DE102019116139A1 - Verfahren zum Überprüfen des Produktionsprozesses von Feldgeräten mittels eines Machine-Learning-, bzw. Prognosesystems - Google Patents

Verfahren zum Überprüfen des Produktionsprozesses von Feldgeräten mittels eines Machine-Learning-, bzw. Prognosesystems Download PDF

Info

Publication number
DE102019116139A1
DE102019116139A1 DE102019116139.8A DE102019116139A DE102019116139A1 DE 102019116139 A1 DE102019116139 A1 DE 102019116139A1 DE 102019116139 A DE102019116139 A DE 102019116139A DE 102019116139 A1 DE102019116139 A1 DE 102019116139A1
Authority
DE
Germany
Prior art keywords
field devices
data
machine learning
service platform
forecasting
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
DE102019116139.8A
Other languages
English (en)
Inventor
Tommi Dirk Kramer
Patrick Galli
Hans Joachim Fröhlich
Ulrich Kaiser
Thomas Fricke
Enrico Mario de Stasio
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.)
Endress and Hauser Group Services AG
Original Assignee
Endress Hauser Group Services AG
Endress and Hauser Group Services AG
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 Endress Hauser Group Services AG, Endress and Hauser Group Services AG filed Critical Endress Hauser Group Services AG
Priority to DE102019116139.8A priority Critical patent/DE102019116139A1/de
Priority to US16/901,692 priority patent/US11586984B2/en
Publication of DE102019116139A1 publication Critical patent/DE102019116139A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/25—Manufacturing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/75—Information technology; Communication
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y30/00—IoT infrastructure
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/40—Maintenance of things

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Automation & Control Theory (AREA)
  • Molecular Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • General Factory Administration (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Überprüfen des Produktionsprozesses von Feldgeräten der Automatisierungstechnik, umfassend:- Zugreifen auf eine Serviceplattform (SP), auf welcher Daten von Feldgeräten, umfassend Identifikationsdaten (A), den jeweiligen Typ (B) eines Feldgeräts, Konfigurationsdaten (C), beinhaltend anwendungsspezifische Daten, Umgebungsinformationen der Feldgeräte und/oder Parameterdaten, Daten (D) betreffend das Produktionsdatum eines jeweiligen Feldgeräts und Reparatur- und/oder Fehlerbehebungsfälle (E) der Feldgeräte korreliert gespeichert sind;- Ermitteln von Auffälligkeiten durch statistisches Auswerten der auf Serviceplattform (SP) gespeicherten Reparatur- und/oder Fehlerbehebungsfälle (E) und Erstellen einer Notifikation (NF) im Falle einer ermittelten Auffälligkeit;- Zuführen der Daten der Feldgeräte und der Notifikationen (NF) an ein Machine-Learning-, bzw. Prognosesystem; und- Auswerten der Daten der Feldgeräte und der Notifikationen (NF) mittels des Machine-Learning-, bzw. Prognosesystems zum Prognostizieren von Serienfehlern der Feldgeräte.

Description

  • Die Erfindung betrifft ein Verfahren zum Überprüfen des Produktionsprozesses von Feldgeräten der Automatisierungstechnik.
  • Aus dem Stand der Technik sind bereits Feldgeräte bekannt geworden, die in industriellen Anlagen der Automatisierungstechnik zum Einsatz kommen. In der Prozessautomatisierung ebenso wie in der Fertigungsautomatisierung werden vielfach Feldgeräte eingesetzt. Als Feldgeräte werden im Prinzip alle Geräte bezeichnet, die prozessnah eingesetzt werden und die prozessrelevante Informationen liefern oder verarbeiten. So werden Feldgeräte zur Erfassung und/oder Beeinflussung von Prozessgrößen verwendet. Zur Erfassung von Prozessgrößen dienen Sensoreinheiten. Diese werden beispielsweise zur Druck- und Temperaturmessung, Leitfähigkeitsmessung, Durchflussmessung, pH-Messung, Füllstandmessung, etc. verwendet und erfassen die entsprechenden Prozessvariablen Druck, Temperatur, Leitfähigkeit, pH-Wert, Füllstand, Durchfluss etc. Zur Beeinflussung von Prozessgrößen werden Aktorsysteme verwendet. Diese sind beispielsweise Pumpen oder Ventile, die den Durchfluss einer Flüssigkeit in einem Rohr oder den Füllstand in einem Behälter beeinflussen können. Neben den zuvor genannten Messgeräten und Aktoren werden unter Feldgeräten auch Remote I/Os, Funkadapter bzw. allgemein Geräte verstanden, die auf der Feldebene angeordnet sind.
  • Der Ausfall eines Feldgeräts bedeutet mitunter einen hohen Kosten- und Zeitaufwand. Insbesondere in kritischen Prozessen muss - bis das Feldgerät repariert oder ausgetauscht worden ist - der betreffende Anlagenteil heruntergefahren werden. Als Alternative dazu werden oftmals im Vorfeld Redundanzen in den betreffenden Anlagenteil eingebaut. Hierbei handelt es sich in der Regel um zu den eingesetzten Feldgeräten identische Feldgeräte, welche im Fehlerfall ein betreffendes Feldgerät ersetzen.
  • Mitunter ist es schwierig, die genaue Ursache eines Ausfalls, bzw. eines Defekts eines Feldgeräts zu ermitteln. Es ist insbesondere wünschenswert festzustellen, ob ein Ausfall eines Feldgeräts ein Einzelfall ist, oder ob für Feldgeräte aus derselben Serie ähnliche Ausfälle zu erwarten sind. Bisher erfolgt die Detektion von Serienfehlern jedoch reaktiv, unsystematisch oder aufgrund von subjektiv wahrgenommener Häufung von Reklamationen oder Service-Ereignissen eine Feldgeräte-Serie.
  • Dies führt dazu, dass Serienfehler von Feldgeräten mitunter erst mit langer zeitlicher Verzögerung festgestellt werden können, was einen Anstieg der Schadensfälle im Feld nach sich zieht, bevor die Möglichkeit einer Abhilfe besteht. Hierdurch erhöht sich das Schadensrisiko, sowie die Kosten für Abhilfemaßnahmen und eventueller Schadensbehebung.
  • In der am selben Anmeldetag eingereichten Patentanmeldung mit dem Titel „Verfahren zum Überprüfen des Produktionsprozesses von Feldgeräten der Automatisierungstechnik“ ist beschrieben worden, dass ein möglicher Serienfehler von Feldgeräten durch statistisches Auswerten von Daten der Feldgeräte auf einer Serviceplattform detektiert werden kann. Jedoch betrifft das lediglich die Möglichkeit, dass ein Serienfehler eingetreten sein könnte, ohne zu überprüfen, ob dies tatsächlich der Fall ist. Mitunter werden falsch-positive Serienfehler detektiert, die unter Umständen einen hohen Verwaltungsakt durch Überprüfen der vermeintlich betroffenen Feldgeräte auslösen.
  • Ausgehend von dieser Problematik liegt der Erfindung die Aufgabe zugrunde, ein Verfahren vorzustellen, welches es erlaubt, falsch-positive Vorhersagen von Serienfehlern von Feldgeräten zu reduzieren.
  • Die Aufgabe wird durch ein Verfahren zum Überprüfen des Produktionsprozesses von Feldgeräten der Automatisierungstechnik gelöst, umfassend:
    • - Zugreifen auf eine Serviceplattform, auf welcher Daten von Feldgeräten, umfassend Identifikationsdaten, den jeweiligen Typ eines Feldgeräts, Konfigurationsdaten, anwendungsspezifische Daten, Umgebungsinformationen der Feldgeräte, Daten betreffend das Produktionsdatum eines jeweiligen Feldgeräts und Reparatur- und/oder Fehlerbehebungsfälle der Feldgeräte korreliert gespeichert sind;
    • - Ermitteln von Auffälligkeiten durch statistisches Auswerten der auf Serviceplattform gespeicherten Reparatur- und/oder Fehlerbehebungsfälle und Erstellen einer Notifikation im Falle einer ermittelten Auffälligkeit;
    • - Zuführen der Daten der Feldgeräte und der Notifikationen an ein Machine-Learning-, bzw. Prognosesystem; und
    • - Auswerten der Daten der Feldgeräte und der Notifikationen mittels des Machine-Learning-, bzw. Prognosesystems zum Prognostizieren von Serienfehlern der Feldgeräte.
  • Der Vorteil des erfindungsgemäßen Verfahrens besteht darin, dass festgestellt werden kann, ob von der Serviceplattform ermittelte statistische Auffälligkeiten tatsächlich Serienfehler von Feldgeräten indizieren. Falsch-positive Serienfehler, welche manuelle Aufwände zur vermeintlichen Behebung verursachen, werden reduziert.
  • Das Ermitteln der Auffälligkeiten wird insbesondere von einer Anwendungsapplikation durchgeführt, welche auf der Serviceplattform integriert ist.
  • Das Machine-Learning-, bzw. Prognosesystem überprüft die Notifikationen anhand der Daten betreffend die Feldgeräte. Beispielsweise kann so ein vermeintlicher Serienfehler, welche durch eine Häufung an Reparatur- und/oder Fehlerbehebungsfällen zu einem bestimmten Zeitraum detektiert wird, dadurch widerlegt werden, dass die vermeintlich betroffenen Geräte in einer unpassenden Applikation eingesetzt wurden. Diese detektierte Auffälligkeit entspringt daher einem Bedienfehler und ist keine Indikation eines Serienfehlers.
  • Gemäß einer vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens ist vorgesehen, dass das Machine-Learning-, bzw. Prognosesystem zusätzlich einen voraussichtlichen Zeitpunkt eines Eintretens einer Funktionsunfähigkeit, bzw. eines schwerwiegenden Fehlerfalles an den entsprechenden Feldgeräten prognostiziert.
  • Gemäß einer vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens ist vorgesehen, dass das Machine-Learning-, bzw. Prognosesystem mittels eines Expertensystems auf definierte Typen von Serienfehlern eingelernt wird.
  • Gemäß einer bevorzugten Ausgestaltung des erfindungsgemäßen Verfahrens ist vorgesehen, dass das Machine-Learning-, bzw. Prognosesystem nach dem Einlernen die definierten Typen von Serienfehlern und neue Typen von Serienfehlern durch Auswerten der Daten der Feldgeräte und der Notifikationen prognostiziert. Somit können nicht nur bereits bekannte Typen von Serienfehlern detektiert werden - das neuronale Netzwerk kann darüber hinaus neue, bisher unbekannte Typen von Serienfehlern selbstständig erlernen.
  • Gemäß einer vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens ist vorgesehen, dass das Machine-Learning-, bzw. Prognosesystem für jeden prognostizierten Serienfehler einen Index berechnet, welcher Index ein Maß für die Wahrscheinlichkeit des prognostizierten Serienfehlers darstellt. Eine absolute Aussage, ob ein Serienfehler detektiert wurde, lässt sich auch von einem Machine-Learning-, bzw. Prognosesystem wie einem neuronalen Netzwerk schwer treffen. Mittels des Indexes kann aber abgeschätzt werden, wie hoch die Wahrscheinlichkeit dafür ist. Es kann beispielsweise vorgesehen sein, einen Index mit einem Wert zwischen 0 und 1 auszugeben. Je größer der Index ist, desto höher ist die Wahrscheinlichkeit. Es kann zudem vorgesehen sein, dass das Machine-Learning-, bzw. Prognosesystem zwei Ausgänge besitzt und eine interne Klassifizierung der detektierten Serienfehler auf Grundlage des Indexes vornimmt. So kann vorgesehen sein, dass am ersten Ausgang (Positivausgang) diejenigen Serienfehler ausgegeben werden, deren Index größer oder größer gleich einem vorbestimmter Wert ist, beispielsweise 0.5. Konträr dazu werden am zweiten Ausgang (Negativausgang) diejenigen Serienfehler ausgegeben, deren Index kleiner als 0.5 ist.
  • Gemäß einer vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens ist vorgesehen, dass das Machine-Learning-, bzw. Prognosesystem ein neuronales Netzwerk verwendet. Es können aber jede Art von weiteren gebräuchlichen machine-learning-Algorithmen, bzw. Prognosealgorithmen, verwendet werden, bspw. Bayes-Klassifikator-Algorithmen, Lineare-Regressions-Algorithmen, Lineare-Regressions-Algorithmen, Random Forest-Algorithmen, etc.
  • Gemäß einer ersten Variante des erfindungsgemäßen Verfahrens ist vorgesehen, dass das Machine-Learning-, bzw. Prognosesystem auf der Serviceplattform integriert wird. Hierbei kann das Machine-Learning-, bzw. Prognosesystem als Anwendungsapplikation ausgestaltet sein. Die Notifikation wird intern zwischen der Anwendungsapplikation, welche das Ermitteln der Auffälligkeiten durchführt, an die Anwendungsapplikation mit dem Machine-Learning-, bzw. Prognosesystem übermittelt.
  • Gemäß einer ersten Variante des erfindungsgemäßen Verfahrens ist vorgesehen, dass das Machine-Learning-, bzw. Prognosesystem auf einer weiteren Serviceplattform integriert wird. Hierbei kann das Machine-Learning-, bzw. Prognosesystem als Anwendungsapplikation ausgestaltet sein. Die Notifikation wird intern zwischen der Anwendungsapplikation, welche das Ermitteln der Auffälligkeiten durchführt, an die Anwendungsapplikation mit dem Machine-Learning-, bzw. Prognosesystem übermittelt.
  • Gemäß einer vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens ist vorgesehen, dass die Serviceplattform und/oder die weitere Serviceplattform in einer Cloud-Architektur eingebettet werden und über das Internet kontaktierbar sind. Unter Cloud Computing wird in diesem Fall das Speichern von Informationen und das Zugreifen auf die gespeicherten Informationen über das Internet verstanden. Die Serviceplattform ermöglicht das Ausführen der erwähnten Anwendungsapplikationen und weiteren Anwendungsapplikationen.
  • Die Erfindung wird anhand der nachfolgenden Figur näher erläutert. Es zeigen
    • 1: einen schematischen Überblick über das erfindungsgemäße Verfahren;
    • 2: ein Ausführungsbeispiel zum Ermitteln eines Serienfehlers.
  • In 1 ist das erfindungsgemäße Verfahren schematisch dargestellt. Aus mehreren Datenquellen werden Daten A, B, C, D, E von Feldgeräten erhoben und an eine cloudbasierte Serviceplattform SP ermittelt. Die Daten A, B, C, D, E stammen hauptsächlich von Datenbanken des Nutzers der Feldgeräte und werden per Internet an die Serviceplattform SP übermittelt. Es kann auch vorgesehen sein, dass ein Benutzer per Internet auf die Serviceplattform SP zugreift und die Daten A, B, C, D, E in diese händisch eingibt. Alternativ erheben die Feldgeräte selbst Daten zumindest einen Teil der Daten A, B, C, D, E und übermitteln diese direkt via Internet, oder indirekt über ein oder mehrere Teilnetzwerke und Netzwerkteilnehmer, an die Serviceplattform.
  • Bei den Daten A, B, C, D, E handelt es sich insbesondere um umfassend Identifikationsdaten A des Feldgeräts (Seriennummer, Tag, etc.), den jeweiligen Typ B eines Feldgeräts (beispielsweise kapazitiver Grenzstandmesser „Liquipoint FTW23“), Konfigurationsdaten C (Daten enthaltend Hardwarekomponenten, Softwarekomponenten und/oder Parameterdaten eines Feldgeräts) und Daten D betreffend das Produktionsdatum eines jeweiligen Feldgeräts. Des Weiteren werden Reparatur- und/oder Fehlerbehebungsfälle E erhoben und auf der der Serviceplattform SP gespeichert.
  • Auf der Serviceplattform SP sind eine oder mehrere Anwendungsapplikationen implementiert, welche die folgenden Verfahrensschritte 1), 2), 3) als automatisierte Prozesse ausführen.
  • In einem ersten Verfahrensschritt 2) werden die Daten A, B, C, D, E statistisch analysiert. Hierfür werden die Daten A, B, C, D, E aufbereitet und mit einer statistischen Verteilungskurve SV1, SV2 verglichen und Abweichungen F der realen Daten A, B, C, D, E von der statistischen Verteilungskurve SV1, SV2 ermittelt. Die Daten können A, B, C, D, E hierfür auch vor dem statistischen Vergleich hinsichtlich bestimmter Feldgerätetypen oder bestimmter Applikationen der Feldgeräte gefiltert werden. Im Falle, dass Abweichungen auftreten, können diese auf einen Serienfehler bei der Produktion der Feldgeräte hinweisen.
  • In einem zweiten Verfahrensschritt 2) wird in einem solchen Fall eine Notifikation NF erstellt, welche Informationen über den Serienfehler, das Datum der betroffenen Produktion und eventuell den Typ der betroffenen Feldgeräte beinhaltet.
  • In einem dritten Verfahrensschritt 3) wird ermittelt, welche Benutzer eines oder mehrere der Feldgeräte besitzen/verwenden, welches von dem Serienfehler (=Geräte produziert in einem Produktionszeitraum/Produktionsintervall, welche gehäuft Reparatur- und/oder Fehlerbehebungsfälle aufweisen) betroffen sind. Anschließend wird die Notifikation NF per Internet an diese Benutzer übermittelt, so dass diese geeignete Maßnahmen vornehmen können, beispielsweise in Gestalt einer Wartung/Reparatur oder eines Austauschs der Feldgeräte.
  • Bevor der dritte Verfahrensschritt 3) durchgeführt wird, werden die Notifikation NF und die Daten A, B, C, D, E der Feldgeräte an ein Machine-Learning-, bzw. Prognosesystem, konkret an ein neuronales Netzwerk NN, übermittelt. Dieses ist ein mehrschichtiges neuronales Netzwerk mit zwei Ausgängen. Die Notifikation NF wird von dem neuronalen Netzwerk NN analysiert. Für die Analyse werden alle zu den vermeintlich betroffenen Feldgeräten verfügbaren Daten A, B, C, D, E miteingeschlossen. Insbesondere werden anwendungsspezifische Daten der Feldgeräte analysiert.
  • Das neuronale Netzwerk NN ermittelt, ob die Notifikation NF kombiniert mit den Daten A, B, C, D, E einem oder mehreren bekannten Typen von Serienfehlern entspricht und berechnet einen Index, welcher eine Wahrscheinlichkeit eines Eintreffens eines Serienfehlers quantifiziert. Abhängig von dem Index wird das Ergebnis der Analyse an einem der beiden Ausgänge OUT1, OUT2 des neuronalen Netzwerks NN ausgegeben. So kann vorgesehen sein, das Ergebnis am ersten Ausgang OUT1 auszugeben, wenn der Index größer oder größer gleich einem vorbestimmter Wert ist, beispielsweise 0.5.
  • Ansonsten wird das Ergebnis am zweiten Ausgang ausgegeben.
  • 2 zeigt ein Ausführungsbeispiel der statistischen Ermittlung von Serienfehlern. Weitere Beispiele hierzu sind in der am selben Anmeldetag eingereichten Patentanmeldung mit dem Titel „Verfahren zum Überprüfen des Produktionsprozesses von Feldgeräten der Automatisierungstechnik“ offenbart, deren Inhalt explizit zum Offenbarungsgehalt der vorliegenden Patentanmeldung hinzuzuziehen ist.
  • In 2 ist ein Diagramm gezeigt, dessen Abszisse einen zeitlichen Verlauf t zeigt und dessen Ordinate den Wert eines Fehlerindexes FI darstellt. Ziel ist es, die Daten der Feldgeräte A, B, C, D, E derart aufzuarbeiten, dass eine Ausfallstatistik in Form des Fehlerindexes über die jeweiligen Produktionszeiträume der Feldgeräte erstellt werden kann. Hierfür werden in einem ersten Schritt Produktionsintervalle Δt festgelegt. Die Länge eines Produktionsintervalls Δt kann frei bestimmt werden. Es hat sich gezeigt, dass die Aufteilung in 1-Wochen-Intervalle oder 1-Monat-Intervalle vorteilhaft ist. Der zeitliche Start- und Endpunkt der Gesamtanalyse (bspw. Startpunkt: 01.01.2016; Endpunkt: 31.12.2016) kann frei bestimmt werden.
  • Anschließend werden anhand der Daten D alle Feldgeräte bestimmt, welche in einem jeweiligen Produktionsintervall Δt gefertigt werden, um die Anzahl aller in einem jeweiligen Produktionsintervall Δt gefertigten Feldgeräte zu bestimmen.
  • Anschließend wird das zeitliche Auftreten der Reparatur- und/oder Fehlerbehebungsfälle E analysiert und für jedes Produktionsintervall Δt die Summe aller zwischen dem Startpunkt des Produktionsintervalls und dem heutigen Datum aufgetretenen Reparatur- und/oder Fehlerbehebungsfälle E derer Feldgeräte, welche in einem jeweiligen Produktionsintervall Δt gefertigt wurden, bestimmt. Anschließend wird jeweils der Fehlerindex FI berechnet, wobei der Fehlerindex FI das Verhältnis von der Summe der Reparatur- und/oder Fehlerbehebungsfällen E zu der Anzahl der gefertigten Feldgeräte darstellt. Der Fehlerindex FI stellt also ein Maß für die Fertigungsqualität dar. Je höher der Fehlerindex FI liegt, desto höher ist die Fehleranzahl derer Feldgeräte, welche in dem entsprechenden Produktionsintervall Δt gefertigt wurden.
  • In 2 ist nun der Fehlerindex FI aller im Jahr 2016 gefertigten Feldgeräte aufgetragen, aufgeteilt in Produktionsintervalle Δt, welche den jeweiligen Fertigungsmonat darstellen. Δt1 betrifft also den Fertigungszeitraum Januar 2016, Δt12 entsprechend den Fertigungszeitraum Dezember 2016. Der zeitliche Verlauf des Fehlerindexes wird mit einer ersten statistischen Verteilungskurve SV1 verglichen. Im vorliegenden Fall entspricht die Kurve einer linearen Funktion, welche mit der Zeit abnimmt. Dies resultiert daraus, dass bei Annahme, dass die Produktionstechnik über das Jahr 2016 hinweg gleichblieb, die Summe der Reparatur- und/oder Fehlerbehebungsfälle E mit fortschreitendem Zeitverlauf weniger wird, da der Zeitabstand eines Produktionsintervalls Δt bis zum heutigen Datum abnimmt. Somit treten statistisch zwischen Δt1 und dem heutigen Datum in Summe mehr Reparatur- und/oder Fehlerbehebungsfälle E für die in Δt1 gefertigten Feldgeräte, als zwischen ΔT12 bis zum heutigen Datum für die in ΔT12 gefertigten Feldgeräte.
  • Für jedes Produktionsintervall Δt wird eine Abweichung F1 des jeweiligen Fehlerindexes FI von der ersten statistischen Verteilungskurve SV1 bestimmt. Ist diese Abweichung F1 größer als ein vorbestimmter Faktor Fmax1, so wird die oben beschriebene Notifikation erstellt. Im vorliegenden Fall überschreitet die Abweichung F1 bei dem Produktionsintervall Δt12 den vorbestimmten Faktor Fmax1. Dies könnte auf einen Serienfehler im Produktionsprozess hindeuten, da die im Zeitintervall Δt10 gefertigten Feldgeräte eine höhere Ausfallwahrscheinlichkeit als die in den anderen Zeitintervallen gefertigten Feldgeräte aufweisen. Zur genaueren Analyse könnten die Daten der Feldgeräte auf konkrete Feldgerätetypen oder Applikationen eingeschränkt werden, um die oben beschriebene Methode mit einem spezifischen Fehlerindex zu wiederholen. Auch kann in einem solchen Fall das Produktionsintervall Δt verkleinert werden, um die betroffenen Feldgeräte weiter einzugrenzen.
  • Bezugszeichenliste
    • 1), 2), 3)
    Verfahrensschritte
    Δt
    Produktionsintervall
    A
    Identifikationsdaten
    B
    Feldgerätetypen
    C
    Konfigurationsdaten
    D
    Produktionsdaten
    E
    Reparatur- und/oder Fehlerbehebungsfälle
    F
    Abweichung
    Fmax
    vorbestimmter Faktor der Maximalabweichung
    FI
    Fehlerindex
    NN
    Neuronales Netzwerk
    OUT1, OUT2
    Ausgänge des neuronalen Netzwerks
    SP
    Serviceplattform
    SV1, SV2
    statistische Verteilungskurven

Claims (9)

  1. Verfahren zum Überprüfen des Produktionsprozesses von Feldgeräten der Automatisierungstechnik, umfassend: - Zugreifen auf eine Serviceplattform (SP), auf welcher Daten von Feldgeräten, umfassend Identifikationsdaten (A), den jeweiligen Typ (B) eines Feldgeräts, Konfigurationsdaten (C), beinhaltend anwendungsspezifische Daten, Umgebungsinformationen der Feldgeräte und/oder Parameterdaten, Daten (D) betreffend das Produktionsdatum eines jeweiligen Feldgeräts und Reparatur- und/oder Fehlerbehebungsfälle (E) der Feldgeräte korreliert gespeichert sind; - Ermitteln von Auffälligkeiten durch statistisches Auswerten der auf Serviceplattform (SP) gespeicherten Reparatur- und/oder Fehlerbehebungsfälle (E) und Erstellen einer Notifikation (NF) im Falle einer ermittelten Auffälligkeit; - Zuführen der Daten der Feldgeräte und der Notifikationen (NF) an ein Machine-Learning-, bzw. Prognosesystem; und - Auswerten der Daten der Feldgeräte und der Notifikationen (NF) mittels des Machine-Learning-, bzw. Prognosesystems zum Prognostizieren von Serienfehlern der Feldgeräte.
  2. Verfahren nach Anspruch 1, wobei das Machine-Learning-, bzw. Prognosesystem zusätzlich einen voraussichtlichen Zeitpunkt eines Eintretens einer Funktionsunfähigkeit, bzw. eines schwerwiegenden Fehlerfalles an den entsprechenden Feldgeräten prognostiziert.
  3. Verfahren nach Anspruch 1 oder 2, wobei das Machine-Learning-, bzw. Prognosesystem mittels eines Expertensystems auf definierte Typen von Serienfehlern eingelernt wird.
  4. Verfahren nach Anspruch 3, wobei das Machine-Learning-, bzw. Prognosesystem nach dem Einlernen die definierten Typen von Serienfehlern und neue Typen von Serienfehlern durch Auswerten der Daten der Feldgeräte und der Notifikationen (NF) prognostiziert.
  5. Verfahren nach Anspruch 4, wobei das Machine-Learning-, bzw. Prognosesystem für jeden prognostizierten Serienfehler einen Index berechnet, welcher Index ein Maß für die Wahrscheinlichkeit des prognostizierten Serienfehlers darstellt.
  6. Verfahren nach zumindest einem der vorherigen Ansprüche, wobei das Machine-Learning-, bzw. Prognosesystem ein neuronales Netzwerk (NN) verwendet.
  7. Verfahren nach zumindest einem der vorherigen Ansprüche, wobei das Machine-Learning-, bzw. Prognosesystem auf der Serviceplattform (SP) integriert wird.
  8. Verfahren nach zumindest einem der vorherigen Ansprüche, wobei das Machine-Learning-, bzw. Prognosesystem auf einer weiteren Serviceplattform integriert wird.
  9. Verfahren nach zumindest einem der vorherigen Ansprüche, wobei die Serviceplattform (SP) und/oder die weitere Serviceplattform in einer Cloud-Architektur eingebettet werden und über das Internet kontaktierbar sind.
DE102019116139.8A 2019-06-13 2019-06-13 Verfahren zum Überprüfen des Produktionsprozesses von Feldgeräten mittels eines Machine-Learning-, bzw. Prognosesystems Pending DE102019116139A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE102019116139.8A DE102019116139A1 (de) 2019-06-13 2019-06-13 Verfahren zum Überprüfen des Produktionsprozesses von Feldgeräten mittels eines Machine-Learning-, bzw. Prognosesystems
US16/901,692 US11586984B2 (en) 2019-06-13 2020-06-15 Method for verifying the production process of field devices by means of a machine-learning system or of a prognosis system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102019116139.8A DE102019116139A1 (de) 2019-06-13 2019-06-13 Verfahren zum Überprüfen des Produktionsprozesses von Feldgeräten mittels eines Machine-Learning-, bzw. Prognosesystems

Publications (1)

Publication Number Publication Date
DE102019116139A1 true DE102019116139A1 (de) 2020-12-17

Family

ID=73547091

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019116139.8A Pending DE102019116139A1 (de) 2019-06-13 2019-06-13 Verfahren zum Überprüfen des Produktionsprozesses von Feldgeräten mittels eines Machine-Learning-, bzw. Prognosesystems

Country Status (2)

Country Link
US (1) US11586984B2 (de)
DE (1) DE102019116139A1 (de)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4447288A1 (de) * 1993-12-30 1995-07-06 Caterpillar Inc Maschinenfehlerdiagnosesystem und -verfahren
DE69111861T2 (de) * 1990-03-19 1996-04-18 Hitachi Ltd Integriertes System zur Qualitätskontrolle.
US20130304245A1 (en) * 2012-05-08 2013-11-14 International Business Machines Corporation Production line quality processes

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8572155B2 (en) * 2007-08-23 2013-10-29 Applied Materials, Inc. Virtual sensors
US8078556B2 (en) * 2008-02-20 2011-12-13 International Business Machines Corporation Generating complex event processing rules utilizing machine learning from multiple events
US10003508B1 (en) * 2015-11-30 2018-06-19 Amdocs Development Limited Event-based system, method, and computer program for intervening in a network service
US10878335B1 (en) * 2016-06-14 2020-12-29 Amazon Technologies, Inc. Scalable text analysis using probabilistic data structures
US10585739B2 (en) * 2017-04-28 2020-03-10 International Business Machines Corporation Input data correction
US10674019B2 (en) * 2018-03-27 2020-06-02 KYOCERA Document Solutions Development America, Inc. Methods and systems for accessing troubleshooting functions of a multi-function printer through a mobile device
US11159469B2 (en) * 2018-09-12 2021-10-26 Commvault Systems, Inc. Using machine learning to modify presentation of mailbox objects

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69111861T2 (de) * 1990-03-19 1996-04-18 Hitachi Ltd Integriertes System zur Qualitätskontrolle.
DE4447288A1 (de) * 1993-12-30 1995-07-06 Caterpillar Inc Maschinenfehlerdiagnosesystem und -verfahren
US20130304245A1 (en) * 2012-05-08 2013-11-14 International Business Machines Corporation Production line quality processes

Also Published As

Publication number Publication date
US11586984B2 (en) 2023-02-21
US20200395132A1 (en) 2020-12-17

Similar Documents

Publication Publication Date Title
DE112016003171B4 (de) Verfahren zum Überwachen einer Antriebseinheit einer Fahrzeugkarosseriemontagelinie und eine Vorrichtung dafür
EP3279756B1 (de) Diagnoseeinrichtung und verfahren zur überwachung des betriebs einer technischen anlage
DE102016015332A1 (de) Präventivwartungsverwaltungssystem und -verfahren zum Erstellen eines Wartungsplans einer Maschine sowie Zellensteuereinrichtung
WO2020216530A1 (de) Verfahren zum bestimmen von restnutzungszyklen, restnutzungszyklusbestimmungsschaltung, restnutzungszyklusbestimmungsvorrichtung
DE112015004142T5 (de) System und Verfahren zur Vorhersage des Ausfalls von Maschinenkomponenten
EP3232282B1 (de) Diagnoseeinrichtung und verfahren zur überwachung des be-triebs einer technischen anlage
EP3546314A1 (de) Verfahren und vorrichtung zur fehleridentifizierung für ein technisches system
EP3341807B1 (de) Verfahren und system zur instandhaltung von feldgeräten in einer anlage der automatisierungstechnik
EP4060433A1 (de) Verfahren und system zur prädiktion des betriebs einer technischen anlage
EP3751375A1 (de) Verfahren zur diagnose und/oder auswahl von feldgeräten der automatisierungstechnik
DE102020200051A1 (de) Verfahren zum Bestimmen von Restnutzungszyklen, Restnutzungszyklusbestimmungsschaltung, Restnutzungszyklusbestimmungsvorrichtung
DE102019116139A1 (de) Verfahren zum Überprüfen des Produktionsprozesses von Feldgeräten mittels eines Machine-Learning-, bzw. Prognosesystems
DE102016225566A1 (de) Verfahren zur Ermittlung von Zustandsinformation bezüglich eines produktiven Robotersystems
DE102019116137B4 (de) Verfahren zum Überprüfen des Produktionsprozesses von Feldgeräten
EP3783448A1 (de) Verfahren zur prüfung eines produktionsprozesses zur herstellung von bauteilen
WO2020011478A1 (de) Verfahren zum kompensieren einer fehlfunktion eines feldgeräts in einer anlage der automatisierungstechnik
DE102014109949A1 (de) Computerimplementiertes Verfahren zur Beurteilung eines energieeffizienten und/oder funktionstüchtigen Betriebs einer technischen Anlage
DE102022211058B4 (de) Computer-implementiertes Überwachungsverfahren, hydraulisches System und computerlesbares Speichermedium
DE102018116894A1 (de) Verfahren zum Kompensieren einer Fehlfunktion eines Feldgeräts in einer Anlage der Automatisierungstechnik
EP4272042B1 (de) Ursachenanalyse einer anomalie auf basis von simulierten symptomen
EP3959571A1 (de) Verfahren zum bestimmen von restnutzungszyklen, restnutzungszyklusbestimmungsschaltung, restnutzungszyklusbestimmungsvorrichtung
WO2023222159A1 (de) Verfahren und vorrichtung zur erfassung von messdaten einer maschine sowie reifenheizpresse aufweisend eine vorrichtung zur erfassung von messdaten
WO2015044011A1 (de) Benutzerschnittstelle zur zuordnung der anlagenspezifischen zu programmierspezifischen generischen signalen für ein leitsystem einer technischen anlage
EP4184399A1 (de) Computer-implementiertes verfahren zum betrieb eines technischen geräts mit einem modell
EP3748449A1 (de) Ursachenanalyse bei meldungen eines technischen systems

Legal Events

Date Code Title Description
R163 Identified publications notified
R081 Change of applicant/patentee

Owner name: ENDRESS+HAUSER GROUP SERVICES AG, CH

Free format text: FORMER OWNER: ENDRESS + HAUSER CONSULT AG, REINACH, CH

R082 Change of representative

Representative=s name: ANDRES, ANGELIKA, DIPL.-PHYS., DE

R082 Change of representative

Representative=s name: KRATT-STUBENRAUCH, KAI, DR., DE

R082 Change of representative

Representative=s name: KRATT-STUBENRAUCH, KAI, DR., DE