DE102019129385A1 - Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern - Google Patents

Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern Download PDF

Info

Publication number
DE102019129385A1
DE102019129385A1 DE102019129385.5A DE102019129385A DE102019129385A1 DE 102019129385 A1 DE102019129385 A1 DE 102019129385A1 DE 102019129385 A DE102019129385 A DE 102019129385A DE 102019129385 A1 DE102019129385 A1 DE 102019129385A1
Authority
DE
Germany
Prior art keywords
characteristic
iteration
measurement data
automated determination
devices according
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
DE102019129385.5A
Other languages
English (en)
Inventor
Wladimir Degtjarew
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.)
Elpro GmbH
Original Assignee
Elpro GmbH
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 Elpro GmbH filed Critical Elpro GmbH
Priority to DE102019129385.5A priority Critical patent/DE102019129385A1/de
Priority to US17/773,627 priority patent/US20220383590A1/en
Priority to AU2020372637A priority patent/AU2020372637A1/en
Priority to CN202080072968.9A priority patent/CN114599882A/zh
Priority to PCT/EP2020/080421 priority patent/WO2021084018A1/de
Priority to EP20800607.2A priority patent/EP4052102A1/de
Priority to CA3159592A priority patent/CA3159592A1/en
Publication of DE102019129385A1 publication Critical patent/DE102019129385A1/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
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/41—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by interpolation, e.g. the computation of intermediate points between programmed end points to define the path to be followed and the rate of travel along that path
    • G05B19/4103—Digital interpolation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B51/00—Testing machines, pumps, or pumping installations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
    • G06F17/175—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method of multidimensional data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33079—Table with functional, weighting coefficients, function
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34098—Slope fitting, fairing contour, curve fitting, transition
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37542—Curve fitting measured points, predict, extrapolate dimension in time
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37591—Plant characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computer Graphics (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern von Vorrichtungen, das die Verfahrensschritte Erfassen eines Messdatensatzes, Durchführen eines Iterationsverfahrens mit den Iterationsschritten Berechnung eines Iterationsergebnisses aus dem Messdatensatz unter Verwendung eines neuronalen Netzwerkes, Erfassen eines Abbruchparameters, Überprüfen des Abbruchparameters und Abbruch des Iterationsverfahrens bei Übereinstimmung des Abbruchparameters mit einem Abbruchkriterium sowie der optischen Visualisierung des Iterationsergebnisses und des Messdatensatzes und dem Wiederholen der Iterationsschritte aufweist.

Description

  • Die Erfindung betrifft ein Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern von Vorrichtungen, das die Verfahrensschritte Erfassen eines Messdatensatzes, Durchführen eines Iterationsverfahrens mit den Iterationsschritten Berechnung eines Iterationsergebnisses aus dem Messdatensatz unter Verwendung eines neuronalen Netzwerkes, Erfassen eines Abbruchparameters, Überprüfen des Abbruchparameters und Abbruch des Iterationsverfahrens bei Übereinstimmung des Abbruchparameters mit einem Abbruchkriterium sowie der optischen Visualisierung des Iterationsergebnisses und des Messdatensatzes und dem Wiederholen der Iterationsschritte aufweist.
  • Stand der Technik
  • Der quantitative Zusammenhang von zwei physikalischen Größen kann mittels einer Kennlinie dargestellt werden. Weitere zusätzliche Größen werden durch ein Kennfeld, das ein gemeinsames Koordinatensystem aufweist, dargestellt. Die physikalischen Größen werden dabei durch Messdatensätze generiert, die z.B. durch ein Sensorsystem geliefert werden, mit dem eine Vorrichtung überwacht wird. Um das Verhalten der Vorrichtung auch in den Bereichen vorhersagen zu können, für die keine oder nur wenige Messdatensätze vorliegen, wird das Verhalten der Vorrichtung modelliert. Dazu werden die Parameter der Messdatensätze mittels eines Polynoms n-ten Grades geschätzt; übliche Verfahren sind Regression und/oder eine Bestimmung einer Fitfunktion. Üblicherweise erfolgt die Berechnung, indem der Grad des Polynoms aufgrund von z.B. Erfahrungswerten vorgegeben und dann die Methode der kleinsten Fehlerquadrate angewendet wird. Hat die Fitfunktion ein bestimmtes festgelegtes Abbruchkriterium (z.B. MSE = 0,005) erreicht, m.a.W. ist die Fitfunktion den Messdatensätzen genügend gut angepasst, wird die Berechnung abgebrochen. Ziel der Ausgleichsrechnung ist, dass das Modell den Messdatensätzen bestmöglich anpasst ist. Dieses wird zusammen mit den Messdatensätzen in einem zwei- oder mehrdimensionalen Koordinatensystem dargestellt.
  • Diese bisher angewandte Methode weist Nachteile auf. Der Anwender muss den Grad des Polynoms der Fitfunktion kennen und als Startwerte in die Berechnung der Fitfunktion eingeben. Der Anwender muss also über Erfahrung mit der zu überwachenden Vorrichtung verfügen, um sinnvolle Startwerte festlegen zu können. Der Rechenaufwand und die damit einhergehende Rechenzeit können sehr hoch sein, die Berechnung des Modells ist dementsprechend zeitaufwändig, insbesondere, wenn das Verhalten der Vorrichtung durch mehr als zwei Ein- bzw. Ausgabeparameter bestimmt ist.
  • Es ist daher die Aufgabe der vorliegenden Erfindung, ein Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern von Vorrichtungen bereitzustellen, mittels dem sich Kennlinien bzw. Kennfelder schneller, mit weniger Aufwand und mit geringeren Fehlern ermitteln lassen.
  • Die Aufgabe wird durch ein Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern von Vorrichtungen gemäß Anspruch 1 gelöst. Weitere vorteilhafte Ausbildungen der Erfindung sind in den Unteransprüchen dargelegt.
  • Das erfindungsgemäße Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern weist vier Verfahrensschritte auf: Im ersten Verfahrensschritt wird ein Messdatensatz erfasst. Dazu ist an der zu überwachenden Vorrichtung ein Sensorsystem verbaut. Ein oder mehrere Messwerte des Sensorsystems, die zu einem bestimmten Zeitpunkt erfasst werden, bilden einen Messdatensatz. Das Sensorsystem übermittelt den Messdatensatz an eine Auswerteeinheit.
  • Im Sinne der Erfindung enthält ein Messdatensatz von einen Sensorsystem gelieferte Rohdaten und/oder ermittelte Werte, die aufgrund von einem Sensorsystem gelieferten Rohdaten ermittelt sind. Beispielhaft sind Volumen, Energie und Zeit derartige Messdaten. Messdatensätze sind Messwerte, die zusätzlich einen oder mehrere von außerhalb des Sensorsystems gelieferte zugehörige Werte aufweisen. Die Messdatensätze können ebenfalls und/oder zusätzlich aus Messwerten ermittelte Kennzahlen sein. Ein Messdatensatz kann beispielsweise aus dem Volumen eines Gases, der Energie, die zum Komprimieren des Gases verbraucht wird, den Energiekosten und der aufgewendeten Zeit zur Kompression sein. Parameter sind Messdaten, Messdatensätze und/oder andere Werte, die innerhalb und/oder außerhalb des Sensorsystems generiert sind.
  • Im zweiten Verfahrensschritt führt die Auswerteeinheit ein Iterationsverfahren zur Berechnung der Kennlinie bzw. Kennfläche durch. Das Iterationsverfahren selbst weist dazu wiederum vier Verfahrensschritte auf: Im ersten Verfahrensschritt des Iterationsverfahrens wird ein Iterationsergebnis aufgrund des erfassten Messdatensatzes berechnet. Zur Berechnung wird erfindungsgemäß vorteilhafterweise ein Neuronales Netzwerk herangezogen.
  • Es hat sich herausgestellt, dass die Berechnung durch ein Neuronales Netzwerk wesentlich häufiger sinnvolle Ergebnisse liefert als eine Berechnung der Kennlinie bzw. Kennfläche mittels bisher bekannter Verfahren. Insbesondere wenn das Neuronale Netzwerk angelernt wurde, z.B. indem mittels des Neuronalen Netzwerkes bereits Kennlinien bzw. Kennfelder einer Vielzahl gleichartiger Vorrichtungen ermittelt wurden. Ein weiterer Vorteil besteht darin, dass auch bei unbekannter Kennlinie bzw. unbekanntem Kennfeld dieses schnell und hinreichend genau evaluiert werden kann, z.B. wenn eine Kennlinie bzw. das Kennfeld zum ersten Mal für eine Vorrichtung ermittelt wird.
  • Im zweiten Verfahrensschritt des Iterationsverfahrens wird ein Abbruchparameter erfasst und im dritten Verfahrensschritt des Iterationsverfahrens überprüft. Im vierten Verfahrensschritt des Iterationsverfahrens wird das Iterationsverfahren abgebrochen, wenn der Abbruchparameter mit einem Abbruchkriterium übereinstimmt. Ein Abbruchkriterium kann z.B. ein geringer MSE der Kennlinie bzw. des Kennfeldes sein, oder eine Evaluierung der Kennlinie bzw. des Kennfeldes durch einen Benutzer.
  • Im dritten Verfahrensschritt des erfindungsgemäßen Verfahrens zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern erfolgt eine optische Visualisierung des Iterationsergebnisses zusammen mit dem Messdatensatz.
  • Im vierten und letzten Verfahrensschritt des erfindungsgemäßen Verfahrens werden die Iterationsschritte des Iterationsverfahrens wiederholt, falls der Abbruchparameter nicht mit einem Abbruchkriterium übereinstimmt, wenn also der MSE der ermittelten Kennlinie bzw. des Kennfeldes zu groß ist und/oder ein Benutzer durch optische Validierung die Qualität der Kennlinie bzw. des Kennfeldes als nicht ausreichend ansieht.
  • Mit den durch das erfindungsgemäße Verfahren ermittelten Kennlinien und/oder Kennfelder lässt sich ein Antrieb überwachen oder seine Leistung und Energieverbrauch vorhersagen. Es sind diverse Verfahren bekannt, um solche Funktionen zu ermitteln, sie sind aber alle recht aufwendig.
  • Bei Ermittlung eines Antriebskennfeldes wird beispielsweise ein Antrieb in allen möglichen Betriebsmodi gefahren und seine Leistung/Drehzahl/Wirkungsgrad gemessen. Anschließend entsteht aus den Messwerten eine Matrix. Die Werte zwischen den Matrixwerten werden interpoliert. Ein Nachteil eines solchen Verfahrens liegt zum einem darin, dass ein Antrieb erst alle möglichen Betriebsmodi durchfahren muss, und zum anderen in der Erstellung der Matrix.
  • Eine andere Möglichkeit ist die automatisierte Ermittlung von Kennlinien und/oder eines Kennfeldes durch ein Neuronales Netzwerk. Dabei wird ein Neuronales Netzwerk auf einen Datensatz trainiert. Die Schwierigkeit, ein Neuronales Netzwerk zu trainieren, besteht darin, einen Kompromiss zwischen einer genügend genauen Modellierung der zu überwachenden Vorrichtung einerseits und der ausreichenden Trainingszeit zu erzielen. Es gibt bei diesem Verfahren zwei Probleme: Ein Neuronales Netzwerk merkt sich zum einen auch alle Fehler eines Datensatzes, wobei er selbst als eine Black-Box auftritt. Es ist schwierig zu validieren, wie gut ein Datensatz antrainiert wurde. Zum anderen ist es schwierig, eine passende Konfiguration eines Neuronalen Netzwerkes sowie die optimale Trainingszeit zu finden. Bei einer suboptimalen Konfiguration neigen die Neuronalen Netzwerke zum „over- oder underfitting“.
  • Zur Validierung der ermittelten Kennlinie und/oder des ermittelten Kennfeldes wird die optische Visualisierung des Iterationsergebnisses zusammen mit dem Messdatensatz verwendet. Falls der MSE der ermittelten Kennlinie bzw. des Kennfeldes gering genug (z.B. kleiner 0,005) ist oder nach einer Vielzahl von hintereinander ausgeführten Iterationsverfahren keine signifikanten Änderungen aufweist, wird das Iterationsverfahren beendet. Aber auch bei geringem MSE kann die ermittelte Kennlinie bzw. das Kennfeld falsch sein. Mittels Darstellung der Kennlinie bzw. des Kennfeldes in einem Koordinatensystem zusammen mit den Messdatensätzen erhält der Benutzer eine Visualisierung der Kennlinie bzw. des Kennfeldes und kann so optisch die Qualität der Kennlinie bzw. des Kennfeldes überprüfen. Mittels dieser vorteilhaften optischen Visualisierung kann ein Benutzer also sehr schnell, zuverlässig und intuitiv sowohl die Qualität der Kennlinie bzw. des Kennfeldes als auch den Lernerfolg des Neuronalen Netzwerkes erkennen.
  • Der Aufbau eines Neuronalen Netzwerkes ist aus der Literatur hinreichend bekannt: Ein Neuronales Netzwerk besteht aus mehreren Schichten (Layern) von künstlichen Neuronen (Knoten), die miteinander vernetzt sind. Die Anzahl der Neuronen im Eingabelayer entspricht der Anzahl der Eingabeparameter, ebenso entspricht die Anzahl der Neuronen im Ausgabelayer der Anzahl der Ausgabeparameter. Zwischen Ein- und Ausgabelayer sind N sog. Hidden Layers mit K Neuronen pro Layer positioniert. Erfahrungsgemäß liefern Neuronale Netzwerke mit N=5-10 und K=50-100 gute Ergebnise. Das Neuronale Netzwerk lernt, indem die inneren Gewichte der Neuronenverbindungen und deren Aktivierungsschwellen angepasst werden. Der Gesamtfehler des Neuronalen Netzwerkes wird dabei minimiert.
  • Das erfindungsgemäße Verfahren ist nicht auf nur einen Anwendungsfall und/oder Anlagenart begrenzt, Kennlinien und/oder Kennfelder können schnell und zuverlässig auch für verschiedene denkbare Anwendungen validiert werden.
  • In einer weiteren Gestaltung der Erfindung ist der Abbruchparameter ein Maß für die Abweichung vom Messdatensatz und/oder einer Nutzereingabe. Der Abbruchparameter kann erfindungsgemäß auf zwei Arten festgelegt werden, nämlich durch den MSE der Kennlinie bzw. des Kennfeldes oder manuell durch einen Benutzer. Ein Benutzer kann das erfindungsgemäße Verfahren also jederzeit abbrechen, entweder, weil die ermittelte Kennlinie und/oder das ermittelte Kennfeld ausreichend gut ist, oder falls sich herausstellt, dass das Neuronale Netzwerk fehlerhaft arbeitet.
  • In einer weiteren Ausbildung der Erfindung ist das Abbruchkriterium eine Vorgabe für die Abweichung vom Messdatensatz und/oder einer erfolgter Nutzereingabe. Das Abbruchkriterium kann auf zwei Arten festgelegt werden, nämlich durch den MSE der Kennlinie bzw. des Kennfeldes oder manuell durch einen Benutzer.
  • In einer Weiterbildung der Erfindung ist die optische Visualisierung Teil der Iterationsschritte. Die optische Visualisierung erfolgt nach einer durch den Nutzer vorgebbaren Zahl von Iterationsschritten, ein Nutzer kann also die ermittelte Kennlinie und/oder das ermittelte Kennfeld zeitnah validieren und das erfindungsgemäße Verfahren ggf. abbrechen.
  • In einer weiteren Ausführung der Erfindung ist die optische Visualisierung Teil eines jeden Iterationsdurchlaufs. Die optische Visualisierung erfolgt nach jedem Iterationsschritt, ein Nutzer kann also die ermittelte Kennlinie und/oder das ermittelte Kennfeld nach jedem Iterationsschritt validieren und das erfindungsgemäße Verfahren ggf. abbrechen.
  • In einer weiteren Ausgestaltung der Erfindung erfolgt die optische Visualisierung nach der Berechnung des Iterationsergebnisses. Die optische Visualisierung erfolgt nach jedem oder einer Mehrzahl von Iterationsschritten, ein Nutzer kann also die ermittelte Kennlinie und/oder das ermittelte Kennfeld zeitnah validieren und das erfindungsgemäße Verfahren ggf. abbrechen bzw. beenden.
  • In einer besonders vorteilhaften Gestaltung der Erfindung erfolgt die optische Visualisierung in einer 3D-Grafik oder einer 4D-Graphik. Dadurch ist die Visualisierung von drei bzw. vier Parametern möglich. Drei Parameter werden den drei Raumrichtungen zugeordnet, der vierte Parameter wird durch z.B. eine Farbkodierung visualisiert. Das durch das erfindungsgemäße Verfahren ermittelte Kennfeld ist dann zweidimensional. Die 4D-Graphik lässt sich aus Gründen der besseren Anschaulichkeit durch einen Nutzer z.B. drehen und perspektivisch verändern, Teilabschnitte können ebenfalls gezoomt werden.
  • In einer weiteren Ausführung der Erfindung erfolgt das Iterationsverfahren für einen Teilabschnitt des Messdatensatzes. Damit lässt sich die Rechenzeit zur Ermittlung der Kennlinie und/oder des Kennfeldes reduzieren, indem nur der für einen Benutzer interessante Messdatensatz zur Ermittlung herangezogen wird. Ebenfalls wird die Anschaulichkeit in der optischen Visualisierung erhöht.
  • In einer weiteren Ausbildung der Erfindung erfolgt das Iterationsverfahren für mehrere Teilabschnitte des Messdatensatzes. Damit lässt sich die Rechenzeit zur Ermittlung der Kennlinie und/oder des Kennfeldes reduzieren, indem nur die für einen Benutzer interessanten Messdatensätze zur Ermittlung herangezogen werden. Ebenfalls wird die Anschaulichkeit in der optischen Visualisierung erhöht.
  • In einer weiteren Ausgestaltung der Erfindung greift das Iterationsverfahren für jeden Teilabschnitt auf das gleiche Neuronale Netzwerk zu. Dadurch wird der Aufwand gegenüber einem Zugriff auf verschiedene Neuronale Netzwerke reduziert. Bei der Verwendung eines angelernten Neuronalen Netzwerkes reduziert sich ebenfalls der Rechenaufwand bei gleichzeitiger Erhöhung der Qualität der ermittelten Kennlinie und/oder des ermittelten Kennfeldes.
  • In einer vorteilhaften Ausführung der Erfindung wird mit Hilfe der Kennlinie und/oder des Kennfeldes eine Prognose über die Entwicklung der Ausgabeparameter der Vorrichtung erstellt. Die Vorrichtung muss aufgrund dieser vorteilhaften Ausführung nicht sämtliche Betriebsmodi durchfahren, um eine Kennlinie und/der ein Kennfeld zu ermitteln. Die Zeit zwischen Installation und Inbetriebnahme der überwachten Vorrichtung wird so deutlich reduziert.
  • In einer weiteren Gestaltung der Erfindung wird die Kennlinie und/oder das Kennfeld einem Zeitpunkt zugeordnet. Mittels dieser vorteilhaften Gestaltung ist ein Nutzer in der Lage, das Verhalten der Vorrichtung auch über einen längeren Zeitraum zu überwachen. Insbesondere kann ein Benutzer dadurch evtl. notwendige Wartungsmaßnahmen erkennen, wenn die Kennlinie und/oder das Kennfeld zeitliche Veränderungen aufweist. Ebenfalls lassen sich durchgeführte Wartungsmaßnahmen validieren.
  • In einer weiteren Ausbildung der Erfindung werden die Kennlinie und/oder das Kennfeld und der zugeordnete Zeitpunkt gespeichert. Mittels dieser Ausbildung ist ein Nutzer in der Lage, das Verhalten der Vorrichtung auch über einen längeren Zeitraum zu überwachen. Insbesondere kann ein Benutzer dadurch evtl. notwendige Wartungsmaßnahmen erkennen, wenn die Kennlinie und/oder das Kennfeld zeitliche Veränderungen aufweist. Ebenfalls lassen sich durchgeführte Wartungsmaßnahmen validieren.
  • In einer weiteren Ausgestaltung der Erfindung wird mit Hilfe der Kennlinie und/oder des Kennfeldes die Vorrichtung im Betrieb überwacht. Zeitliche Veränderungen der Kennlinie und/oder des Kennfeldes können eine fehlerhafte Komponente der Vorrichtung oder einen ineffizienten Betrieb der Vorrichtung indizieren. Wartungsmaßnahmen können so schon ergriffen werden, bevor es zum Ausfall bzw. Stillstand der Vorrichtung kommt.
  • In einer weiteren Ausführung der Erfindung wird die Veränderung der Kennlinie und/oder des Kennfeldes der Vorrichtung überwacht. Zeitliche Veränderungen der Kennlinie und/oder des Kennfeldes können eine fehlerhafte Komponente der Vorrichtung oder einen ineffizienten Betrieb der Vorrichtung indizieren. Wartungsmaßnahmen können so schon ergriffen werden, bevor es zum Ausfall bzw. Stillstand der Vorrichtung kommt.
  • In einer optionalen Gestaltungsform der Erfindung ist die Summe aus der Anzahl der Eingabeparameter und der Anzahl der Ausgabeparameter gleich der Anzahl der dargestellten Dimensionen einer in der optischen Visualisierung ausgegebenen Grafik. Gleichsam ist die Summe der Anzahl der Eingabeneuronen und der Anzahl der Ausgabeneuronen des neuronalen Netzes gleich der Anzahl der Dimensionen der in der optischen Visualisierung ausgegebenen Grafik. Jeder Eingabe- und/oder Ausgabeparameter und/oder jedes Eingabe- und Ausgabeneuron wird in einer separaten Dimension der ausgegebenen Grafik dargestellt.
  • Im Folgenden wird eine Ausführungsform der vorliegenden Erfindung anhand von Zeichnungen näher erläutert. Es zeigen:
    • 1: Ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens zur automatischen Ermittlung von Kennlinien und/oder Kennfeldern
    • 2 a: 4D-Visualisierung der Messdatensätze eines zweistufigen Gasverdichters, erfindungsgemäßes Verfahren zur automatischen Ermittlung von Kennlinien und/oder Kennfeldern nach 19 Iterationsschritten
    • 2 b: 4D-Visualisierung der Messdatensätze eines zweistufigen Gasverdichters, erfindungsgemäßes Verfahren zur automatischen Ermittlung von Kennlinien und/oder Kennfeldern nach 693 Iterationsschritten
    • 2 c: 4D-Visualisierung der Messdatensätze eines zweistufigen Gasverdichters, erfindungsgemäßes Verfahren zur automatischen Ermittlung von Kennlinien und/oder Kennfeldern nach 2097 Iterationsschritten
    • 2 d: 4D-Visualisierung der Messdatensätze eines zweistufigen Gasverdichters, erfindungsgemäßes Verfahren zur automatischen Ermittlung von Kennlinien und/oder Kennfeldern nach 3729 Iterationsschritten
    • 2 e: 4D-Visualisierung der Messdatensätze eines zweistufigen Gasverdichters, erfindungsgemäßes Verfahren zur automatischen Ermittlung von Kennlinien und/oder Kennfeldern nach 6641 Iterationsschritten
  • 1 zeigt ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens. Das erfindungsgemäße Verfahren 100 weist mehrere Verfahrensschritte auf: Im ersten Verfahrensschritt wird ein Messdatensatz erfasst 1. Dazu ist an der zu überwachenden Vorrichtung ein Sensorsystem verbaut. Ein oder mehrere Messwerte des Sensorsystems, die zu einem bestimmten Zeitpunkt erfasst werden, bilden einen Messdatensatz 1. Das Sensorsystem übermittelt den Messdatensatz an eine Auswerteeinheit. Zur Berechnung der Kennlinie bzw. Kennfläche 20 wird ein Iterationsverfahren durchgeführt und ein Iterationsergebnis berechnet 3. Das Iterationsverfahren 3 selbst weist dazu wiederum vier Verfahrensschritte auf: Im ersten Verfahrensschritt 3 des Iterationsverfahrens wird ein Iterationsergebnis aufgrund des erfassten Messdatensatzes 1 berechnet. Zur Berechnung wird erfindungsgemäß vorteilhafterweise ein Neuronales Netzwerk 30 herangezogen.
  • Es hat sich herausgestellt, dass die Berechnung durch ein Neuronales Netzwerk 30 wesentlich häufiger sinnvolle Ergebnisse liefert als eine Berechnung der Kennlinie bzw. Kennfläche 20 mittels bisher bekannter Verfahren. Insbesondere wenn das Neuronale Netzwerk 30 angelernt wurde, z.B. indem mittels des Neuronalen Netzwerkes 30 bereits Kennlinien bzw. Kennfelder 20 einer Vielzahl gleichartiger Vorrichtungen ermittelt wurden.
  • Ein weiterer Vorteil besteht darin, dass auch bei unbekannter Kennlinie bzw. unbekanntem Kennfeld 20 dieses schnell und hinreichend genau evaluiert werden kann, z.B. wenn eine Kennlinie bzw. das Kennfeld 20 zum ersten Mal für eine Vorrichtung ermittelt wird.
  • Im zweiten Verfahrensschritt zur Berechnung des Iterationsergebnisses 3 wird ein Abbruchparameter erfasst 4. Der Abbruchparameter kann erfindungsgemäß auf zwei Arten festgelegt werden, nämlich durch den MSE der Kennlinie bzw. des Kennfeldes 20 oder manuell durch einen Benutzer.
  • Im nächsten Verfahrensschritt des erfindungsgemäßen Verfahrens zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern 20 erfolgt eine optische Visualisierung 7 des Iterationsergebnisses zusammen mit dem Messdatensatz.
  • Danach wird der Abbruchparameter überprüft 5. Die Berechnung des Iterationsergebnisses 3 wird abgebrochen 6, wenn der Abbruchparameter mit einem Abbruchkriterium übereinstimmt. Ein Abbruchkriterium kann z.B. ein geringer MSE der Kennlinie bzw. des Kennfeldes 20 sein, oder eine Evaluierung der Kennlinie bzw. des Kennfeldes 20 durch einen Benutzer.
  • Im letzten Verfahrensschritt des erfindungsgemäßen Verfahrens werden die Iterationsschritte des Iterationsverfahrens 3 wiederholt 8, falls der Abbruchparameter nicht mit einem Abbruchkriterium übereinstimmt, wenn also der MSE der ermittelten Kennlinie bzw. des Kennfeldes 20 zu groß ist und/oder ein Benutzer durch optische Validierung die Qualität der Kennlinie bzw. des Kennfeldes 20 als nicht ausreichend ansieht.
  • Falls also der MSE der ermittelten Kennlinie bzw. des Kennfeldes 20 gering genug (z.B. kleiner 0,005) ist oder nach einer Vielzahl von hintereinander ausgeführten Iterationsverfahren 3 keine signifikanten Änderungen aufweist, wird das Iterationsverfahren 3 beendet. Aber auch bei geringem MSE kann die ermittelte Kennlinie bzw. das Kennfeld 20 falsch sein. Mittels Darstellung der Kennlinie bzw. des Kennfeldes 20 in einem Koordinatensystem zusammen mit den Messdatensätzen erhält der Benutzer bei jedem Iterationsschritt des Iterationsverfahrens 3 eine Visualisierung der Kennlinie bzw. des Kennfeldes 20 und kann so optisch die Qualität der Kennlinie bzw. des Kennfeldes 20 überprüfen. Mittels dieser vorteilhaften optischen Visualisierung 7 kann ein Benutzer also sehr schnell, zuverlässig und intuitiv sowohl die Qualität der Kennlinie bzw. des Kennfeldes 20 als auch den Lernerfolg des Neuronalen Netzwerkes 30 erkennen.
  • Ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens 100 zeigen die 2 a) bis 2 e). Beispielhaft wird ein Untergrund-Gasspeicher als zu überwachende Vorrichtung herangezogen. Diese Speicher dienen zum Ausgleich von Ungleichgewichten zwischen Angebot bzw. Förderung und Nachfrage bzw. Verbrauch und damit der Erhöhung der Versorgungssicherheit. Da das Gas im Untergrundspeicher meist einen höheren Druck als die Ferngasleitung hat, wird das Gas zur Einspeisung mit einem oder - wie in diesem Ausführungsbeispiel - mittels zwei Gasverdichtern verdichtet.
  • Es wurde eine 3D-Darstellung zur Visualisierung gewählt, in der den in der 3D-Darstellung angezeigten Messpunkten 10 eine Farb- und/oder Helligkeitscodierung 13 zur Darstellung der 4. Dimension zugeordnet wurde. Die Flächen 11.1, 11.2, 11.3 zwischen den Koordinatenachsen sind als Projektionsflächen dargestellt, auf denen jeweils die Messpunkte 10 als projizierte Punkte 12.1, 12.2, 12.3 projiziert sind. Weiterhin ist das ermittelte Kennfeld 20 eingezeichnet.
  • Das erfindungsgemäße Verfahren 100 weist mehrere Verfahrensschritte auf: Im ersten Verfahrensschritt wird ein Messdatensatz erfasst 1. Dazu ist an der zu überwachenden Vorrichtung ein Sensorsystem verbaut. Ein oder mehrere Messwerte des Sensorsystems, die zu einem bestimmten Zeitpunkt erfasst werden, bilden einen Messdatensatz 1. Das Sensorsystem übermittelt den Messdatensatz an eine Auswerteeinheit. Zur Berechnung der Kennlinie bzw. Kennfläche 20 wird ein Iterationsverfahren durchgeführt und ein Iterationsergebnis berechnet 3. Das Iterationsverfahren 3 selbst weist dazu wiederum vier Verfahrensschritte auf: Im ersten Verfahrensschritt 3 des Iterationsverfahrens wird ein Iterationsergebnis aufgrund des erfassten Messdatensatzes 1 berechnet. Zur Berechnung wird erfindungsgemäß vorteilhafterweise ein Neuronales Netzwerk 30 herangezogen.
  • Im zweiten Verfahrensschritt zur Berechnung des Iterationsergebnisses 3 wird ein Abbruchparameter erfasst 4. Der Abbruchparameter kann erfindungsgemäß auf zwei Arten festgelegt werden, nämlich durch den MSE der Kennlinie bzw. des Kennfeldes 20 oder manuell durch einen Benutzer.
  • Im nächsten Verfahrensschritt des erfindungsgemäßen Verfahrens zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern 20 erfolgt eine optische Visualisierung 7 des Iterationsergebnisses zusammen mit dem Messdatensatz.
  • Danach wird der Abbruchparameter überprüft 5. Die Berechnung des Iterationsergebnisses 3 wird abgebrochen 6, wenn der Abbruchparameter mit einem Abbruchkriterium übereinstimmt. Ein Abbruchkriterium kann z.B. ein geringer MSE der Kennlinie bzw. des Kennfeldes 20 sein, oder eine Evaluierung der Kennlinie bzw. des Kennfeldes 20 durch einen Benutzer.
  • Im letzten Verfahrensschritt des erfindungsgemäßen Verfahrens werden die Iterationsschritte des Iterationsverfahrens 3 wiederholt 8, falls der Abbruchparameter nicht mit einem Abbruchkriterium übereinstimmt, wenn also der MSE der ermittelten Kennlinie bzw. des Kennfeldes 20 zu groß ist und/oder ein Benutzer durch optische Validierung die Qualität der Kennlinie bzw. des Kennfeldes 20 als nicht ausreichend ansieht.
  • Das Sensorsystem liefert in diesem Ausführungsbeispiel Messdatensätze über den Volumenstrom des in den Speicher eingespeisten Gases (Parameter 1, x-Achse) und über das Verdichtungsverhältnis des Erdgases im Speicher (Parameter 2, y-Achse). Diese beiden Parameter werden in das Neuronale Netzwerk 30 in den Eingabelayer eingegeben. Der für einen Nutzer der Anlage besonders relevante Parameter Wirkungsgrad (Parameter 3, z-Achse) sowie die Drehzahl der zwei Gasverdichter (Parameter 4, Graustufen) sind die Ausgabe und werden über den Ausgabelayer des Neuronalen Netzwerkes 30 ausgegeben. Das Neuronale Netzwerk 30 weist demzufolge 2 Ein- sowie 2 Ausgabeneuronen auf. Das Neuronale Netzwerk 30 wurde mittels Trainingsdaten verschiedener Untergrund-Gasspeicher trainiert. Im vorliegenden Beispiel werden jeweils zwei Eingabeneuronen und zwei Ausgabeneuronen verwendet. Zwischen den Eingabe - und Ausgabeneuronen sind weitere 5 Hidden Layer mit jeweils 100 Neuronen angeordnet.
  • 2 zeigt die 4-dimensionale optische Visualisierung 7 der Messdatensätze zusammen mit dem aus ihnen ermittelten Kennfeld 20. Die optische Visualisierung 7 kann zu jeweils unterschiedlichen Zeitpunkten gespeichert und somit dem Zeitpunkt zugeordnet werden. Die optische Visualisierung 7 als Teil der Iterationsschritte des Iterationsverfahrens 2 wird in diesem Ausführungsbeispiel nach jeder Berechnung des Iterationsergebnisses 3 durchgeführt. Dadurch wird die Qualität des ermittelten Kennfeldes 20 nach der angegebenen Zahl von Iterationsschritten illustriert (2 a-e) und kann von einem Benutzer optisch validiert werden. Der MSE des ermittelten Kennfeldes 20 ist ebenfalls angegeben.
  • Nach 19 Iterationsschritten (2 a) weist das Kennfeld 20 noch einen sehr großen MSE von 0,094 auf. Das Kennfeld 20 weist im Wesentlichen noch die Form einer schiefen Ebene auf. Es ist allein schon optisch für einen Benutzer erkennbar, dass das berechnete Kennfeld 20 zu diesem Zeitpunkt noch nicht annähernd das Verhalten der Gaseinspeisung in den Untergrund-Gasspeicher widerspiegelt.
  • Nach 693 Iterationsschritten (2 b) beträgt der MSE des Kennfeldes 20 noch 0,007. Die Ausbildung von zwei relativen Maxima ist bereits zu erkennen. Die beiden relativen Maxima entsprechen einer seriellen und einer parallelen Fahrweise der beiden Gasverdichter. Hier zeigt sich gerade der Vorteil des erfindungsgemäßen Verfahrens 100, das Kennfeld 20 optisch zu visualisieren 7. Trotz des geringen MSE des Kennfeldes 20 von 0,007 ist im Vergleich mit 2 c, in der das Kennfeld 20 einen größeren Fehler von 0,013 aufweist, optisch erkennbar, dass das Verhalten des Untergrund-Gasspeichers noch nicht korrekt prognostiziert werden kann.
  • Nach 2097 Iterationsschritten (2 c) ist der MSE des Kennfeldes 20 auf 0,013 gestiegen, dennoch sind beide relativen Maxima deutlich ausgeprägter visuell erkennbar. Nach 3729 Iterationsschritten (2 d) beträgt der MSE des Kennfeldes 20 noch 0,0034, das deutlich verbessert ermittelte Kennfeld 20 zeigt die beiden relativen Maxima schon mit einem optisch erkennbaren unterschiedlichen Wirkungsgrad. Nach 6641 Iterationsschritten (2 e) beträgt der MSE des Kennfeldes 0,0045, ist also gegenüber 3729 Iterationsschritten (2 d) leicht gestiegen. Allerdings zeigen die beiden relativen Maxima noch deutlich optisch unterscheidbare Wirkungsgrade: Das Maximum des Wirkungsgrades für die parallele Fahrweise ist signifikant geringer als das Maximum des Wirkungsgrades für eine serielle Fahrweise der Gasverdichter. Dies entspricht auch den Erfahrungswerten.
  • Die Kennfelder 20 beider Fahrweisen wurden in diesem Ausführungsbeispiel nicht getrennt voneinander berechnet. Das erfindungsgemäße Verfahren 100 liefert trotzdem ein gut validiertes Kennfeld 20. Das erfindungsgemäße Verfahren 100 ermöglicht ebenfalls eine Ermittlung des Kennfeldes 20 auch von einem oder mehreren Teilabschnitten der Messdatensätze, indem einfach nur die den Nutzer interessierenden Messdatensätze zur Ermittlung des Kennfeldes herangezogen und die nicht interessierenden Messdatensätze ausgeblendet werden. Das erfindungsgemäße Verfahren 100 ist sehr leistungsfähig, das in 2 e gezeigte Kennfeld 20 benötigte eine Rechenzeit von nur 2 Minuten.
  • Bezugszeichenliste
    • 100
    Verfahren zur automatischen Ermittlung von Kennlinien und/oder Kennfeldern
    1
    Erfassen eines Messdatensatzes
    2
    Durchführung des Iterationsverfahrens
    3
    Berechnung eines Iterationsergebnisses
    4
    Erfassen des Abbruchparameters
    5
    Überprüfen des Abbruchparameters
    6
    Abbruch des Iterationsverfahrens
    7
    Optische Visualisierung
    8
    Wiederholung des Iterationsverfahrens
    10
    Messpunkt eines Messdatensatzes
    11.1, 11.2, 11.3
    Flächen zwischen den Koordinatenachsen
    12.1, 12.2, 12.3
    Projizierte Messpunkte
    13
    Farb-/Helligkeitscodierung
    20
    Kennfeld
    30
    Neuronales Netzwerk

Claims (15)

  1. Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern (100) von Vorrichtungen, das folgende Verfahrensschritte aufweist: • Erfassen eines Messdatensatzes (1) • Durchführen eines Iterationsverfahrens (2) mit den Iterationsschritten: o Berechnung eines Iterationsergebnisses (3) aus dem Messdatensatz unter Verwendung eines neuronalen Netzwerkes (30) o Erfassen eines Abbruchparameters (4) o Überprüfen des Abbruchparameters (5) o Abbruch des Iterationsverfahrens (6) bei Übereinstimmung des Abbruchparameters mit einem Abbruchkriterium • Optische Visualisierung (7) des Iterationsergebnisses und des Messdatensatzes • Wiederholen der Iterationsschritte (8)
  2. Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern (100) von Vorrichtungen nach Anspruch 1, dadurch gekennzeichnet, dass der Abbruchparameter ein Maß für die Abweichung von Messdatensatz zu Iterationsergebnis und/oder eine Nutzereingabe ist.
  3. Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern (100) von Vorrichtungen nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das Abbruchkriterium eine Vorgabe für die Abweichung von Messdatensatz zu Iterationsergebnis und/oder eine erfolgte Nutzereingabe ist.
  4. Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern (100) von Vorrichtungen nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die optische Visualisierung (7) Teil der Iterationsschritte ist.
  5. Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern (100) von Vorrichtungen nach Anspruch 4, dadurch gekennzeichnet, dass die optische Visualisierung (7) Teil jedes Iterationsdurchlaufs (8) ist.
  6. Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern (100) von Vorrichtungen nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die optische Visualisierung (7) nach der Berechnung des Iterationsergebnisses (3) erfolgt.
  7. Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern (100) von Vorrichtungen nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die optische Visualisierung (7) in einer 3D-Grafik oder einer 4D-Grafik erfolgt.
  8. Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern (100) von Vorrichtungen nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Iterationsverfahren (2) für einen Teilabschnitt des Messdatensatzes erfolgt.
  9. Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern (100) von Vorrichtungen nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Iterationsverfahren (2) für mehrere Teilabschnitte des Messdatensatzes erfolgt.
  10. Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern (100) von Vorrichtungen nach Anspruch 9, dadurch gekennzeichnet, dass das Iterationsverfahren (2) für jeden Teilabschnitt auf das gleiche neuronale Netzwerk (30) zugreift.
  11. Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern (100) von Vorrichtungen nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass mit Hilfe der Kennlinie oder des Kennfeldes (20) eine Prognose und/oder Vorhersage über die Entwicklung der Ausgabeparameter der Vorrichtung erstellt wird.
  12. Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern (100) von Vorrichtungen nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Kennlinie oder das Kennfeld (20) einem Zeitpunkt zugeordnet wird.
  13. Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern (100) von Vorrichtungen nach Anspruch 12, dadurch gekennzeichnet, dass die Kennlinie und/oder das Kennfeld (20) und der zugeordnete Zeitpunkt gespeichert werden.
  14. Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern (100) von Vorrichtungen nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass mit Hilfe der Kennlinie und/oder des Kennfeldes (20) die Vorrichtung im Betrieb überwacht wird.
  15. Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern (100) von Vorrichtungen nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Veränderung der Kennlinie und/oder des Kennfeldes (20) der Vorrichtung überwacht wird.
DE102019129385.5A 2019-10-30 2019-10-30 Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern Pending DE102019129385A1 (de)

Priority Applications (7)

Application Number Priority Date Filing Date Title
DE102019129385.5A DE102019129385A1 (de) 2019-10-30 2019-10-30 Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern
US17/773,627 US20220383590A1 (en) 2019-10-30 2020-10-29 Method for the automated determination of characteristic curves and/or characteristic maps
AU2020372637A AU2020372637A1 (en) 2019-10-30 2020-10-29 Method for automatically ascertaining characteristic lines and/or characteristic fields
CN202080072968.9A CN114599882A (zh) 2019-10-30 2020-10-29 用于自动确定特性线和/或特性场的方法
PCT/EP2020/080421 WO2021084018A1 (de) 2019-10-30 2020-10-29 Verfahren zur automatisierten ermittlung von kennlinien und/oder kennfeldern
EP20800607.2A EP4052102A1 (de) 2019-10-30 2020-10-29 Verfahren zur automatisierten ermittlung von kennlinien und/oder kennfeldern
CA3159592A CA3159592A1 (en) 2019-10-30 2020-10-29 Method for the automated determination of characteristic curves and/or characteristic maps

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102019129385.5A DE102019129385A1 (de) 2019-10-30 2019-10-30 Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern

Publications (1)

Publication Number Publication Date
DE102019129385A1 true DE102019129385A1 (de) 2021-05-06

Family

ID=73043249

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019129385.5A Pending DE102019129385A1 (de) 2019-10-30 2019-10-30 Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern

Country Status (7)

Country Link
US (1) US20220383590A1 (de)
EP (1) EP4052102A1 (de)
CN (1) CN114599882A (de)
AU (1) AU2020372637A1 (de)
CA (1) CA3159592A1 (de)
DE (1) DE102019129385A1 (de)
WO (1) WO2021084018A1 (de)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010031451A1 (en) * 2000-03-10 2001-10-18 Soren Sander Method for interactively monitoring and changing the behavior, attitude or educational state of an individual, in particular an individual related to an organization
US6356842B1 (en) * 2000-04-18 2002-03-12 Carmel Systems, Llc Space weather prediction system and method
US20050120391A1 (en) * 2003-12-02 2005-06-02 Quadrock Communications, Inc. System and method for generation of interactive TV content
US8119358B2 (en) * 2005-10-11 2012-02-21 Tethys Bioscience, Inc. Diabetes-related biomarkers and methods of use thereof
CN106294463B (zh) * 2015-06-01 2020-02-21 阿里巴巴集团控股有限公司 一种动态曲线的数据点更新方法和设备

Also Published As

Publication number Publication date
EP4052102A1 (de) 2022-09-07
US20220383590A1 (en) 2022-12-01
AU2020372637A1 (en) 2022-05-26
CA3159592A1 (en) 2021-05-06
CN114599882A (zh) 2022-06-07
WO2021084018A1 (de) 2021-05-06

Similar Documents

Publication Publication Date Title
EP3876061B1 (de) Verfahren zur validierung und auswahl auf maschinellem lernen basierender modelle zur zustandsüberwachung einer maschine
EP3279756B1 (de) Diagnoseeinrichtung und verfahren zur überwachung des betriebs einer technischen anlage
CH709322B1 (de) System, Verfahren und Computer zur verbesserten automatisierten visuellen Inspektion eines physischen Guts.
EP3876060B1 (de) Verfahren und recheneinheit zur ursachenanalyse eines anomalen zustandes einer maschine
DE102019217613A1 (de) Verfahren zur diagnose eines motorzustands und diagnostisches modellierungsverfahren dafür
WO2016146528A1 (de) Verfahren zum erstellen eines modell-ensembles zur kalibrierung eines steuergerätes
EP3282399A1 (de) Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem
WO2022063702A1 (de) Qualitätskontrolle für in serie gefertigte produkte
EP3635680A1 (de) Computerimplementiertes verfahren und vorrichtung zum automatischen generieren von gekennzeichneten bilddaten und analysevorrichtung zum überprüfen eines bauteils
DE102011086352A1 (de) Verfahren und Diagnosesystem zur Unterstützung der geführten Fehlersuche in technischen Systemen
WO2018178196A1 (de) Verfahren zur bestimmung einer schädigungsmassunsicherheit eines kraftfahrzeugs
DE102020205131A1 (de) Verfahren und Vorrichtung zum Simulieren eines technischen Systems
DE102020200051A1 (de) Verfahren zum Bestimmen von Restnutzungszyklen, Restnutzungszyklusbestimmungsschaltung, Restnutzungszyklusbestimmungsvorrichtung
DE102019129385A1 (de) Verfahren zur automatisierten Ermittlung von Kennlinien und/oder Kennfeldern
DE102019208922A1 (de) Verfahren und Vorrichtung zum Kontrollieren eines Produktionsprozesses
DE102022117436A1 (de) Ausreißererkennungsverfahren zum Erkennen von Ausreißern in Messwerten einer Messgröße
EP3757698A1 (de) Verfahren und vorrichtung zur bewertung und auswahl von signal-vergleichsmetriken
EP3899863A1 (de) Computer-implementiertes verfahren zur analyse von messdaten aus einer messung eines objektes
DE102022200285B3 (de) Verfahren und Vorrichtung zum Bereitstellen eines datenbasierten Systemmodells und zum Überprüfen eines Trainingszustands des Systemmodells
EP4272042B1 (de) Ursachenanalyse einer anomalie auf basis von simulierten symptomen
AT522649A1 (de) Verfahren und System zur Bestimmung der einer Verbrennungskraftmaschine zugeführten Luftmenge
DE102020133654B3 (de) Computerimplementiertes Verfahren zur Modifizierung einer Komponente eines computergenerierten Modells eines Kraftfahrzeugs
DE102020119579A1 (de) Verfahren zum Zuordnen von Zuständen zu Bauteilen, Vorrichtung, Computerprogrammprodukt und computerlesbares Speichermedium
EP3688534A1 (de) Automatisiertes zuordnen von messdaten zur cloudbasierten überwachung mechanischer assets
EP4075223A1 (de) Ursachenanalyse bei anomalien beim betrieb einer technischen anlage

Legal Events

Date Code Title Description
R163 Identified publications notified