzt. Alternativ kann das Berechnen des Anomalie-Scores durch Zugreifen auf einen Speicher erfolgen, in dem ein trainiertes Detektionsmodell abgelegt ist. Das Modell kann mittels automatischer Klassifizierungsmethoden, insbesondere mittels eines k-Means-Algorithmus erstellt werden. Dazu ist die Trainingsphase vorgesehen, in der weitere Konfigurationen erstellt werden können und in der das Modell gelernt wird. Das Modell dient zur Klassifikation bzw. zur Differenzierung zwischen 2 Klassen, nämlich einer ersten Klasse mit einem normalen Reaktionsmuster des pneumatischen Systems und einer zweiten Klasse mit einem abweichenden oder unnormalen Reaktionsmuster. Dabei ist zu bemerken, dass der Detektionsalgorithmus vorzugsweise Echtzeitsignale bzw. -daten verrechnet, die im Betrieb der Automatisierungsanlage anfallen. Damit bezieht sich der Detektionsalgorithmus vorzugsweise auf den jeweils aktuellen Zustand der Anlage.
In einer weiteren, bevorzugten Ausführungsform der Erfindung werden die Signale von zumindest zwei unterschiedlichen digitalen Sensoren und dem Schaltsignal für das Ventil eingelesen und repräsentieren somit Zeitpunkte von zwei Endlagenschaltern an einem Zylinder (Spanner) des pneumatischen Systems und den Ventilschaltzeitpunkt. Aus den drei Digitalsignalen werden die vier folgenden Zeitintervalle berechnet:

- Reaktionszeit beim Ausfahren des Zylinders (Zeitintervall vom Schaltzeitpunkt/Ventil bis aktuelle Endlage verlassen wird);
- Verfahrzeit beim Ausfahren des Zylinders (Zeitintervall von Verlassen der einen Endlage bis Erreichen der anderen Endlage);
- Reaktionszeit beim Einfahren des Zylinders (Zeitintervall vom Schaltzeitpunkt/Ventil bis aktuelle Endlage verlassen wird);
- Verfahrzeit beim Einfahren des Zylinders.

Dieser Aspekt hat den Vorteil, dass auf Basis von nur drei digitalen Signalen (bzw. binären Signalen, on/off) vier Aussagen abgeleitet werden können, die maßgeblichen Einfluss auf die Fehlererkennung und ggf. auf die Fehlerlokalisierung haben. Damit kann die Fehlererkennung auch bei bestehenden Systemen angewendet werden, die noch nicht mit einer umfangreichen Sensorik ausgerüstet sind.
In einer vorteilhaften Weiterbildung der Erfindung kann zusätzlich zu der Minimalsensorik (mit den drei digitalen Signalen), die ausreichend ist, um den Detektionsalgorithmus und die Fehlerlokalisierung durchzuführen, ein zusätzlicher Sensor im Ventil ausgebildet sein, der erkennt, ob und wann das Ventil geschaltet hat. Dieses Signal kann als Ventilschaltzeitpunkt beschrieben werden. Mit diesem zusätzlichen Digitalsignal ergibt sich eine zusätzliche Zeitangabe, aus der detailliertere Informationen gewonnen werden können. Wenn beispielsweise die Zeit zwischen „Ventil jetzt schalten“ und „Ventil hat geschaltet“ konstant ist, aber wenn zudem detektiert wurde, dass sich die Reaktionszeit verändert hat, liegt diese Änderung nicht am Ventil. Das Lokalisierungsverfahren wird deshalb auf eine andere, mögliche Fehlerquelle bzw. Ursache schließen.
In einer weiteren, vorteilhaften Ausführungsform der Erfindung kann zusätzlich zu der Minimalsensorik eine Drucksensorik an den beiden Arbeitsanschlüssen von jedem Ventil ausgebildet sein. Diese Drucksensorik ist beispielsweise bei dem Motion Terminal der Anmelderin (unter der Bezeichnung VTEM) realisiert und kann entsprechend genutzt werden, um weitere Informationen für die Berechnung des Anomale-Scores und für die Fehlerlokalisierung und damit ein detaillierteres Lokalisierungsergebnis bereitzustellen. In dieser Ausführungsform der Erfindung wird somit auch ein Drucksignal als Signal zur Berechnung des Anomalie-Scores und zur Fehlerlokalisierung berücksichtigt.
In einer weiteren, vorteilhaften Ausführungsform der Erfindung kann zusätzlich zu der Minimalsensorik eine Druck- und/oder Durchflusssensorik ausgebildet sein, die mehrere Ventilinseln überwachen kann, um ebenfalls weitere Informationen für die Berechnung des Anomalie-Scores und für die Fehlerlokalisierung und damit ein detaillierteres Lokalisierungsergebnis bereitzustellen.
In einer weiteren, bevorzugten Ausführungsform der Erfindung, führt der Detektionsalgorithmus nach einer Berechnung von Reaktionszeit und Verfahrzeit beim Ausfahren und beim Einfahren des Zylinders zumindest einen der folgenden Verarbeitungsschritte aus:

- Feature Extraction; dieser Schritt dient zur Reduktion des Datenvolumens. Damit kann das Verfahren schneller gemacht werden;
- Z-Score-Normalisierung; dieser Schritt dient der Standardisierung und bezieht sich auf die Transformation einer Zufallsvariablen. Damit können die Generalisierbarkeit und die Vergleichbarkeit erhöht werden. Der Vorteil liegt in einer Skalierung der physikalischen Größen auf normierte Größen, die gleichgewichtet sind;
- Principal Component Analyse (PCA, Hauptkomponentenanalyse); dieser Schritt dient dazu, die sensorisch erfassten, umfangreiche Datensätze zu strukturieren und zu vereinfachen, indem eine Vielzahl statistischer Variablen durch eine geringere Anzahl möglichst aussagekräftiger Linearkombinationen (Hauptkomponenten) angenähert wird. Damit kann die Rechenzeit verkürzt werden;
- Klassifikation, insbesondere unter Verwendung von K-Means oder vergleichbaren Methoden;
- Logistische Funktion, bei der das Ergebnis von K-Means auf Werte zwischen ,0' und ,1' abgebildet wird und somit eine Normierung des Anomalie-Scores auf Werte in einem Intervall [0,...,1] bewirkt; und/oder
- Glättung; verrauschte Sensordaten werden erst am Ende der Verarbeitung geglättet. Damit können Sensitivität und Spezifizität eingestellt werden.

In einer weiteren, bevorzugten Ausführungsform der Erfindung, gibt der Detektionsalgorithmus als Zwischenergebnis des Verfahrens einen Anomalie-Score im Wertebereich [0,...,1] und einen Sensorrelevanzwert aus. Mit diesem Zwischenergebnis kann dann in einem nachfolgenden Schritt das maschinelle Lokalisierungsverfahren angewendet werden.
In einer weiteren, bevorzugten Ausführungsform der Erfindung, basiert das maschinelle Lokalisierungsverfahren auf einem Entscheidungsbaum, wobei der Entscheidungsbaum auf Basis des erfassten Schaltplans berechnet wird. Der Schaltplan kann aus einer Datei eingelesen werden, wie z.B. aus Eplan, FluidDraw oder aus einer Automation ML Datei oder Dateien in ähnlichen Formaten (z.B. XML-basiert). Alternativ können andere Verfahren des maschinellen Lernens verwendet werden. Insbesondere kann in einer vorgeschalteten Trainingsphase ein künstliches neuronales Netz gelernt werden, das zur Lokalisierung des Fehlers dient.
In einer weiteren, bevorzugten Ausführungsform der Erfindung, extrahiert das maschinelle Lokalisierungsverfahren aus dem erfassten Schaltplan und aus den eingelesenen Signalen Datenrelationen zwischen den Datensätzen, wobei die Datenrelationen zur Lokalisierung des Fehlers dienen.
In einer vorteilhaften Weiterbildung des Verfahrens umfasst das Ergebnis des maschinellen Lokalisierungsverfahrens einen Fehlerwahrscheinlichkeitswert für vorzugsweise alle - oder alternativ für als relevant ausgewählte - Komponenten der pneumatischen Anlage und/oder von Sub-Komponenten innerhalb einer Komponente. In anderen Weiterbildungen können weiterhin folgende Verarbeitungsschritte ausgeführt werden:

- Aggregieren aller Fehlerwahrscheinlichkeitswerte aller Komponenten;
- Zugriff auf einen Speicher, in dem ein Regelwerk abgelegt ist zur Lokalisierung des Fehlers in Bezug auf einzelne Komponenten der Automatisierungsanlage.

Das maschinelle Lokalisierungsverfahren umfasst zur Fehlerlokalisierung zwei Stufen. In einer ersten Stufe wird berechnet, in welcher Komponente der Automatisierungsanlage der Fehler liegt. Die Fehlerlokalisierung erfolgt in der ersten Stufe somit auf Komponenten-Ebene. Das Ergebnis kann z.B. lauten: „Spanner X klemmt“ oder „Ventil Y defekt“. In einer zweiten Stufe wird berechnet, wo genau der Fehler innerhalb der Komponente lokalisiert werden kann. Die Fehlerlokalisierung erfolgt in der zweiten Stufe somit auf Sub-Komponenten-Ebene. Das Ergebnis kann z.B. lauten „Reibung am Zylinder“, „Leckage an Zylinderkammer A“, „Schlauch B hat eine Leckage“, „Drossel D hat sich zugesetzt“ etc.
Bei dem maschinellen Lokalisierungsverfahren wird somit zunächst die Wahrscheinlichkeit für vorzugsweise alle Komponenten (Spanner-Komponenten) bestimmt. In einer vorteilhaften, alternativen Ausführungsform der Erfindung kann die Wahrscheinlichkeit nur für (z.B. in einer Konfigurationsphase) als relevant bestimmte Komponenten bestimmt werden, um die Rechenlast zu reduzieren und das Ergebnis möglicherweise schneller bereitstellen zu können.
Anschließend wird daraus abgeleitet, ob der Fehler im identifizierten Spanner auftritt oder alle Spanner eines Ventils betroffen sind. Wenn letzteres der Fall ist, wird unter Zugriff auf das Regelwerk geschlussfolgert, dass an dem Ventil ein Problem besteht. Falls alle Ventile einer Ventilinsel eine Anomalie aufweisen, indiziert das Regelwerk, dass das Problem auf Ebene der Ventilinsel liegt. Die Fehlerlokalisierung kann somit unter Zugriff auf das Regelwerk immer feiner granulärer auf bestimmte Komponenten der Anlage beschränkt werden.
Eine weitere Aufgabenlösung sieht ein Computerprogramm vor, mit Computerprogrammcode zur Durchführung aller Verfahrensschritte des oben näher beschriebenen Verfahrens, wenn das Computerprogramm auf einem Computer ausgeführt wird. Dabei ist es auch möglich, dass das Computerprogramm auf einem von einem Computer lesbaren Medium gespeichert ist.
Eine weitere Aufgabenlösung sieht ein Computerprogrammprodukt vor, mit Computerprogrammcode zur Durchführung aller Verfahrensschritte des oben näher beschriebenen Verfahrens, wenn das Computerprogramm auf einem Computer ausgeführt wird. Das Computerprogrammprodukt kann z.B. als gespeicherte, ausführbare Datei, ggf. mit weiteren Bestandteilen (wie Libraries, Treibern etc.) oder als elektronische Einheit (Mikroprozessor, Computer) mit dem bereits installierten Computerprogramm ausgebildet sein.
Im Folgenden werden die in dieser Anmeldung verwendeten Begrifflichkeiten näher erläutert.
Bei dem maschinellen Lokalisierungsverfahren handelt es sich um ein ausschließlich computer-implementiertes Verfahren. Das maschinelle Lokalisierungsverfahren dient zur Prädiktion von Fehlern, die in bestimmten Komponenten der Anlage auftreten. Dazu kann ein Entscheidungsbaum aufgebaut werden, in dem ein Modell repräsentiert ist. Das Modell kann in einem Speicher gespeichert sein. Der Entscheidungsbaum wird zur Laufzeit genutzt, um Objekte (hier: die einzelnen Komponenten der Anlage, wie das Ventil, eine Ventilgruppe, die Druckluftversorgung, die elektrische Versorgung etc.) in Fehlerklassen zuzuordnen. Dabei können Wahrscheinlichkeiten zugewiesen werden.
Es kann z.B. ein Bayes'sches Netz oder eine andere Entscheidungslogik angewendet werden. Grundsätzlich soll aus der Beobachtung der drei digitalen Signale des pneumatischen Systems über die Betriebszeit auf die Wahrscheinlichkeit von komponenten-basierten und sub-komponenten-basierten Fehlerquellen geschlossen werden. Soll eine gemeinsame Wahrscheinlichkeitsverteilung einer größeren Anzahl von Variablen verwaltet werden, so stößt man bei expliziter Repräsentation durch Angabe einer Wahrscheinlichkeit pro Zustandskombination schnell an Ressourcengrenzen (Wartezeit, Prozessorkapazität etc.). Beispielsweise müssen im Fall von 20 binären Variablen, d.h., 20 Variablen mit je zwei Zuständen, bereits 2²⁰ = 1:048:576 Einzelwerte spezifiziert werden. Durch Ausnutzen (bedingter) Unabhängigkeiten zwischen Variablen der zu modellierenden Domäne kann die benötigte Anzahl der anzugebenden Werte oft auf eine handhabbare Größe verringert werden. Einen solchen Ansatz stellen Bayes'sche Netze dar. Ein Bayes'sches Netz von Zufallsvariablen besteht aus zwei Teilen:

1. Einem gerichteten azyklischen Graphen, dessen Knoten den Zufallsvariablen entsprechen und mit dessen Kanten die bedingten Unabhängigkeiten zwischen den Variablen kodiert werden.
2. Von mit den Variablen assoziierten Tabellen bedingter Wahrscheinlichkeiten.

Der Entscheidungsbaum wird in einer Trainings- oder Lernphase aufgebaut und dann bei Anwendung zur Vorhersage bzw. zur Fehlerlokalisierung top-down durchlaufen. Als alternative Technik für das maschinelle Lokalisierungsverfahren können z.B. Neuronale Netze oder Naive Bayes Klassifizierer, k-nearest neighbour-Methoden oder Support Vector Machines angewendet werden.
Bei dem Detektionsalgorithmus handelt es sich um ein computer-implementiertes Verfahren zur Gruppierung bzw. Klassifizierung von Datensätzen, die pneumatische Systemzustände (normal/anomal) repräsentieren auf Basis der erfassten Signalkombinationen. Dazu kann z.B. ein k-means-Algorithmus angewendet werden. Ziel des k-means-Algorithmus ist es, den Datensatz so in k (insbesondere hier 2) Partitionen zu teilen, dass die Summe der quadrierten Abweichungen von den Cluster-Schwerpunkten minimal ist. In erweiterten Ausführungsformen der Erfindung können auch der k-Median-Algorithmus oder der k-Means++ Algorithmus oder vergleichbare Klassifizierungsalgorithmen angewendet werden.
Bei der Einleseschnittstelle handelt es sich um eine digitale Schnittstelle. Sie dient zum Einlesen von digitalen Daten und kann insbesondere nach einem OPC Unified Architecture (OPC-UA) Protokoll betrieben werden. Das OPC-UA ist ein industrielles Machine-to-Machine-Kommunikationsprotokoll zur Gewährleistung von Interoperabilität. Ebenso können Daten aus Feldbussen, wie z.B. Profinet, eingelesen werden.
Bei den Signalen handelt es sich um digitale Signale (on/off), die direkt von den Prozessoreinheiten in digitaler Form weiterverarbeitet werden können. Vorzugsweise werden direkt digitale Sensoren eingesetzt. Bei einem digitalen Sensor wird das elektrische Signal direkt digital gewandelt (Sensor-interne A/D-Wandlung). Die anschließenden Berechnungen (z.B. Fehlerkompensation) können in einem Mikroprozessor stattfinden. Alternativ kann es sich auch um analoge Sensoren handeln, deren Signal in einem externen oder separaten A/D-Wandler in ein digitales Signal transformiert wird. Das digitale Signal steht dann als Zahlenwert zur Verfügung und kann über ein beliebiges digitales Protokoll wie USB, CANopen oder Profibus ausgegeben werden. Während der weiteren Übertragung ist das digitale Drucksignal immun gegen Störeinflüsse, die eine Verschlechterung der Genauigkeit bewirken könnten.
Ein Fehlererkennungsmodul ist ein elektronisches Modul, das auf mehrere Bauteile verteilt sein kann und mit der Funktionalität einer Fehlervermeidung und Fehlerlokalisierung Komponenten einer pneumatischen Anlage ausgebildet ist. Insbesondere soll das Fehlererkennungsmodul, das lokal auf Geräten der Automatisierungsanlage implementiert sein kann, auf zentral ausgeführte und insbesondere Cloud-basierte Berechnungen zurückgreifen können. Das Fehlererkennungsmodul ist eingerichtet, um Steuerungsmaßnahmen und/oder Diagnosemaßnahmen umzusetzen, wenn mittels der Wartungssoftware frühzeitig ein möglicher Ausfall einer Komponente der Automatisierungsanlage erkannt wird. Defekte Bauteile, die womöglich bald zum Stillstand der Anlage führen, werden so unabhängig von den üblichen Wartungszeiten identifiziert und können ausgetauscht werden, bevor tatsächlich Schaden entsteht. Dadurch können Kosteneinsparungen gegenüber der routinemäßigen oder zeitabhängigen vorbeugenden Wartung erzielt werden, da Aufgaben nur dann ausgeführt werden, wenn sie auch tatsächlich notwendig sind. Im Rahmen dieser Erfindung ist es bevorzugt, dass die Analyse parallel zum Betrieb der Anlage betrieben wird, um Stillstandzeiten zu vermeiden.
Das(der) Gateway(knoten) ist eine computer-basierte Einheit, kann als Edge Computer nahe am Feld ausgebildet sein und verfügt über eine Cloud-basierte Schnittstelle (Webschnittstelle) zum Server. Das Gateway berechnet den Anomalie-Score und verarbeitet ihn weiter im Rahmen der Fehlerlokalisierung. Das Ergebnis kann an einen Server und/oder auf Feldebene (z.B. SPS) weitergeleitet werden.
Eine Komponente ist ein Feldgerät und damit eine technische Einrichtung im Bereich der Automatisierungstechnik, die mit einem Produktionsprozess in direkter Beziehung steht. „Feld“ bezeichnet in der Automatisierungstechnik den Bereich außerhalb von Schaltschränken bzw. Leitwarten. Feldgeräte können somit sowohl Aktoren (Stellglieder, Ventile etc.) als auch Sensoren (Messumformer) in der Fabrik- und Prozessautomation sein. Die Komponenten sind mit einem Steuerungs- und Leitsystem, meist über einen Feldbus verbunden. Die Komponenten können mit Sensoren ausgebildet sein, um die Sensordaten zu erfassen, zu erzeugen oder zu aggregieren, damit die Daten ausgewertet zur Regelung, Steuerung und weiteren Verarbeitung verwendet werden können. Die Komponenten sind Bestandteil einer Automatisierungsanlage, die weitere Geräte (z.B. Industrieroboter) umfassen kann.
Bei dem Steuergerät handelt es sich um ein elektronisches Modul das zur Steuerung und/oder Regelung einer Maschine oder Automatisierungsanlage mit einer Gruppe von Feldgeräten eingesetzt und auf digitaler Basis programmiert wird. Es kann sich insbesondere um eine speicherprogrammierbare Steuerung (SPS, englisch: Programmable Logic Controller, PLC) handeln. Ein Steuergerät hat im einfachsten Fall Eingänge, Ausgänge, ein Betriebssystem (Firmware) und eine Schnittstelle, über die das Anwenderprogramm geladen werden kann. Das Anwenderprogramm legt fest, wie die Ausgänge in Abhängigkeit von den Eingängen geschaltet werden sollen. Das Betriebssystem stellt sicher, dass dem Anwenderprogramm immer der aktuelle Zustand der Geber zur Verfügung steht. Anhand dieser Informationen kann das Anwenderprogramm die Ausgänge so schalten, dass die Maschine oder die Automatisierungsanlage in der gewünschten Weise funktioniert. Die Anbindung des Steuergeräts an die Automatisierungsanlage mit ihren Feldgeräten erfolgt mit Sensoren und Aktoren.
In der folgenden detaillierten Figurenbeschreibung werden nicht einschränkend zu verstehende Ausführungsbeispiele mit deren Merkmalen und weiteren Vorteilen anhand der Zeichnung besprochen.
Figurenliste
In der folgenden detaillierten Figurenbeschreibung werden nicht einschränkend zu verstehende Ausführungsbeispiele mit deren Merkmalen und weiteren Vorteilen anhand der Zeichnung besprochen. In dieser zeigen:

1 eine Übersicht über das erfindungsgemäße Fehlererkennungssystem mit einem Fehlererkennungsmodul;
2 eine zur Darstellung in 1 alternative Ausgestaltung eines Fehlererkennungsmoduls;
3 eine weitere schematische Darstellung eines Fehlererkennungsmoduls mit einem Cloud-basierten Server und weiteren Bauteilen;
4 eine alternative schematisch dargestellte Ausbildung des Fehlererkennungsmoduls;
5 ein Ablaufdiagramm von Verfahrensschritten eines Fehlererkennungsverfahrens gemäß einer bevorzugten Ausführungsform der Erfindung und
6 eine Schemadarstellung eines Fehlererkennungssystems mit weiteren Bauteilen gemäß einer bevorzugten Ausführungsform der Erfindung.

Detaillierte Beschreibung von Ausführungsbeispielen anhand der Figuren
Die Erfindung dient zur technischen Überwachung eines pneumatischen Systems als ein Beispiel für ein Automatisierungssystem bzw. Anlage mit diversen Feldgeräten (im Folgenden auch als Komponenten bezeichnet), die über ein Steuergerät (z.B. SPS) gesteuert werden. Insbesondere sollen Fehler frühzeitig erkannt werden und bevorzugt zu einem Zeitpunkt, bevor die jeweilige Komponente ausfällt oder einen Fehler in der Anlage verursacht. Dazu soll ein Fehlererkennungsmodul verwendet werden, das im Folgenden näher in Bezug auf 1 erläutert wird.
Die Erfindung hat den Vorteil, dass eine vorzeitige Fehlererkennung für komplexe mehrkomponentige - vorzugsweise pneumatische - Automatisierungsanlagen möglich wird, obwohl nur sehr wenige Messdaten zur Verfügung stehen und die quasi mit einer minimalen Sensorik betrieben werden können. Insbesondere ist es möglich, ein Ergebnis mit einer Fehlerlokalisierung bereitzustellen, obwohl nur zwei digitale Sensoren und ein Schaltbefehl verwendet werden, insbesondere zur Erfassung der Zeitpunkte von zwei Endlagensensoren an einem Zylinder und ein Sensor zur Erfassung des Ventilschaltzeitpunktes. Dies hat den Vorteil, dass eine Anomaliedetektion auch in solchen Anlagen möglich wird, bei denen nur der Aktor mit einer Sensorik (z.B. Endlagensensoren) ausgestattet ist. Das hier vorgestellte Verfahren basierte auf einem Modell, bei dem zumindest diese Signale berücksichtigt werden. Optional können noch weitere Signale, wie Druck- und/oder Durchflusssignale oder andere Signale ventil-interner Sensoren berücksichtigt werden, die in der Druckversorgung und/oder im Ventil erfasst werden. Mit Hilfe des Detektionsalgorithmus können nun Abweichungen bzw. Veränderungen vom korrekten oder üblichen Reaktionsverhalten der pneumatischen Anlage automatisch und in Echtzeit erfasst werden, wie z.B. die Zeit zwischen „Ventilschaltung“ und „Verlassen Endlage 1“ und Verfahrzeit (Endlage 1 zu Endlage 2). Außerdem kann im Prinzip die Zeit zwischen Senden des Steuerungskommandos bis zur physischen Schaltung des Ventils gemessen und gelernt werden. In einer vorteilhaften Weiterbildung kann ein zusätzlicher ventil-interner Sensor ausgebildet sein, der detektiert, falls das Ventil geschaltet hat. Dasselbe gilt für die Rückbewegung des Ventils. Die Messgrößen und die daraus resultierenden Muster werden im „Gut“ Betrieb (also im fehlerfreien Betrieb) eingelernt. Fehlerbilder zeigen charakteristische Muster, die erfindungsgemäß zur Anomaliedetektion und zur Fehlerlokalisation herangezogen werden. Das Schaltungsbild des pneumatischen Systems liegt außerdem in einem digitalen, pneumatischen Schaltungsplan vor, der eingelesen wird, z.B. aus einer Fluid Draw oder Eplan oder Automation ML-Datei, und wird für den Aufbau einer Entscheidungslogik herangezogen. Falls mittels des Detektionsalgorithmus eine Abweichung vom GUT-Muster erfasst wird kann in einem zweiten Schritt eine Fehlerlokalisierung durch Anwendung eines maschinellen Lokalisierungsverfahrens bereitgestellt werden. Dazu kann eine logische Schaltung mit einer implementierten Entscheidungslogik verwendet werden, z.B. unter Verwendung eines Entscheidungsbaumes oder von Bayes'schen Netzen oder anderen Methoden des maschinellen Lernens.
Hintergrund der hier vorgeschlagenen Lösung ist, dass sich das Zeitverhalten eines Spannsystems (z.B. Automobilbau, Karosseriebau) - bestehend aus Ventil, Schlauchsystem und Spannern - mit zunehmendem Verschleiß ändert. Es wurde ein Testaufbau erstellt, um zu identifizieren, ob und wie sich vorgenommenen Manipulationen am pneumatischen System auf das Zeitverhalten auswirken. Es wurden gezielt Variationen und Manipulationen am Pneumatiksystem vorgenommen. Dies umfasst Reibung und Leckage am Spanner sowie am Ventil sowie Änderungen der Länge des Hebelarms, der Schlauchlänge zwischen Ventil und Spanner sowie eine Variation des Versorgungsdrucks. Beim Auf- und Zufahren des Zylinders wurde die Schließzeit und die Verzögerungszeit erfasst. Als Ergebnis der Versuche der Anmelderin lässt sich festhalten, dass sich eine Änderung an Reibung, Leckage und Versorgungsdruck des Spanners auf die aus den Endlagenschaltersignalen ableitbaren Verzögerungs- und Schließzeiten auswirken. Die Ergebnisse aus dem Testaufbau fließen in die Konfiguration des Fehlerlokalisierungsmodells ein, bei dem in einer ersten Stufe eine Lokalisierung des Fehlers in Bezug auf einzelne Komponenten der Anlage und in einer zweiten Stufe eine Lokalisierung des Fehlers in Bezug auf einzelne Sub-Komponenten der Komponente erfolgt. Es kann eindeutig identifiziert werden, welche Art der Störung vorliegt. Damit sind eine Eingrenzung und insbesondere Lokalisierung des Fehlers anhand der (drei) digitalen Signale möglich.
In 1 ist das Fehlererkennungsmodul FM schematisch dargestellt. Es umfasst auf der Seite der Automatisierungsanlage AA die - vorzugsweise pneumatischen - Komponenten K, wie z.B. Ventilinseln oder Ventilscheiben, wobei eine Ventilinsel wiederum mehrere Ventile mit Spanner/Zylinder-Einheiten umfasst und/oder weiteren pneumatischen Aktoren (z.B. pneumatischen Antrieben etc.) und Sensoren sowie einer Druckversorgung. Weiterhin ist eine Steuerung vorgesehen, die z.B. als speicherprogrammierbare Steuerung ausgebildet sein kann und als SPS bezeichnet wird. Die Komponenten K sind mit Sensoren S ausgebildet, die zum Erfassen von digitalen Signalen oder Schaltbefehlen an ein Ventil dienen. Eine erste Komponente K1 umfasst zumindest eine Sensoreinheit S1 zur Erfassung von drei digitalen Signalen, eine zweite Komponente K2 umfasst wiederum eine Sensoreinheit S2 zur Erfassung von zumindest drei digitalen Signalen etc.
Wie in 1 gezeigt, können auch weitere Sensoren S3 Signale (z.B. Drucksignale) an die SPS senden. Die Steuerung SPS empfängt die digitalen Signale über eine Einleseschnittstelle 11 und ist weiterhin mit einer ersten Prozessoreinheit P1 ausgebildet, die dazu dient, auf Basis der erfassten oder eingelesenen Signale einen Detektionsalgorithmus auszuführen. Der Detektionsalgorithmus dient zum Berechnen eines Anomalie-Scores für die Automatisierungsanlage AA auf Basis der Menge von erfassten oder eingelesenen Signalen. Die berechneten Anomalie-Scores können über eine Datenschnittstelle (z.B. OPC-UA) an ein loT-Gateway GW transferiert werden. Die berechneten Anomalie-Scores und/oder die erfassten Signale werden über eine zweite Schnittstelle 12 an eine zweite Prozessoreinheit P2 übermittelt, die - falls der mit der ersten Prozessoreinheit berechnete Anomalie-Score eine Anomalie indiziert - ausgebildet sein kann, ein maschinelles Lokalisierungsverfahren S34 (das näher unten unter Bezugnahme auf 5 beschrieben ist) zur Lokalisierung des Fehlers auszuführen, um zu dem Anomalie-Score, Wahrscheinlichkeiten für mögliche Fehlerursachen in Bezug auf einzelne Komponenten K der Automatisierungsanlage AA zu berechnen und als Ergebnis bereitzustellen.
In dem in 1 dargestellten Beispiel ist die erste Prozessoreinheit P1 auf einem anderen Gerät implementiert als die zweite Prozessoreinheit P2. Die erste Prozessoreinheit P1 kann auf der Steuereinheit SPS ausgebildet sein und die zweite Prozessoreinheit P2 kann z.B. auf einem Gatewayknoten GW (auch kurz als Gateway bezeichnet) ausgebildet sein. Zur Ausführung des maschinellen Lokalisierungsverfahrens greift die zweite Prozessoreinheit P2 auf einen Speicher MEM zu, in dem ein trainiertes Modell abgelegt ist. Die zweite Prozessoreinheit P2 empfängt über eine Schaltplan-Einleseschnittstelle 13 einen Schaltplan der pneumatischen Anlage AA. Der Schaltplan liegt in digitaler Form vor und enthält Angaben zur Struktur der Anlage AA und zur Funktionalität (insbesondere Schaltzeitpunkte der Ventile etc.).
In dem in 1 gezeigten Ausführungsbeispiel ist ein separates Gateway GW bereitgestellt, das als Intermediär zwischen einerseits der Anlage AA mit den Komponenten K und mit der speicherprogrammierbaren Steuerung SPS und andererseits dem Server SV dient. Das Gateway GW kann z.B. in einem übergeordneten Leitsystem der Anlage AA implementiert sein und/oder der Anlage AA zugeordnet sein (z.B. in derselben Sicherheitsdomäne wie die Anlage). Auf dem Server SV kann eine dritte Prozessoreinheit P3 ausgebildet sein, um z.B. das maschinelle Lokalisierungsverfahren auf einem Cloud-basierten Server ausführen zu können.
Wie in 1 schematisch angedeutet sein soll, ist es grundsätzlich möglich, dass die erste Prozessoreinheit P1 die lokal berechneten Anomalie-Scores quasi als Zwischenergebnis an die zweite Prozessoreinheit P2 sendet (durchgezogener Pfeil). Alternativ oder kumulativ können auch die erfassten Signale an die zweite Prozessoreinheit P2 übermittelt werden. Dies kann entweder direkt von dem Sensor S und/oder von der Komponente K (beides ist in 1 mit einer gestrichelten Linie dargestellt) und/oder von der Steuerung SPS erfolgen.
2 zeigt eine alternative Ausführungsform, bei der das Gateway GW sowohl die zweite als auch die erste Prozessoreinheit P2, P1 umfasst. Die Komponenten K senden ihre drei digital Signale an die Steuerung SPS, die die Signale dann über die Netzwerkverbindung (zweite Schnittstelle 12) an die zweite Prozessoreinheit P2 zur Verarbeitung gesendet. Alternativ können die Komponenten die lokal ermittelten Signale direkt an die zweite Prozessoreinheit P2 senden (ohne den Umweg über die SPS). Es ist sogar denkbar, dass die Sensoren selbst mit einer weiteren Netzwerk-Schnittstelle ausgebildet sein können, um die Daten zu übermitteln.
In 3 zeigt ein Ausführungsbeispiel unter Verwendung eines Cloud-basierten Servers SV. Die Sensordaten werden wieder auf den Komponenten K der pneumatischen Anlage AA erfasst. Die erste Prozessoreinheit P1 kann nun entweder lokal in der Steuerung SPS ausgebildet sein oder auf einem der Anlage zugeordneten loT-Gateway Knoten GW, der als Edge Computer ausgebildet sein kann. Das Gateway GW steht über eine Internet-Protokollbasierte Datenverbindung (z.B. https etc.) in Datenaustausch mit dem Server SV, auf dem die zweite Prozessoreinheit P2 ausgebildet ist, die zur Ausführung des maschinellen Lokalisierungsverfahrens ausgebildet ist. Das gelernte Modell kann in dem Speicher MEM des Servers SV vorgehalten werden. Damit wird es möglich, die höheren Rechenressourcen (und Speicherressourcen) des Servers für die Lokalisierung des Fehlers und zur Berechnung des Ergebnisses zu nutzen.
Wie die vorstehenden Beispiele zeigen sollen, kann die Funktionalität des Fehlererkennungsmoduls FM mit den beiden Aspekten:

1. Detektionsalgorithmus S2 und
2. maschinelles Lokalisierungsverfahrens S34

Mit anderen Worten können die erste Prozessoreinheit P1 und die zweite Prozessoreinheit P2 auf unterschiedlichen computer-basierten Entitäten implementiert sein. Es ist auch möglich, eine weitere Prozessoreinheit auszubilden, die dazu dient, das Modell zu konfigurieren bzw. das Lokalisierungsverfahren zu trainieren anhand von Trainingsdaten. Die Trainingsdaten können Muster von Signalkombinationen in GUT-Fällen (Fehlerfreier Betrieb der Anlage) umfassen.
Wie in 4 dargestellt, ist es bevorzugt, dass der Detektionsalgorithmus S2 allerdings möglichst lokal, in der Nähe der erzeugten Daten, bevorzugt in der Steuerung SPS ausgeführt wird und das maschinelle Lokalisierungsverfahren S34 kann auf einer Entität ausgeführt werden, die ausreichend Ressourcen bereitstellt, bevorzugt auf dem Server SV ausgeführt. Auf dem Gateway GW kann dann nur ein Client zur Modellüberprüfung für das maschinelle Lokalisierungsverfahren S34 installiert sein, so dass die rechenintensiven Prozesse auf dem Server SV ausgeführt werden können und nur das Ergebnis an konfigurierbare Entitäten, insbesondere an das Gateway GW und ggf. an die Komponenten K der Anlage AA und/oder an die Steuerung SPS ausgegeben wird. Die Ausgabe kann über eine Ausgabeschnittstelle AS erfolgen.
In 5 ist ein Ablaufdiagramm eines Fehlererkennungsverfahrens gezeigt. Nach dem Start werden in Schritt S1 die digitalen Signale eingelesen. In Schritt S2 wird auf den bzw. mit den eingelesenen Signalen der Detektionsalgorithmus ausgeführt. Dieser berechnet einen Anomalie-Score und einen Sensorrelevanzwert als Zwischenergebnis. Das Zwischenergebnis repräsentiert somit, ob eine Anomalie in der Anlage AA vorliegt oder nicht. Je nach dem Ergebnis wird, wie in 5 ersichtlich, in unterschiedliche Berechnungsfälle verzweigt. Falls keine Anomalie vorliegt, scheint die Anlage „wie immer“ - also fehlerfrei - zu funktionieren. Das Verfahren kann mit einem EXIT beendet oder neu gestartet werden. Andernfalls (bei Erfassen einer Anomalie oder Abweichung) wird in Schritt S34 ein maschinelles Lokalisierungsverfahren ausgeführt, das in einer Trainingsphase trainiert worden ist, um auf Basis eines digital oder manuell erfassten Schaltplans der Automatisierungsanlage AA zu dem jeweils berechneten Anomalie-Score, Wahrscheinlichkeiten für mögliche Fehlerursachen zu berechnen. Das maschinelle Lokalisierungsverfahren kann zwei Stufen umfassen. Im ersten Schritt S3 wird eine Lokalisierung des Fehlers auf Komponenten-Ebene berechnet (z.B. Fehler in Spanner X oder Ventil Y) und im zweiten Schritt S4 wird eine Lokalisierung des Fehlers auf Sub-Komponenten-Ebene berechnet. Im zweiten Schritt S4 wird also analysiert, wo der Fehler innerhalb der als fehlerhaft identifizierten Komponente lokalisiert werden kann. Das maschinelle Lokalisierungsverfahren kann als Algorithmus implementiert sein, der unter Berücksichtigung der Informationen des erfassten Schaltplans (Aufbau, Architektur und Struktur der Schaltung und Schaltungszeitpunkte) ausgeführt wird. Die Funktionalität des Algorithmus kann, wie oben gezeigt, auch auf anderen Geräten oder Servern SV implementiert sein.
6 ist ein weiteres strukturelles Architekturbild eines Fehlererkennungssystems mit einer ersten Prozessoreinheit P1, die hier auf der Steuerung SPS implementiert ist und mit der zweiten Prozessoreinheit P2, die auf dem Server SV implementiert ist, der mit dem Gateway GW über eine Datenverbindung in Datenaustausch steht. Zusätzlich kann eine Konfigurationsschnittstelle Config-Ul bereitgestellt werden, mittels der das maschinelle Lokalisierungsverfahren und insbesondere die Algorithmen S3, S4 konfiguriert werden können. Die Konfigurationsschnittstelle Contis-Ul ist vorzugsweise Cloud-basiert oder kann auch lokal als Computerprogramm bereitgestellt werden. Die Konfigurationsschnittstelle Config-Ul kann Benutzerschnittstellenelemente, wie Dashboards umfassen. Hier kann auch eine Version des gelernten Modells (z.B. aufgebauter Entscheidungsbaum) installiert sein mit einem Trainings-Master als Applikation zur Konfiguration der Lernphase für das Modell bzw. zur Erzeugung des Entscheidungsbaumes und mit einem Scoring-Master als Applikation zur Berechnung des Anomalie-Scores gemäß einer weiteren Möglichkeit. Auf dem Server SV (z.B. Industrie PC) kann eine Suite von Applikationen zur Fehlererkennung und -lokalisierung installiert sein. Insbesondere ist eine Laufzeitumgebung (z.B. Java Runtime environment) des trainierten Modells implementiert, das mit der Konfigurationsschnittstelle Config-Ul synchronisiert ist und mit dem Gateway GW vorzugsweise über https/REST-Upload requests interagiert. Die eingelesenen Signale werden dann über das Gateway GW an den Server zum Zwecke der Fehlererfassung und -lokalisierung gesendet.
In einem Ausführungsbeispiel kann eine weitere Prozessoreinheit, die in 6 als dritte Prozessoreinheit P3 bezeichnet ist, bereitgestellt werden, die zur Erzeugung des Modells für das maschinelle Lokalisierungsverfahren S 34 dient. Der Anwender hat die Möglichkeit, über die Konfigurationsschnittstelle Config-UI Einstellungen zu treffen. Die Funktionalität zur Erzeugung des Models kann auch auf dem Server SV implementiert sein.
In diesem Ausführungsbeispiel kann der IoT-Gatewayknoten GW mit einem Client für das maschinelle Lokalisierungsverfahren ausgebildet sein. Der Client / Gateway kann im Feld in der Nähe der Anlage positioniert sein. Der Gateway GW kann über ein Browse-Funktionalität verfügen, mit der die von der Steuerung SPS übermittelten Anomalie-Scores durchgeblättert und gesichtet werden können. Des Weiteren kann auf dem Gatewayknoten GW ein Proxy für den Algorithmus bereitgestellt werden, der in der Cloud (z.B. auf dem Server SV) betrieben werden kann und ein Proxy für eine Automatisierungs-Suite mit weiteren Applikationen und Programmen als PC-Anwendung. Die Funktionalität der Automatisierungs-Suite (Automation Suite) gleicht der Funktionalität der Cloud. Des Weiteren kann auf dem Gateway GW ein Ringpuffer zur Zwischenspeicherung der Daten ausgebildet sein und eine Lite-Version des trainierten Modells (zur Ausführung des maschinellen Lokalisierungsverfahrens) zum Zwecke der Persistierung, einer Konfiguration, einer Lizenzverwaltung und weiteren Funktionalitäten in Zusammenhang mit dem maschinellen Lokalisierungsverfahren. Grundsätzlich können auf dem Gateway GW je nach Konfiguration noch weitere Programme installiert sein, die u.a. auch im Hintergrund ablaufen und bestimmte Dienste zur Verfügung stellen können. Benutzerinteraktionen finden vorzugsweise nur auf indirektem Weg statt, zum Beispiel über Signale, Pipes und vor allem (Netzwerk-)Sockets.
In einem Versuch wurden 6 pneumatische Spanner im Dauerlauf bei im Vergleich zum Normalbetrieb erhöhter Laufzeit, bzw. verkürzter Zykluszeit, über einen langen Zeitraum bis in den Verschleiß betrieben. Anzeichen für den Verschleiß waren in allen Spannern 2 Wochen vor dem Ausfall in den Daten zu erkennen. Ausfälle und induzierte Fehlerfälle lassen sich erfindungsgemäß mittels des maschinellen Lokalisierungsverfahrens bzw. trainierten Modells detektieren und eine automatisierte Prozessüberwachung ist möglich.
Abschließend sei darauf hingewiesen, dass die Beschreibung der Erfindung und die Ausführungsbeispiele grundsätzlich nicht einschränkend in Hinblick auf eine bestimmte physikalische Realisierung der Erfindung zu verstehen sind. Alle in Verbindung mit einzelnen Ausführungsformen der Erfindung erläuterten und gezeigten Merkmale können in unterschiedlicher Kombination in dem erfindungsgemäßen Gegenstand vorgesehen sein, um gleichzeitig deren vorteilhafte Wirkungen zu realisieren.
Der Schutzbereich der vorliegenden Erfindung ist durch die nachstehenden Ansprüche gegeben und wird durch die in der Beschreibung erläuterten oder den Figuren gezeigten Merkmale nicht beschränkt.
Für einen Fachmann ist es insbesondere offensichtlich, dass die Erfindung nicht nur für pneumatische Anlagen angewendet werden kann, sondern auch für hydraulische Anlagen oder andere fluidtechnische Systeme oder elektrische Achsen. Des Weiteren können die Bauteile des Fehlererkennungsmoduls auf mehrere physikalische Produkte verteilt realisiert sein.

Claims

Fehlererkennungsmodul (FM) zur Erkennung und Auswertung von Anomalien in Automatisierungsanlagen (AA), insbesondere in einer pneumatischen Automatisierungsanlage, umfassend: - Eine Einleseschnittstelle (11) zum Einlesen von digitalen Signalen von der Automatisierungsanlage (AA); - Einer ersten Prozessoreinheit (P1), die zur Ausführung eines Detektionsalgorithmus (S2) zum Berechnen eines Anomalie-Scores für die Automatisierungsanlage (AA) auf Basis der Menge von eingelesenen Signalen ausgebildet ist; - Einer zweiten Prozessoreinheit (P2), die - falls der mit der ersten Prozessoreinheit (P1) berechnete Anomalie-Score eine Anomalie indiziert - ausgebildet ist, ein maschinelles Lokalisierungsverfahren (S34) zur Lokalisierung des Fehlers auszuführen, wobei das maschinelle Lokalisierungsverfahren (S34) in einer Trainingsphase trainiert worden ist, um auf Basis eines erfassten Schaltplans der Automatisierungsanlage (AA) zu dem berechneten Anomalie-Score, Wahrscheinlichkeiten für mögliche Fehlerursachen in Bezug auf einzelne Komponenten (K) der Automatisierungsanlage zu berechnen (S3) zu berechnen (S4) und als Ergebnis bereitzustellen (S5).
Fehlererkennungsmodul (FM) nach Anspruch 1, bei dem die erste Prozessoreinheit (P1) auf einem anderen Gerät implementiert ist als die zweite Prozessoreinheit (P2) und insbesondere auf einer Steuereinheit (SPS).
Fehlererkennungsmodul (FM) nach zumindest einem der vorangehenden Ansprüche, bei dem die zweite Prozessoreinheit (P2) oder eine weitere Prozessoreinheit (P3), die zur Erzeugung eines Modells ausgebildet ist, eine Schaltplan-Einleseschnittstelle (13) zum Einlesen eines Schaltplans für die Automatisierungsanlage (AA) in digitaler Form umfasst.
Fehlererkennungsmodul (FM) nach zumindest einem der vorangehenden Ansprüche, das eine Konfigurationsschnittstelle (Config-Ul) als Frontend zur Konfiguration und/oder zum Training eines Modells umfasst.
Fehlererkennungsmodul (FM) nach zumindest einem der vorangehenden Ansprüche, wobei die Automatisierungsanlage (AA) ein pneumatisches System mit einem pneumatischen Antrieb umfasst, bei dem mehrere Antriebe und/oder Aktoren an ein Ventil angeschlossen sind und mehrere Ventile auf einer Ventilinsel angeordnet sind und mehrere Ventilinseln an einer Versorgungseinheit angeschlossen sind.
Verfahren zur Erkennung und Auswertung von Anomalien in einer Automatisierungsanlage (AA), insbesondere in einer pneumatischen Automatisierungsanlage, umfassend folgende Verfahrensschritte: - Einlesen (S1) von digitalen Signalen von der Automatisierungsanlage (AA) über eine Einleseschnittstelle (11); - Ausführen eines Detektionsalgorithmus (S2) zum Berechnen eines Anomalie-Scores für die Automatisierungsanlage auf Basis der Menge von eingelesenen Signalen; - Falls der berechnete Anomalie-Score eine Anomalie indiziert: Triggern eines maschinellen Lokalisierungsverfahrens (S34) zur Lokalisierung des Fehlers, wobei das maschinelle Lokalisierungsverfahren (S34) in einer Trainingsphase trainiert worden ist, um auf Basis eines erfassten Schaltplans der Automatisierungsanlage (AA) zu dem berechneten Anomalie-Score, Wahrscheinlichkeiten für mögliche Fehlerursachen in Bezug auf einzelne Komponenten (K) der Automatisierungsanlage (AA) zu berechnen (S3, S4) zu berechnen und als Ergebnis bereitzustellen (S5).
Verfahren nach dem vorangehenden Verfahrensanspruch, bei dem der Detektionsalgorithmus (S2) zum Berechnen des Anomalie-Scores ein Mustererkennungsalgorithmus ist oder durch Zugreifen auf einen Speicher erfolgt, in dem ein trainiertes Detektionsmodell abgelegt ist.
Verfahren nach einem der vorangehenden Verfahrensansprüche, bei dem das maschinelle Lokalisierungsverfahren (S34) Wahrscheinlichkeiten für mögliche Fehlerursachen in Bezug auf einzelne Sub-Komponenten einer Komponente (K) berechnet (S4).
Verfahren nach einem der vorangehenden Verfahrensansprüche, bei dem die Signale von zumindest zwei unterschiedlichen digitalen Sensoren (S) und einem Schaltbefehl stammen und Zeitpunkte von zwei Endlagenschaltern an einem Zylinder des pneumatischen Systems und einen Ventilschaltzeitpunkt repräsentieren und/oder wobei aus den drei Digitalsignalen vier Zeitintervalle berechnet werden: - Reaktionszeit beim Ausfahren des Zylinders; - Verfahrzeit beim Ausfahren des Zylinders; - Reaktionszeit beim Einfahren des Zylinders; - Verfahrzeit beim Einfahren des Zylinders.
Verfahren nach einem der vorangehenden Verfahrensansprüche, bei dem die Signale von zwei Endlagenschaltern eingelesen werden, ein Ventilschaltzeitpunktsignal und/oder ein Drucksignal und/oder ein Durchflusssignal umfassen.
Verfahren nach einem der vorangehenden Verfahrensansprüche, bei dem der Detektionsalgorithmus (S2) nach einer Berechnung von Reaktionszeit und Verfahrzeit beim Ausfahren und beim Einfahren des Zylinders folgende Verarbeitungsschritte ausführt: - Feature Extraction; - Z-Score-Normalisierung; - Principal Component Analyse; - Klassifikation, insbesondere unter Verwendung von mit K-Means; - Logistische Funktion; und/oder - Glättung.
Verfahren nach einem der vorangehenden Verfahrensansprüche, bei dem der Detektionsalgorithmus (S2) als Ergebnis einen Anomalie-Score und einen Sensorrelevanzwert umfasst.
Verfahren nach einem der vorangehenden Verfahrensansprüche, bei dem das maschinelle Lokalisierungsverfahren (S43) ein Entscheidungsbaumverfahren umfasst, wobei der Entscheidungsbaum auf Basis des erfassten Schaltplans berechnet wird oder ein Bayes'sches Netzverfahren umfasst.
Verfahren nach einem der vorangehenden Verfahrensansprüche, bei dem das maschinelle Lokalisierungsverfahren (S43) aus dem erfassten Schaltplan Datenrelationen zwischen Datensätzen extrahiert, die auf den eingelesenen Signalen basieren.
Verfahren nach einem der vorangehenden Verfahrensansprüche, bei dem das Ergebnis des maschinellen Lokalisierungsverfahrens (S43) einen Fehlerwahrscheinlichkeitswert für alle Komponenten (K) und/oder alle Sub-Komponenten der Komponenten umfasst und wobei das Verfahren weiterhin folgende Verarbeitungsschritte ausführt: - Aggregieren aller Fehlerwahrscheinlichkeitswerte; - Zugriff auf einen Speicher, in dem ein Regelwerk abgelegt ist zur Lokalisierung des Fehlers in Bezug auf einzelne Komponenten (K) und/oder Sub-Komponenten der Automatisierungsanlage (AA).
Fehlerdetektionssystem zur Erkennung und Auswertung von Anomalien in Automatisierungsanlagen (AA), insbesondere in einem pneumatischen System, mit: - Einem Fehlererkennungsmodul (FM) gemäß einem der auf das Fehlererkennungsmodul gerichteten Ansprüche; - Einem Gateway (GW) und - Einem Cloud-basierten Server (SV), der über eine Webschnittstelle (WSS) mit dem Fehlererkennungsmodul (FM) verbunden ist.
Computerprogramm mit Computerprogrammcode zur Durchführung aller Verfahrensschritte eines Verfahrens nach einem der vorangehenden Verfahrensansprüche, wenn das Computerprogramm auf einem Computer ausgeführt wird.