DE102019218626A1

DE102019218626A1 - Verfahren und Vorrichtung zum Überwachen einer Maschine

Info

Publication number: DE102019218626A1
Application number: DE102019218626.2A
Authority: DE
Inventors: Thomas Stiedl; Michael Herman
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2019-11-29
Filing date: 2019-11-29
Publication date: 2021-06-02

Abstract

Vorrichtung und Verfahren zum Überwachen einer Maschine (100), dadurch gekennzeichnet, dass in einer ersten Phase (602) Werte für eine Variable (x) bereitgestellt werden (602a), die einen Zustand (z) der Maschine (100) charakterisieren, und Werte einer Messgröße (y) bereitgestellt werden (602b), die eine Kenngröße der Maschine (100) charakterisiert, wobei ein Modell (200), insbesondere umfassend ein rekurrentes künstliches neuronales Netzwerk (502), für eine Vorhersage einer Degeneration (d) der Maschine (100) oder eines Teils der Maschine (100) abhängig von den Werten der Variablen (x) und den Werten der Messgröße (y) trainiert wird (602c), und wobei in einer zweiten Phase (604) Werte der Variable (x) bereitgestellt werden (604a), die Degeneration (d) abhängig vom so trainierten Modell (200), abhängig von den Werten der Variablen (x) und unabhängig von der Messgröße (y) vorhergesagt wird (604b), und ein Ergebnis der Überwachung abhängig von der so bestimmten Degeneration (d) ausgegeben wird (604c)

Description

Stand der Technik
Die Erfindung geht von einem Verfahren und einer Vorrichtung zur Überwachung einer Maschine aus. Häufig werden Maschinen zur Fertigung verschiedener Bauteile unter Verwendung verschiedener Werkzeuge verwendet. Hierbei können sowohl die Werkzeuge als auch die Maschine selbst degenerieren. Typischerweise haben diese Degenrationen verschiedene Auswirkungen.
Offenbarung der Erfindung
Die Erfindung betrifft eine Überwachung einer Maschine hinsichtlich einer Degeneration der Maschine oder eines Teils der Maschine. Teile der Maschine unterscheiden sich von Werkzeugen dadurch, dass es sich bei den Teilen der Maschine um konstruktive Elemente handelt, die Werkzeuge oder Bauteile tragen und die zur Bearbeitung eines Bauteils mit einem Werkzeug bewegt werden oder ein Werkzeug antreiben. Diese Teile werden auch als Achsen bezeichnet. Zur Überwachung wird eine Abhängigkeit der Degeneration von Bearbeitungsschritten, die die Maschine ausführt, modelliert. Verschiedene Bearbeitungsschritte führen beispielsweise zu unterschiedlichen Belastungen unterschiedlicher Achsen der Maschine bei unterschiedlichen Schritten der Bearbeitung. Bauteile, die aus verschiedenen Materialien bestehen, bewirken unterschiedliche Degeneration aufgrund unterschiedlicher Belastung der Achsen. Die Degeneration kann beispielsweise durch einen Austausch eines Teils der Maschine reduziert oder beseitigt werden.
Ein Verfahren zum Überwachen einer Maschine, sieht vor, dass in einer ersten Phase Werte für eine Variable bereitgestellt werden, die einen Zustand der Maschine charakterisiert, und Werte einer Messgröße bereitgestellt werden, die eine Kenngröße der Maschine charakterisiert, wobei ein probabilistisches graphisches Modell, insbesondere umfassend ein rekurrentes künstliches neuronales Netzwerk, für eine Vorhersage einer Degeneration der Maschine oder eines Teils der Maschine abhängig von den Werten der Variablen und den Werten der Messgröße trainiert wird, und wobei in einer zweiten Phase Werte der Variable bereitgestellt werden, die Degeneration abhängig vom so trainierten probabilistischen graphischen Modell, abhängig von den Werten der Variablen und unabhängig von der Messgröße vorhergesagt wird, und ein Ergebnis der Überwachung abhängig von der so bestimmten Degeneration ausgegeben wird. Dies ermöglicht eine besonders gute Schätzung der Degeneration unter Berücksichtigung einer Folge von Bearbeitungsschritten.
Die Variable charakterisiert vorzugsweise einen Befehl für eine Ansteuerung der Maschine und/oder einen Parameter für einen Befehl für eine Ansteuerung der Maschine. Dies verbessert die Schätzung zusätzlich.
Der Zustand ist durch wenigstens eine Position insbesondere einer Achse oder mehrerer Achsen der Maschine definiert. Diese Größe eignet sich besonders, um einzelne Achsen als Teile der Maschine einzeln zu überwachen.
Vorzugsweise charakterisiert die Messgröße eine Kenngröße, insbesondere eine Verteilung über eine Spannung, über Ströme, Geschwindigkeiten oder Beschleunigungen der einen Achse oder der mehreren Achsen der Maschine. Die Kenngrößen verbessern die Schätzung zusätzlich. Die Verteilungen über Spannung, über Ströme, Geschwindigkeiten oder Beschleunigungen sind für die Schätzung besonders einfach erfassbar.
Vorzugsweise wird in der ersten Phase eine Zustandsgröße bereitgestellt, die eine Erneuerung eines Teils der Maschine, insbesondere an einer oder mehreren Achsen charakterisiert, wobei das probabilistische graphische Modell für die Vorhersage der Degeneration der Maschine oder des Teils der Maschine abhängig von Werten der Zustandsgröße trainiert wird, und wobei die Zustandsgröße in der zweiten Phase bereitgestellt wird, wobei die Degeneration abhängig von der Zustandsgröße vorhergesagt wird. Damit können durchgeführte Wartungen zur Verbesserung der Schätzung einfach abgebildet werden.
Vorzugsweise wird in der ersten Phase eine Betriebsgröße bereitgestellt, die eine Materialeigenschaft eines von der Maschine zu fertigenden oder zu bearbeitenden Bauteils charakterisiert, wobei das probabilistische graphische Modell für die Vorhersage der Degeneration der Maschine oder des Teils der Maschine abhängig von Werten der Betriebsgröße trainiert wird, und wobei die Betriebsgröße in der zweiten Phase bereitgestellt wird, wobei die Degeneration abhängig von der Betriebsgröße vorhergesagt wird. Damit können Materialeigenschaften zur Verbesserung der Schätzung berücksichtigt werden
Bevorzugt identifiziert das Ergebnis der Überwachung entweder die Maschine in einer Prozesskette mit einer Vielzahl Maschinen für die die Degeneration einen Schwellwert überschreitet oder den Teil der Maschine, für den die Degeneration einen Schwellwert überschreitet. Damit ist das Verfahren in unterschiedlichen Szenarien mit angepasster Sensitivität flexibel einsetzbar.
Vorzugweise werden in der ersten Phase Werte einer Vielzahl von Variablen bereitgestellt, die die Zustände verschiedener Maschinen einer Prozesskette oder verschiedener Teile derselben Maschine charakterisieren, wobei das probabilistische graphische Modell trainiert wird, eine Degeneration für die Maschine oder für den Teil der Maschine abhängig von der Vielzahl von Variablen vorherzusagen. Damit kann ein zu wartender Teil der Maschine oder Prozesskette identifiziert werden.
In einem Aspekt wird abhängig von der Degeneration ein Befehl für die Maschine bestimmt, und die Maschine abhängig vom Befehl angesteuert.
Vorzugweise bildet ein erstes künstliches neuronales Netzwerk eine erste bedingte Wahrscheinlichkeit modelliert, und Werte der Variablen, Werte einer Betriebsgröße der Maschine und der Degeneration an einer Eingangsschicht des ersten künstlichen neuronalen Netzwerks, auf Werte der Messgröße an einer Ausgangsschicht des ersten künstlichen neuronalen Netzwerks ab, wobei ein zweites künstliches neuronales Netzwerk eine zweite bedingte Wahrscheinlichkeit modelliert, und Werte der Variablen, Werte der Betriebsgröße der Maschine, der Degeneration und einer Zustandsgröße, an einer Eingangsschicht des zweiten künstlichen neuronalen Netzwerks, auf Werte der Degeneration an einer Ausgangsschicht des zweiten künstlichen neuronalen Netzwerks abbildet, und wobei durch ein rekurrentes neuronales Netzwerk die Degeneration in einem Rechenschritt abhängig von einem Wert der Messgröße an der Ausgangsschicht des ersten künstlichen neuronalen Netzwerks im Rechenschritt und einem Wert der Degeneration an der Ausgangsschicht des zweiten künstlichen neuronalen Netzwerks im Rechenschritt bestimmt wird. Die erste bedingte Wahrscheinlichkeit modelliert die Auswirkungen einzelner Degenerationen, Betriebsgrößen und Prozessschritte auf die Messungen der Messgrößen. Die zweite bedingte Wahrscheinlichkeit beschreibt einen Übergang zur Degeneration für einen folgenden Rechenschritt abhängig von der Zustandsgröße für den Rechenschritt. Das rekurrente neuronale Netzwerk organisiert die Ausgaben der künstlichen neuronalen Netzwerke zur Bestimmung der Degeneration abhängig von der Historie aus dem Rechenschritt, d.h. unabhängig von früheren Ausgaben.
Eine Vorrichtung zur Überwachung der Maschine umfasst eine Recheneinrichtung, eine Ansteuereinrichtung zur Ansteuerung eines Aktuators der Maschine, eine Erfassungseinrichtung zur Erfassung von Daten eines Sensors, und einen Speicher für das probabilistische graphische Modell und für Instruktionen, bei deren Ausführung durch die Recheneinrichtung das Verfahren abläuft.
Weitere vorteilhafte Ausführungsformen ergeben sich aus der folgenden Beschreibung und der Zeichnung. In der Zeichnung zeigt:

1 eine schematische Darstellung einer Maschine,
2 ein probabilistisches graphisches Modell für die Maschine,
3 eine schematische Darstellung eines ersten künstlichen neuronalen Netzwerks,
4 eine schematische Darstellung eines zweiten künstlichen neuronalen Netzwerks,
5 eine schematische Darstellung eines rekurrenten neuronalen Netzwerks,
6 Schritte in einem Verfahren zur Überwachung der Maschine.

1 stellt schematisch Teile einer Maschine 100 dar.
Die Maschine 100 umfasst eine Steuereinrichtung 102, oder ist mit einer Steuereinrichtung 102 zur Ansteuerung der Maschine 100 verbindbar. Die Steuereinrichtung 102 umfasst eine Recheneinrichtung 104 und eine Ansteuereinrichtung 106. Die Ansteuereinrichtung 106 ist ausgebildet, die Maschine 100 oder Teile der Maschine 100 abhängig von dem im Folgenden beschriebenen Verfahren anzusteuern. Die Steuereinrichtung 102 umfasst eine Erfassungseinrichtung 108. Die Erfassungseinrichtung 108 ist ausgebildet, Daten von wenigstens einem Sensor 110 zu erfassen. Die Erfassungseinrichtung 108 kann ausgebildet sein, Daten zu erfassen, die von der Ansteuereinrichtung 106 zur Ansteuerung ausgegeben werden. Die Daten können digital erfasst werden. Die Erfassungseinrichtung 108 kann ausgebildet sein, analoge Signale von dem Sensor 110 oder der Ansteuereinrichtung 106 zu erfassen und in digitale Daten umzuwandeln.
Die Recheneinrichtung 104 ist ausgebildet, Daten von der Erfassungseinrichtung 108 zu empfangen und gemäß dem im Folgenden beschriebenen Verfahren zu verarbeiten. Die Recheneinrichtung 104 ist ausgebildet, Daten an die Ansteuereinrichtung 106 zu senden, um die Maschine 100 oder Teile der Maschine 100 gemäß dem im Folgenden beschriebenen Verfahren anzusteuern.
Das Verfahren dient der Überwachung der Maschine 100. Die Steuereinrichtung 102 umfasst eine Schnittstelle 112, die ausgebildet ist, ein Ergebnis der Überwachung auszugeben. Die Schnittstelle 112 kann eine Mensch-Maschine-Schnittstelle sein, auf der das Ergebnis in einer Bildschirmausgabe angegeben wird. Die Schnittstelle 112 kann eine Netzwerk-Kommunikationsschnittstelle sein, über die das Ergebnis der Überwachung gesendet wird.
In einem Speicher 114 sind im Beispiel computerlesbare Instruktionen gespeichert, die Recheneinrichtung 104 aus dem Speicher 114 lesen und ausführen kann, um das Verfahren auszuführen.
Eine Datenverbindung 116 verbindet die Recheneinrichtung 104 im Beispiel mit der Schnittstelle 112, dem Speicher 114, der Erfassungseinrichtung 108 und der Ansteuereinrichtung 106. Eine Sensordatenleitung 118 verbindet die Erfassungseinrichtung 108 im Beispiel mit dem Sensor 110. Eine Ansteuerleitung 120 verbindet im Beispiel die Ansteuereinrichtung 106 mit einem Aktuator 122 zur Ansteuerung der Maschine 100 oder eines Teils der Maschine 100.
Im Folgenden wird ein Beispiel beschrieben, in dem die Maschine 100 durch den Aktuator 122 in unterschiedlichen Zustände z der Maschine 100 bewegbar ist. Das Verfahren ist auf eine Vielzahl von Aktuatoren 122 anwendbar, die die Maschine 100 in eine Vielzahl unterschiedlicher Zustände z bewegen können.
Die Maschine 100 ist im Beispiel in einer oder mehreren Achsen beweglich. Beispielsweise ist die Maschine 100 eine Computerized Numerical Control Maschine, die im Folgenden als CNC Maschine bezeichnet wird. Eine CNC Maschine führt sequentielle unterschiedliche Befehle b aus. Für CNC Maschinen sind Achsen definiert, die durch die Befehle b ansteuerbar sind. Eine Achse bezeichnet im Beispiel einen durch Ansteuerung beispielsweise durch den Aktuator 122 beweglichen Teile der CNC Maschine. Ein bestimmter Befehl b definiert z.B. eine Bewegung der Maschine 100 an einer der Achsen. Der Befehl b kann zudem vorgeben, mit welcher Geschwindigkeit die Bewegung erfolgen soll. Unterschieden werden beispielsweise Bewegungen mit einer ersten Geschwindigkeit von Bewegungen mit demgegenüber schnellerer zweiten Geschwindigkeit, die beispielsweise in einem Eilgang ausgeführt werden. Dies wird durch Werte einer Geschwindigkeitsvariablen G definiert, die Beispielsweise für den Eilgang G=00 und anderenfalls G=01 ist. Eine Richtung der Bewegung ist implizit vorgegeben. Zum Beispiel wird durch den Unterschied zwischen einer momentanen Position einer Achse und einer durch den Befehl b vorgegebenen Position durch die Ansteuereinrichtung 106 entweder eine Vorschubbewegung in einer Richtung oder eine dieser Richtung entgegengesetzten Rückwärtsbewegung unterschieden. Bezugspunkt für die Bewegungen ist beispielsweise ein bezüglich der Maschine 100 fixes dreidimensionales kartesisches Koordinatensystem. Punkte im kartesischen Koordinatensystem definieren im Beispiel Positionen. Im Beispiel werden diese Positionen durch Werte für die Achsen X, Y, Z des kartesischen Koordinatensystems bezüglich des Ursprungs des kartesischen Koordinatensystems angegeben. Durch eine sequentielle Ausführung verschiedener Befehle b wird beispielsweise ein Bauteil 124 in einem Fertigungsprozess gefertigt oder bearbeitet. Die verschiedenen Befehle b können außer dem Anfahren bestimmter Positionen durch den Teil der Maschine 100 verschiedene Aufgaben für ein Werkzeug, wie z.B. das Drehen eines Bohrers mit einer gewissen Geschwindigkeit, vorgeben. Der Befehl b ist im Beispiel ein CNC Maschinen-Befehl.
Dem Befehl b kann ein Parameter p zugeordnet sein. Der Parameter p definiert einen Parameter des Befehls b. Der Parameter p ist beispielsweise ein Parameter des CNC Maschinen-Befehls. Die Ansteuereinrichtung 106 ist im Beispiel ausgebildet, die Maschine 100 mit dem CNC Maschinen-Befehl und sofern vorhanden mit dem Parameter des CNC Maschinen-Befehls anzusteuern.
Im Folgenden wird ein Beispiel beschrieben, in dem vom Sensor 110 Werte einer Messgröße y bereitgestellt wird. Eine Vielzahl Werte der Messgröße y werden beim Fertigungsprozess in Messungen bestimmt. Abhängig von der Vielzahl der Werte der Messgröße y wird im Beispiel eine Verteilung der Werte über den Fertigungsprozess bestimmt. Die Messgröße y kann eine zur Versorgung der Maschine 100 im Fertigungsprozess benötigte Spannung oder ein zur Versorgung der Maschine 100 im Fertigungsprozess benötigter Strom erfassen. Die Messgröße y kann eine Geschwindigkeit oder eine Beschleunigung einer der Achsen oder eines Werkzeugs erfassen. Die Messgröße y kann eine Spannung oder einen Strom erfassen, der für die Ansteuerung einer der Achsen oder des Werkzeugs im Fertigungsprozess benötigt wird.
Das Verfahren ist auch auf eine Vielzahl von Messgrößen anwendbar, die von einer Vielzahl Sensoren bereitgestellt werden. Bevorzugt wird eine Vielzahl Messungen durchgeführt, in der Werte für eine Vielzahl Messgrößen y für eine Vielzahl Achsen erfasst werden. Diese Messungen werden in einem Fertigungsprozess von den im Fertigungsprozess sequentiell ausgeführten Befehlen b, deren Parametern p und den sich daraus einstellenden Zuständen z beeinflusst. Das bedeutet, die Werte der Messgröße y ändern sich im Verlauf der Zeit. Andere Einflüsse auf die Messungen können von einer Betriebsgröße m stammen. Die Betriebsgröße m ist beispielsweise eine Angabe, die das Material des Bauteils 124 charakterisiert, das im Fertigungsprozess zu fertigen ist. Das Material kann beispielsweise Plastik oder Stahl sein. Beispielsweise werden diese Messungen durch Bohren in Plastik anders beeinflusst als durch Bohren in Stahl. Beispielsweise beansprucht das Bohren in hartes Material die Achsen stärker, als das Anfahren einer Position. Allgemein hat die Ausführung eines Prozessschrittes Einfluss auf die Degeneration d.
Ein weiterer Einfluss auf die Messungen resultiert aus einer Degeneration d. Die Degeneration d ist im Beispiel eine Degeneration d, die für jede der Achsen einzeln definiert ist. Eine Degeneration d ist eine Abweichung einer Eigenschaft der Achse von einem Sollwert für diese Eigenschaft. So kann die Degeneration d einer Achse für Gewindeschneiden dazu führen, dass diese Achse nicht mehr ganz rund läuft, z.B. aufgrund von erhöhter Reibung. Diese Degeneration d ist in einer Verteilung von Werten der Messgröße y über der Zeit ersichtlich. Im Beispiel reduziert sich durch die erhöhte Reibung eine Beschleunigung der Achse bei unverändertem Strom oder ein Strom, der zum Antrieb der Achse bei unveränderter Beschleunigung benötigt wird, nimmt zu.
Befehle b führen dazu, dass sich der Zustand z der Maschine 100 ändert. Ein Beispiel dafür ist ein Prozessschritt, in dem ein Befehl b an einer Achse der Maschine 100 ausgeführt wird, durch den sich eine veränderte Position der Achse einstellt, nachdem der Befehl b ausgeführt wurde.
Für diesen Befehl b kann ein Übergangsmodell vorgesehen sein, das diese Änderung beschreibt. Das Übergangsmodell kann entweder durch eine Zuordnung von einem Paar aus Position und Befehl zu einer neuen Position vorgegeben sein oder modelliert werden. Im Beispiel bedeutet der Befehl b = G=00, X=50, Y=50, Z=10 an der Achse, dass von dieser Achse im Eilgang die Position X=50, Y=50, Z=10 angefahren werden soll. Es wird erwartet, dass nach der Ansteuerung der Maschine 100 mit diesem Befehl b die Position X=50, Y=50, Z=10 erreicht wird. Durch Degeneration d der Achse oder eines anderen Teils der Maschine 100 kann eine tatsächlich erreichte Position von der erwarteten Position abweichen. Dadurch kann der tatsächliche Zustand der Maschine 100 von einem erwarteten Zustand der Maschine 100 abweichen.
Eine derartige Abweichung von erwartetem Zustand der Maschine 100 und tatsächlichem Zustand der Maschine 100 ist erkennbar. Sofern eine Degenration d die Ursache dafür ist, wird dies wie nachfolgend beschrieben ebenfalls erkannt.
Dazu wird das in 2 schematisch dargestellte probabilistische graphische Modell 200 eingesetzt. Eine Variable x charakterisiert im Beispiel den Befehl b für eine Ansteuerung der Maschine 100, den Parameter p für den Befehl b für eine Ansteuerung der Maschine 100 oder den Zustand z der Maschine 100. Die Variable x kann auch eine Kombination aus Befehl b und Parameter p, Befehl b und Zustand z, Parameter p und Zustand z oder eine Kombination aus Befehl b, Parameter p und Zustand z charakterisieren.
Im probabilistischen graphischen Modell 200 werden Befehl b, Parameter p und Zustand z in der Variablen x = [b, p, z] als Vektor zusammengefasst. Der Zustand z ist im Beispiel durch wenigstens eine Position insbesondere einer Achse, mehrerer der Achsen oder aller Achsen der Maschine definiert.
Die Messgröße y, die Betriebsgröße m und die Degeneration d werden als weitere Variablen betrachtet. Das probabilistische graphische Modell 200 beschreibt eine gegenseitige Beeinflussung dieser Variablen. Das probabilistische graphische Modell 200 ermöglicht es, Rückschlüsse über die Degradation d zu ziehen.
Eine Degeneration d kann im Beispiel einen Wert zwischen 0 und 1 annehmen, der den Grad der Degeneration d einer Achse beschreibt. d = 0 bedeutet die Achse ist neu oder neuwertig, d.h. nicht degeneriert gegenüber einem Sollzustand der Achse. Eine zunehmende Degeneration d wird durch von 0 ansteigende Werte der Degeneration d beschrieben. Für mehrere Achsen ist die Degeneration d beispielsweise als Vektor definiert, der für jede der Achsen ein Element umfasst.
Die im Beispiel beschriebene Überwachung der Maschine 100 basiert auf dem probabilistischen graphischen Modell 200 für die Maschine 100. Das probabilistische graphische Modell 200 formalisiert, wie unterschiedliche Variablen x und Messgrößen y einer CNC-Maschine voneinander abhängen. Dadurch ist eine Schätzung der aktuellen Degeneration d, eine Prädiktion der Degeneration d sowie zukünftiger Messungen unter Berücksichtigung zukünftiger Fertigungsschritte, eine Planung von Strategien, die die Degeneration d reduzieren sollen und eine Schätzung eines gegenseitigen Einflusses der Degeneration d verschiedener Achsen möglich.
Das in 2 dargestellte probabilistische graphische Modell 200 stellt die für die Überwachung der Maschine 100 auszuwertenden Abhängigkeiten als Pfeile dar. Mit durchgezogener Linie dargestellte Pfeile beschreiben die Abhängigkeiten, die sich anhand des Übergangsmodells definieren lassen. Im Beispiel ist ein erstes Übergangsmodell durch ein physikalisches Modell f der in der CNC Maschine vorhandenen Komponenten definiert.
Beispielsweise ist in einem bestimmten Zustand z_i nach einem Eilgang der Maschine 100 an eine durch einen Befehl b_i vorgegebene Position ein Folgezustand gegeben durch z_i+1 = f(z_i, b_i, p_i)). Mit i wird der Index des Berechnungsschritts bezeichnet in dem der Zustand z_i erfasst und der Befehl b_i und der Parameter p_i bestimmt werden.
Das probabilistische graphische Modell 200 stellt auch Abhängigkeiten zu einer Zustandsgröße e dar. Ein Wert der Zustandsgröße e = 1 bezeichnet eine Reparatur oder Instandsetzung der Maschine 100 oder eines Teils der Maschine 100, so dass davon ausgegangen werden kann, dass nach der Reparatur oder Instandsetzung keine Degeneration d für das erneuerte Teil oder die Maschine 100 besteht. Die Degeneration d einer Achse wird im Beispiel zurücksetzt auf den Wert 0, wenn die Zustandsgröße e = 1. Die Degeneration d nimmt andernfalls beispielsweise abhängig von Betriebsgröße m, Befehl b, Parameter p und/oder Zustand z in zu. Im Beispiel wir dies durch die Abhängigkeit der Degeneration d von der Betriebsgröße m und der Variablen x = [b, p, z] modelliert.
Anderen Abhängigkeiten können durch eine Approximation beschrieben werden.
Als Modell können neuronale Netze eingesetzt werden. Mit diesen ist es einfach zu modellieren, wie Betriebsgröße m und Prozessschritt x auf die Degeneration d einwirken.
In 2 wird als gepunktete Pfeile eine erste bedingte Wahrscheinlichkeit p_i,(y_i |x_i, m_i, d_i) dargestellt. Damit sind die Auswirkungen einzelner Degenerationen d, Betriebsgrößen m und Prozessschritte x auf die Messungen der Messgrößen y einfach zu modellieren.
Im Beispiel wird ein Wert der Degeneration d_i im Rechenschritt i abhängig vom Status der Erneuerung, d.h. einem Wert der Zustandsgröße e_i, von einem Wert der Betriebsgröße m_i und der Variable x_i in diesem Rechenschritt i beeinflusst. Über diese Beeinflussung sind typischerweise gewisse Informationen vorhanden. Beispielsweise wird eine zweite bedingte Wahrscheinlichkeit p_i,(d_i+1|d_i, m_i, x_i, e_i) für den Wert der Degeneration d_i+1 im Rechenschritt i+1 definiert.
Wenn gewisse Achsen nur bei bestimmten Befehlen b mit gewissen Parametern p beansprucht werden, wird dies als Unabhängigkeit modelliert. Das bedeutet, der jeweilige Befehl b_i hat keine Auswirkung auf die Degeneration d_i.
Da sich die Degeneration d im Betrieb nur verschlechtern kann, wird im Beispiel als Bedingung formuliert, dass d_i+1 > d_i sowie d_i ≤ 1 und do = 0 sein muss.
Derartige bedingte Wahrscheinlichkeiten für die Degeneration in den Rechenschritten i, i+1, i+2, i+3 und i+4 sind als gestrichelte Pfeile dargestellt.
Dies wird im Folgenden für einen ersten Rechenschritt i und daran anschließende Rechenschritte i+1, i+2, i+3 und i+4 beschrieben.
Im Beispiel beschreibt ein zweites Übergangsmodell im Rechenschritt i eine Degeneration d_i abhängig von der Zustandsgröße e_i für diesen Rechenschritt i. Werte einer Messgröße y_i in diesem Rechenschritt i werden abhängig von der Degeneration d_i, einer Betriebsgröße m_i und dem Wert der Variablen x_i im Rechenschritt i durch die erste bedingte Wahrscheinlichkeit p_i,ϕ(y_i |x_i,m_i,d_i) modelliert.
Das zweite Übergangsmodell ist im Beispiel durch die folgende Formel beschrieben: d_i = e_i; mit e_i = 0, wenn die Degeneration im Rechenschritt i beseitigt wird und e_i = 1 sonst.
Die erste bedingte Wahrscheinlichkeit p_i,ϕ(y_i |x_i, m_i, d_i) ist im Beispiel durch ein in 3 schematisch dargestelltes erstes künstliches neuronales Netzwerk 302 definiert, das Werte der Variablen x_i, m_i, d_i, welche an einer Eingangsschicht 304 des ersten künstlichen neuronalen Netzwerks 302 anliegen, auf Werte der Variablen y_i an einer Ausgangsschicht 306 des ersten künstlichen neuronalen Netzwerks 302 abbildet.
Im Beispiel beschreibt ein drittes Übergangsmodell einen Übergang der Variablen x_i vom Rechenschritt i zu einer Variablen x_i+1 im Rechenschritt i+1.
Das dritte Übergangsmodell ist im Beispiel durch die folgende Wahrscheinlichkeit beschrieben: x_i+1 = p_i(x_i+1| x_i). Eine physikalische Modellierung beispielsweise mit Bewegungsgleichungen der CNC Maschine ist ebenfalls möglich.
Die zweite bedingte Wahrscheinlichkeit p_i,θ (d_i+1|d_i,m_i,x_i, e_i+1) beschreibt einen Übergang zur Degeneration d_i+1 für den Rechenschritt i+1 abhängig von der Zustandsgröße e_i+1 für den Rechenschritt i+1. Die zweite bedingte Wahrscheinlichkeit p_i,θ (d_i+1|d_i,m_i,x_i,e_i+1) wird im Beispiel durch ein in 4 dargestelltes zweites künstliches neuronales Netzwerk 402 definiert, das Werte der Variablen d_i, m_i, x_i, e_i+1, welche an einer Eingangsschicht 404 des zweiten künstlichen neuronalen Netzwerks 402 anliegen, auf Werte der Variablen d_i+1 an einer Ausgangsschicht 406 des zweiten künstlichen neuronalen Netzwerks 402 abbildet.
Für die weiteren Rechenschritte i+2, i+3, i+4 wird ausgehend vom Rechenschritt i+1 erneut mit den Übergangsmodellen und dem ersten und zweiten künstlichen neuronalen Netzwerk gerechnet, wobei die Ausgangsgrößen eines Rechenschritts die Eingangsgrößen für den darauf unmittelbar folgenden Rechenschritt bilden.
Im probabilistischen graphischen Modell 200 können die Variable x, die Betriebsgrößen m, die Messgrößen y und die Zustandsgröße e für die Erneuerung in dafür hinterlegten Variablen observiert werden, da diese entweder als Eingabeparameter vorliegen oder über Messungen der Messgröße y verfügbar sind. Die einzige nicht observierbare Variable ist die Degeneration d der Achse oder der Achsen.
Das probabilistische graphische Modell 200 stellt mit den bedingen Wahrscheinlichkeiten p_θ, p_ϕ, den Bedingungen und den Übergangsmodellen ein generatives Modell für die Degeneration d dar.
In einem Training werden das erste künstliche neuronale Netzwerk 302 und das zweite künstliche neuronale Netzwerk 402 mit dem folgenden Ziel trainiert: $e r g m a x_{θ,ϕ} l o g p_{θ,ϕ} (y_{0 : I} | x_{0 : I}, m_{0 : I}, e_{0 : I})$
wobei $\begin{array}{l} p_{θ,ϕ} (y_{0 : I} | x_{0 : I}, m_{0 : I}, e_{0 : I}) \\ = p_{ϕ} (y_{0} | x_{0}, m_{0}, e_{0}) \prod_{i} p_{i, θ} (d_{i + 1} | d_{i}, m_{i}, x_{i}, e_{i + 1}) p_{i, ϕ} (y_{i} | x_{i}, m_{i}, d_{i}) p (x_{i + 1} | x_{i}) \end{array}$
wobei der Index 0:I eine Sequenz von Zufallsvariablen beschreibt.
Im Beispiel wird zudem angenommen, dass die bedingte Wahrscheinlichkeit p_i,θ(d_i+1ld_i,m_i,x_i,e_i+1) die Bedingungen an die Degeneration erfüllt, d.h. dass d_i+1 > d_i sowie d_i ≤ 1 und d₀ = 0.
Dieses generative Modell ist sehr komplex und besteht aus hochgradig nichtlinearen Funktionen. Daher ist eine exakte Inferenz über die Degeneration d nicht möglich.
Wenn die Degeneration d zurückgesetzt wird kann vorgesehen sein, eine bedingte Wahrscheinlichkeit für die Degeneration p(d_0:I|y_0:I,x_0:I,m_0:I, e_o:I) zu verwenden, die für e = 1 exakt bestimmbar ist.
Vorzugsweise wird eine approximative Inferenzmethode verwendet, die eine Bestimmung der bedingte Wahrscheinlichkeit für die Degeneration p(d_0:Ily_0:I, x_0:I, m_0:I, e_o:I) auch in anderen Fällen ermöglichen.
Beispielsweise wird die bedingte Wahrscheinlichkeit für die Degeneration p(d_0:Ily_0:I,x_0:I,m_0:I,e_0:I) durch ein Modell q_w(p(d_0:Ily_0:I,x_0:I,m_0:I,e_0:I) angenähert, das mit einer Variational Inference Methode angepasst wird. Im Beispiel wird ein in 5 schematisch dargestelltes rekurrentes neuronales Netzwerk 502 verwendet, das zur Inferenz nur die zu einem bestimmten Rechenschritt i verfügbare Historie vorangegangener Rechenschritt i des ersten künstlichen neuronalen Netzwerks 302 und des zweiten künstlichen neuronalen Netzwerks 402 nutzt.
Für spezielle latente Dynamiken p_i,θ (d_i+1|d_i, m_i, x_i, e_i) ist der Inferenz-Ansatz aus „Composing graphical models with neural networks for structured representations and fast inference“ (Duvenaud et al. https://arxiv.org/abs/1603.06277) verwendbar.
Zum Training des Modells q_w(d_0:Ily_0:I,x_0:I,m_0:I,e_0:I) für bedingte Wahrscheinlichkeit für die Degeneration p(d_0:I ly_0:I, x_0:I, m_0:I, e_o:I) wird im Beispiel mit dem oben genannten Ziel, d.h. dem Ziel eine Log-Likelihood bezüglich der Parameter θ, ϕ des generativen Modells zu optimieren, trainiert.
Im Training wird vorzugsweise ein Variational-Inference basiertes Trainingsverfahren verwendet. Damit kann das Training des zur Inferenz benötigten approximativen Modells q_W(d_0:I ly_0:I, x_0:I m_0:I, e_0:I), im Beispiel des rekurrenten neuronalen Netzwerks 502 mit dem Training des ersten künstlichen neuronalen Netzwerks 302 und des zweiten künstlichen neuronalen Netzwerks 402 zusammen durchgeführt werden.
Das Ziel ist in diesem Fall beispielsweise die wie folgt definierte Log-Likelihood: $\begin{array}{l} l o g p_{θ,ϕ} (y_{0 : I} | x_{0 : I}, m_{0 : I}, e_{0 : I}) \\ \geq E_{q w (d_{0 : I} | y_{0 : I}, x_{0 : I}, m_{0 : I}, e_{0 : I})} [l o g p_{θ,ϕ} (y_{0 : I} | x_{0 : I}, m_{0 : I}, e_{0 : I})] \\ - D_{K L} (q_{w} (d_{0 : I} | y_{0 : I}, x_{0 : I}, m_{0 : I}, e_{0 : I}) | | p (d_{0 : I} | y_{0 : I}, x_{0 : I}, m_{0 : I}, e_{0 : I})) \end{array}$
wobei DKL eine Kullback-Leibler-Divergenz ist, die ein Maß für die Unterschiedlichkeit der zwei Wahrscheinlichkeitsverteilungen q_w(d_0:I |y_0:I, x_0:I, m_0:I, e_0:I) und p(d_0:I|y_0:I, x_0:I, m_0:I, e_0:I) angibt.
Bevorzugt wird eine untere Schranke der Log-Likelihood bestimmt, die aus zwei Termen besteht: einem Rekonstruktionsterm und einem Term, der den Unterschied zwischen Prior-Verteilung über die latenten Variablen und der Inferenz misst. In diesem Fall wird diese untere Schranke maximiert um die Log-Likelihood des generativen Modells unter den Daten zu maximieren. Dabei wird gleichzeitig auch ein zum generativen Modell passendes Inferenzmodell gelernt.
Sowohl das generative Modell als auch das Inferenzmodell können für die Überwachung der Maschine verwendet werden.
Ein Verfahren zum Überwachen einer Maschine wird im Folgenden anhand der 6 beschrieben.
In einer ersten Phase 602 werden in einem Schritt 602a Werte für die Variable x bereitgestellt, die den Zustand z der Maschine 100 charakterisiert. Der Zustand z ist durch wenigstens eine Position insbesondere einer oder mehrerer Achsen der Maschine 100 definiert. Die Variable x umfasst im Beispiel auch den Befehl b für die Ansteuerung der Maschine 100. Die Variable x kann den Parameter p für den Befehl b für die Ansteuerung der Maschine 100 umfassen.
In der ersten Phase 602 werden in einem Schritt 602b Werte der Messgröße y bereitgestellt, die die Kenngröße der Maschine 100 charakterisiert. Die Messgröße y misst im Beispiel eine Kenngröße, insbesondere eine Verteilung über eine Spannung, über Ströme, Geschwindigkeiten oder Beschleunigungen der einen oder mehreren Achsen der Maschine 100. Die Messgröße y gibt beispielsweise einen zeitlichen Verlauf des Stroms zum Aktuator 122 wieder, der beim Bewegen des Aktuators 122 fließt. Eine Verteilung des Stroms, der bei einer Bewegung von einer Position in eine andere Position fließt korreliert daher mit einem Befehl b, der diese Bewegung vorgibt.
In der ersten Phase 602 wird das probabilistische graphische Modell 200 in einem Schritt 602c trainiert. Im Beispiel wird das rekurrente künstliche neuronale Netzwerk 502 für die Vorhersage einer Degeneration d der Maschine 100 oder des Teils der Maschine 100 abhängig von den Werten der Variablen x und den Werten der Messgröße y trainiert.
Für das Training werden im Beispiel die observierbaren Variablen im Betrieb der Maschine erfasst. In einem Berechnungsschritt i werden Werte der observierbaren Variablen aus dem Berechnungsschritt i mit Werten verglichen, die für diese Variablen für den Berechnungsschritt i vom Modell vorhergesagt werden. Die Vorhersage für den Berechnungsschritt i kann auf Werten basieren, die in einem dem Berechnungsschritt i insbesondere unmittelbar vorhergehenden Berechnungsschritt erfasst wurden. Die Vorhersage für den Berechnungsschritt i kann auf Werten basieren, die in einem dem Berechnungsschritt i insbesondere unmittelbar vorhergehenden Berechnungsschritt vorhergesagt wurden.
Anschließend werden Parameter des probabilistischen graphischen Modells 200 abhängig von der Abweichung der Vorhersage von den Messgrößen y angepasst. Beispielsweise wird für das rekurrente künstliche neuronale Netzwerk 502 ein Gradientenabstiegsverfahren angewendet.
Die Schritt 602a, 602b, 602c werden im Beispiel in einer Vielzahl Berechnungsschritte i, i+1, i+2, ... wiederholt, bis beispielsweise eine Trainingszeit vorüber ist, oder ein Gütemaß für das Training erfüllt ist.
In einer auf die erste Phase 602 folgenden zweiten Phase 604 werden Werte der Variable x in einem Schritt 604a bereitgestellt.
In der zweiten Phase wird die Degeneration d in einem Schritt 604b abhängig vom in der ersten Phase trainierten probabilistischen graphischen Modell 200, abhängig von den Werten der Variablen x aus der zweiten Phase und unabhängig von der Messgröße y vorhergesagt.
Anschließend wird in einem Schritt 604c ein Ergebnis der Überwachung abhängig von der so bestimmten Degeneration d ausgegeben. Das Ergebnis der Überwachung identifiziert im Beispiel den Teil der Maschine 100, für den die Degeneration d einen Schwellwert überschreitet. Der Schwellwert ist beispielsweise 0,75 oder 1.
In einem Aspekt ist wird als Ergebnis abhängig von der Degeneration d ein Befehl b für die Maschine 100 bestimmt und zur Ansteuerung der Maschine 100 ausgegeben. Dadurch wird im Beispiel die Strategie zur Reduzierung der Degeneration d für den Teil der Maschine 100 bestimmt und umgesetzt. Beispielsweise wird dazu ein anderer Teil der Maschine 100 statt des degenerierten Teils verwendet, bis die Wartung durchgeführt ist.
Die Schritt 604a, 604b, 604c werden im Beispiel im Betrieb der Maschine 100 wiederholt ausgeführt.
In der ersten Phase 602 können auch Werte einer Vielzahl von Variablen x bereitgestellt werden, die die Zustände z, Befehle b und/oder Parameter p verschiedener Maschinen 100 einer Prozesskette mit einer Vielzahl Maschinen oder verschiedener Teile derselben Maschine 100 charakterisieren.
Das probabilistische graphische Modell 200 wird in diesem Aspekt trainiert, eine Degeneration d für die Maschine 100 oder für den Teil der Maschine 100 abhängig von der Vielzahl von Variablen x vorherzusagen.
In diesem Fall wird als Ergebnis beispielsweise die Maschine 100 in der Prozesskette identifiziert für die die Degeneration d den Schwellwert überschreitet.
Es kann vorgesehen sein, in der ersten Phase 602 die Zustandsgröße e bereitzustellen, die angibt, ob eine Erneuerung des Teils der Maschine 100 erfolgt oder nicht. Das probabilistisches graphisches Modell 200 wird in diesem Fall für die Vorhersage der Degeneration d der Maschine 100 oder des Teils der Maschine 100 abhängig von Werten der Zustandsgröße e trainiert.
Die Zustandsgröße e wird in diesem Fall in der zweiten Phase 604 bereitgestellt und die Degeneration d abhängig von der Zustandsgröße e vorhergesagt.
In der ersten Phase 602 kann die Betriebsgröße m bereitgestellt werden, die die Materialeigenschaft des von der Maschine 100 zu fertigenden oder zu bearbeitenden Bauteils charakterisiert.
Das probabilistisches graphisches Modell 200 wird in diesem Fall für die Vorhersage der Degeneration d der Maschine 100 oder des Teils der Maschine 100 abhängig von Werten der Betriebsgröße m trainiert.
In diesem Fall wird die Betriebsgröße m in der zweiten Phase bereitgestellt und die Degeneration d abhängig von der Betriebsgröße m vorhergesagt.
Für eine Inferenz wird mit dem ersten künstlichen neuronalen Netzwerk 302 die erste bedingte Wahrscheinlichkeit p_i,ϕ(y_i |x_i, m_i, d_i) modelliert und Werte der Variablen x, Werte der Betriebsgröße m der Maschine 100 und der Degeneration d an der Eingangsschicht 304 des ersten künstlichen neuronalen Netzwerks 302, auf Werte der Messgröße y an einer Ausgangsschicht 306 des ersten künstlichen neuronalen Netzwerks 302 abgebildet.
Für die Inferenz wird mit dem zweiten künstlichen neuronalen Netzwerk 402 die zweite bedingte Wahrscheinlichkeit p_i,θ (d_i+1 |d_i, m_i, x_i, e_i+1) modelliert, und Werte der Variablen x, Werte der Betriebsgröße m der Maschine 100, der Degeneration d und der Zustandsgröße e, an der Eingangsschicht 404 des zweiten künstlichen neuronalen Netzwerks 402 auf Werte der Degeneration d an der Ausgangsschicht 406 des zweiten künstlichen neuronalen Netzwerks 402 abbildet.
Für die Inferenz wird mit dem rekurrenten neuronalen Netzwerk 502 die Degeneration d in einem Rechenschritt i abhängig von einem Wert der Messgröße y an der Ausgangsschicht 306 des ersten künstlichen neuronalen Netzwerks 302 im Rechenschritt i und einem Wert der Degeneration d an der Ausgangsschicht 406 des zweiten künstlichen neuronalen Netzwerks 402 im Rechenschritt i bestimmt.
Das Training des zur Inferenz benötigten approximativen Modells q_w(d_0:Ily_0:I,x_0:I,m_0:I,e_0:I) d.h. des rekurrenten neuronalen Netzwerks 502 wird mit dem Training des ersten künstlichen neuronalen Netzwerks 302 und des zweiten künstlichen neuronalen Netzwerks 308 402 zusammen durchgeführt. Das erste künstliche neuronale Netzwerk 302 und das zweite künstliche neuronale Netzwerk 402 sind generative Modelle, das in einem Rechenschritt i die Werte für die Degeneration d und den Messwert y bestimmt. Die Degeneration d kann auch zurückgesetzt werden, z.B. durch Reparatur. Zur Inferenz der nicht beobachtbaren Degeneration d wird daher insgesamt das rekurrente neuronales Netzwerk 502 verwendet, das die Ausgangsgrößen des ersten künstlichen neuronalen Netzwerks 302 und des zweiten künstlichen neuronalen Netzwerks 402 zur Vorhersage der Degeneration d verwendet.

Claims

Verfahren zum Überwachen einer Maschine (100), dadurch gekennzeichnet, dass in einer ersten Phase (602) Werte für eine Variable (x) bereitgestellt werden (602a), die einen Zustand (z) der Maschine (100) charakterisiert, und Werte einer Messgröße (y) bereitgestellt werden (602b), die eine Kenngröße der Maschine (100) charakterisiert, wobei ein Modell (200), insbesondere umfassend ein rekurrentes künstliches neuronales Netzwerk (502), für eine Vorhersage einer Degeneration (d) der Maschine (100) oder eines Teils der Maschine (100) abhängig von den Werten der Variablen (x) und den Werten der Messgröße (y) trainiert wird (602c), und wobei in einer zweiten Phase (604) Werte der Variable (x) bereitgestellt werden (604a), die Degeneration (d) abhängig vom so trainierten Modell (200), abhängig von den Werten der Variablen (x) und unabhängig von der Messgröße (y) vorhergesagt wird (604b), und ein Ergebnis der Überwachung abhängig von der so bestimmten Degeneration (d) ausgegeben wird (604c).
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Variable (x) einen Befehl (b) für eine Ansteuerung der Maschine (100) und/oder einen Parameter (p) für einen Befehl (b) für eine Ansteuerung der Maschine (100) charakterisiert.
Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass der Zustand (z) durch wenigstens eine Position insbesondere einer Achse oder mehrerer Achsen der Maschine (100) definiert ist.
Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass die Messgröße (y) eine Kenngröße, insbesondere eine Verteilung über eine Spannung, über Ströme, Geschwindigkeiten oder Beschleunigungen der einen Achse oder der mehreren Achsen der Maschine (100) charakterisiert.
Verfahren einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass in der ersten Phase eine Zustandsgröße (e) bereitgestellt wird, die eine Erneuerung eines Teils der Maschine (100), insbesondere an einer oder mehreren Achsen charakterisiert, wobei das Modell (200) für die Vorhersage der Degeneration (d) der Maschine (100) oder des Teils der Maschine (100) abhängig von Werten der Zustandsgröße (e) trainiert wird, und wobei die Zustandsgröße (e) in der zweiten Phase bereitgestellt wird, wobei die Degeneration (d) abhängig von der Zustandsgröße (e) vorhergesagt wird.
Verfahren einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass in der ersten Phase eine Betriebsgröße (m) bereitgestellt wird, die eine Materialeigenschaft eines von der Maschine (100) zu fertigenden oder zu bearbeitenden Bauteils charakterisiert, wobei das Modell (200) für die Vorhersage der Degeneration (d) der Maschine (100) oder des Teils der Maschine (100) abhängig von Werten der Betriebsgröße (m) trainiert wird, und wobei die Betriebsgröße (m) in der zweiten Phase bereitgestellt wird, wobei die Degeneration (d) abhängig von der Betriebsgröße (m) vorhergesagt wird.
Verfahren einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass das Ergebnis der Überwachung entweder die Maschine (100) in einer Prozesskette mit einer Vielzahl Maschinen identifiziert für die die Degeneration (d) einen Schwellwert überschreitet oder den Teil der Maschine (100) identifiziert, für den die Degeneration (d) einen Schwellwert überschreitet.
Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass in der ersten Phase Werte einer Vielzahl von Variablen (x) bereitgestellt werden, die die Zustände (z) verschiedener Maschinen (100) einer Prozesskette oder verschiedener Teile derselben Maschine (100) charakterisieren, wobei das Modell (200) trainiert wird, eine Degeneration (d) für die Maschine (100) oder für den Teil der Maschine (100) abhängig von der Vielzahl von Variablen (x) vorherzusagen.
Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass abhängig von der Degeneration (d) ein Befehl (b) für die Maschine (100) bestimmt wird, und die Maschine abhängig vom Befehl (b) angesteuert wird.
Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass ein erstes künstliches neuronales Netzwerk (302) eine erste bedingte Wahrscheinlichkeit modelliert, und Werte der Variablen (x), Werte einer Betriebsgröße (m) der Maschine (100) und der Degeneration (d) an einer Eingangsschicht (304) des ersten künstlichen neuronalen Netzwerks (302), auf Werte der Messgröße (y) an einer Ausgangsschicht (306) des ersten künstlichen neuronalen Netzwerks (302) abbildet, wobei ein zweites künstliches neuronales Netzwerk (402) eine zweite bedingte Wahrscheinlichkeit modelliert, und Werte der Variablen (x), Werte der Betriebsgröße (m) der Maschine (100), der Degeneration (d) und einer Zustandsgröße (e), an einer Eingangsschicht (404) des zweiten künstlichen neuronalen Netzwerks (402), auf Werte der Degeneration (d) an einer Ausgangsschicht (406) des zweiten künstlichen neuronalen Netzwerks (402) abbildet, und wobei durch ein rekurrentes neuronales Netzwerk (502) die Degeneration (d) in einem Rechenschritt (i) abhängig von einem Wert der Messgröße (y) an der Ausgangsschicht (306) des ersten künstlichen neuronalen Netzwerks (302) im Rechenschritt (i) und einem Wert der Degeneration (d) an der Ausgangsschicht (406) des zweiten künstlichen neuronalen Netzwerks (402) im Rechenschritt (i) bestimmt wird.
Vorrichtung zur Überwachung einer Maschine (100), dadurch gekennzeichnet, dass die Vorrichtung eine Recheneinrichtung (104), eine Ansteuereinrichtung (106) zur Ansteuerung eines Aktuators (122) der Maschine (100), eine Erfassungseinrichtung (108) zur Erfassung von Daten eines Sensors (110), und einen Speicher (114) für ein Modell (200) und für Instruktionen umfasst, bei deren Ausführung durch die Recheneinrichtung (104) das Verfahren nach einem der Ansprüche 1 bis 10 abläuft.
Computerprogramm, dadurch gekennzeichnet, dass das Computerprogramm computerlesbare Instruktionen umfasst, bei deren Ausführen auf einem Computer ein Verfahren nach einem der Ansprüche 1 bis 10 abläuft.
Computerprogrammprodukt, gekennzeichnet durch ein maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 12 gespeichert ist.