DE102020111674A1 - Behälterbehandlungsmaschine und Verfahren zum Überwachen des Betriebs einer Behälterbehandlungsmaschine - Google Patents

Behälterbehandlungsmaschine und Verfahren zum Überwachen des Betriebs einer Behälterbehandlungsmaschine Download PDF

Info

Publication number
DE102020111674A1
DE102020111674A1 DE102020111674.8A DE102020111674A DE102020111674A1 DE 102020111674 A1 DE102020111674 A1 DE 102020111674A1 DE 102020111674 A DE102020111674 A DE 102020111674A DE 102020111674 A1 DE102020111674 A1 DE 102020111674A1
Authority
DE
Germany
Prior art keywords
container
machine
container treatment
neural network
control unit
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
DE102020111674.8A
Other languages
English (en)
Inventor
Alexander Hewicker
Herbert Kolb
Anton Niedermeier
Stefan Piana
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.)
Krones AG
Original Assignee
Krones AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Krones AG filed Critical Krones AG
Priority to DE102020111674.8A priority Critical patent/DE102020111674A1/de
Priority to CN202180031274.5A priority patent/CN115605813A/zh
Priority to PCT/EP2021/060621 priority patent/WO2021219499A1/de
Priority to EP21722388.2A priority patent/EP4143642A1/de
Priority to US17/997,350 priority patent/US20230266752A1/en
Publication of DE102020111674A1 publication Critical patent/DE102020111674A1/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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
    • B65B57/00—Automatic control, checking, warning, or safety devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B67—OPENING, CLOSING OR CLEANING BOTTLES, JARS OR SIMILAR CONTAINERS; LIQUID HANDLING
    • B67C—CLEANING, FILLING WITH LIQUIDS OR SEMILIQUIDS, OR EMPTYING, OF BOTTLES, JARS, CANS, CASKS, BARRELS, OR SIMILAR CONTAINERS, NOT OTHERWISE PROVIDED FOR; FUNNELS
    • B67C3/00—Bottling liquids or semiliquids; Filling jars or cans with liquids or semiliquids using bottling or like apparatus; Filling casks or barrels with liquids or semiliquids
    • B67C3/007—Applications of control, warning or safety devices in filling machinery
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • G05B2219/34477—Fault prediction, analyzing signal trends
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45048—Packaging
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Mechanical Engineering (AREA)
  • Filling Of Jars Or Cans And Processes For Cleaning And Sealing Jars (AREA)

Abstract

Behälterbehandlungsmaschine (100) zum Behandeln von Behältern, wie beispielsweise Flaschen, Dosen oder dergleichen, insbesondere in der getränkeverarbeitenden Industrie, der Medizintechnik oder der Kosmetikindustrie, wobei die Behälterbehandlungsmaschine eine Steuereinheit (130) zur Steuerung der Funktion der Behälterbehandlungsmaschine (100) und wenigstens eine Behandlungseinheit (102-105) zum Behandeln der Behälter umfasst, wobei die Behälterbehandlungsmaschine zum Behandeln der Behälter auf genau eine Art ausgebildet ist, wobei die Behälterbehandlungsmaschine wenigstens eine Komponente (131-137) umfasst, die Daten bezüglich ihres Betriebszustands und/oder des Betriebszustands der Behälterbehandlungsmaschine (100) an die Steuereinheit (130) ausgeben kann und wobei die Steuereinheit ein neuronales Netz (253) umfasst, das ausgebildet und trainiert ist, anhand der Daten festzustellen, ob eine Abweichung des Betriebszustands der Behälterbehandlungsmaschine (100) von einem Normal-Zustand vorliegt und/oder bevorsteht.

Description

  • Die vorliegende Erfindung betrifft eine Behälterbehandlungsmaschine gemäß Anspruch 1 sowie ein Verfahren zum Überwachen des Betriebs einer Behälterbehandlungsmaschine gemäß Anspruch 8.
  • Stand der Technik
  • Behälterbehandlungsmaschinen zum Behandeln von Behältern sind aus dem Stand der Technik hinreichend bekannt. Dabei ist es insbesondere bekannt, die Behälterbehandlungsmaschinen unterschiedlichster Art (beispielsweise Blasformmaschinen, Füller, Verschließer und Direktdruckmaschinen) zu „Verblocken“, sodass ihr Betrieb gemeinschaftlich gesteuert und überwacht werden kann.
  • Aufgrund der Verfügbarkeit schneller Datenübertragung und Massenspeicher für große Datenmengen hat es sich als vorteilhaft herausgestellt, den Betrieb der einzelnen Behälterbehandlungsmaschinen, insbesondere ganzer Behälterbehandlungsanlagen, weltweit zentral zu überwachen. Dazu werden mittlerweile Cloud-Lösungen verwendet, die die Daten der Behälterbehandlungsanlagen sammeln können und anschließend eine Auswertung dieser Daten durchführen.
  • Basierend auf dieser Auswertung kann dann beispielsweise eine Zustandsüberwachung der einzelnen Behälterbehandlungsmaschinen erfolgen, und eine Erkennung oder Früherkennung von bevorstehenden Fehlern während des Betriebs der Behälterbehandlungsmaschinen durchgeführt werden.
  • Dazu wird üblicherweise eine Vielzahl von Parameter, auch Zustandsvariablen genannt, permanent überwacht und durch entsprechende Recheneinheiten, wie etwa Server bei einer Cloud-Architektur dahingehend untersucht, ob Anomalien in der Gesamtheit der Zustandsvariablen vorliegen. Bei Auftreten solcher Anomalien oder einer bestimmten Konstellation von Zustandsvariablen oder Zustandsvektoren kann dann auf eine Fehlfunktion oder eine bevorstehende Fehlfunktion geschlossen werden.
  • Zur Auswertung solch großer Datenmengen, insbesondere zur Mustererkennung, werden in entsprechenden Cloud-Lösungen mittlerweile auch neuronale Netze eingesetzt.
  • Allerdings hat dieser Ansatz auch Nachteile, da die Maschinen eine ständige Netzwerkverbindung zur Außenwelt benötigen, um eine Erkennung von Fehlern zu gewährleisten, was nicht nur eine stabile Internetverbindung erfordert, sondern gleichzeitig erhebliche Sicherheitsrisiken bei der Übertragung dieser Daten mit sich bringt. Außerdem liefert die Auswertung sämtlicher für die Behälterbehandlungsanlage verfügbarer Daten zwar einen guten Überblick über den gesamten Betrieb der Anlage. Für einzelne Fehlfunktionen, etwa für den Ausfall eines einzelnen Drehgebers an einer Direktdruckmaschine, ist jedoch ein Großteil dieser Daten nicht relevant. Ein vorheriges Aussortieren dieser Daten ist jedoch nicht sinnvoll, da dann Informationen über andere Fehler verloren gehen würden.
  • Aufgabe
  • Ausgehend vom bekannten Stand der Technik besteht die zu lösende technische Aufgabe somit darin, ein Verfahren zur Überwachung des Betriebs einer Behälterbehandlungsmaschine sowie eine entsprechende Behälterbehandlungsmaschine anzugeben, die eine zuverlässige Betriebsüberwachung gewährleisten und gleichzeitig eine hohe Sicherheit der Daten sowie, sofern möglich, geringen Komponenteneinsatz und geringe Kosten während des laufenden Betriebs realisieren.
  • Lösung
  • Diese Aufgabe wird erfindungsgemäß durch die Behälterbehandlungsmaschine gemäß Anspruch 1 oder das Verfahren zum Überwachen des Betriebs der Behälterbehandlungsmaschine gemäß Anspruch 8 gelöst. Vorteilhafte Weiterbildungen der Erfindung sind in den Unteransprüchen erfasst.
  • Die erfindungsgemäße Behälterbehandlungsmaschine zum Behandeln von Behältern, wie beispielsweise Flaschen, Dosen oder dergleichen, insbesondere in der getränkeverarbeitenden Industrie, der Medizintechnik oder der Kosmetikindustrie, umfasst eine Steuereinheit zur Steuerung der Funktion der Behälterbehandlungsmaschine und wenigstens eine Behandlungseinheit zum Behandeln der Behälter, wobei die Behälterbehandlungsmaschine zum Behandeln der Behälter auf genau eine Art ausgebildet ist, wobei die Behälterbehandlungsmaschine wenigstens eine Komponente umfasst, die Daten bezüglich ihres Betriebszustands und/oder des Betriebszustands der Behälterbehandlungsmaschine an die Steuereinheit ausgeben kann und wobei die Steuereinheit ein neuronales Netz umfasst, das ausgebildet und trainiert ist, anhand der Daten festzustellen, ob eine Abweichung des Betriebszustands der Behälterbehandlungsmaschine von einem Normal-Zustand vorliegt und/oder bevorsteht.
  • Unter dem Begriff der „Komponente“ ist hier jeder Bestandteil der Behälterbehandlungsmaschine anzusehen, der irgendwelche für seinen Betrieb oder den Betrieb anderer Teile der Behälterbehandlungsmaschine relevante Daten erfassen/erzeugen/aufnehmen und an die Steuereinheit übermitteln kann. Es kann, muss sich bei diesen Komponenten entsprechend nicht zwangsläufig um Sensoren handeln.
  • Dass die Behälterbehandlungsmaschine zum Behandeln der Behälter auf genau eine Art ausgebildet ist, ist so zu verstehen, dass die Behälterbehandlungsmaschine genau einen (also nicht etwa zwei oder mehr, sondern nur einen) funktionalen Eingriff an einem Behälter durchführt bzw. nur eine solche durchführen kann. Dies schließt nicht aus, dass in oder im Rahmen der Behälterbehandlungsmaschine zusätzlich ein Transport der Behälter stattfindet. Ein funktionaler Eingriff an einem Behälter bedeutet, wenigstens eine Eigenschaft des Behälters zu verändern. Dazu zählt beispielsweise das Ausformen eines Vorformlings zu einem Behälter, das Füllen des Behälters, das Verschließen des Behälters, das Versehen des Behälters mit Dekorationselementen, das Vorbehandeln der äußeren und/oder inneren Oberfläche des Behälters sowie das Inspizieren des Behälters. Dazu zählt auch das Verpacken des oder einer Vielzahl von Behältern, etwa das Zusammenstellen von mehreren Behältern zu entsprechenden Gebinden und das Erstellen einer Kunststoffumhüllung für diese Behälter. Auch das Reinigen von zu recycelnden Behältern oder das Zerkleinern der Behälter aus Kunststoff zum Herstellen neuer Behälter aus recyceltem Kunststoff sind als entsprechende funktionale Eingriffe in den Behälter und damit als einzelne Behandlung an dem Behälter zu verstehen.
  • Mit der erfindungsgemäßen Behälterbehandlungsmaschine wird eine Überwachung des Betriebs der Behälterbehandlungsmaschine möglich, wobei analog zu den bisherigen Verfahren auch eine Weiterentwicklung der Überwachung aufgrund des Lernens des neuronalen Netzes gewährleistet ist. Gleichzeitig ist eine permanent verfügbare Datenverbindung, etwa über das Internet, zu einer entfernt von der eigentlichen Behälterbehandlungsmaschine eingerichteten Serverarchitektur nicht mehr notwendig. Auch wird das neuronale Netz zweckmäßig lediglich mit den Daten versorgt, die für den Betrieb der Behälterbehandlungsmaschine relevant sind, sodass das neuronale Netz und insbesondere die Rechenkapazität der Steuereinheit entsprechend geringer dimensioniert sein können. Damit kann etwa auch die vorgehaltene Speicherkapazität der Steuereinheit geringer ausfallen. Hiermit entfällt auch eine für den Betrieb der Behälterbehandlungsmaschine überflüssige Aussortierung oder sogar Auswertung von für andere Behälterbehandlungsmaschinen relevanten Daten, die auf den Betrieb der eigentlichen Behälterbehandlungsmaschine keinen Einfluss haben.
  • Es kann vorgesehen sein, dass die Komponente wenigstens eines von einem Sensor, einem Drehgeber, einer Kamera, einer Behälterführung, einem Bestandteil der Steuereinheit, einem Bestandteil der Netzwerkarchitektur der Behälterbehandlungsmaschine umfasst.
  • Diese Ausführungen der Komponente können besonders vorteilhaft im Rahmen der Erfindung realisiert werden, da sie für wichtige Charakteristika des Betriebs der Behälterbehandlungsmaschine nützliche Daten ausgeben. Als Sensor kann beispielsweise ein Temperatursensor, Drucksensor, Feuchtigkeitssensor, Geschwindigkeitssensor oder Ähnliches verwendet werden.
  • Weiterhin kann die Steuereinheit ausgebildet sein, eine Information an einen Bediener auszugeben, wenn das neuronale Netz feststellt, dass eine Abweichung des Betriebszustands der Behälterbehandlungsmaschine von einem Normal-Zustand vorliegt und/oder bevorsteht.
  • Die Information kann etwa eine visuelle, akustische oder haptische Information oder eine Kombination dieser drei oder zwei verschiedenen Informationstypen sein. Insbesondere kann die Information auf einem Display angezeigt oder ein Warnsignal (akustisch) ausgegeben werden. Hiermit kann der Bediener auf etwa bevorstehende oder bereits eingetretene Probleme beim Betrieb der Behälterbehandlungsmaschine effektiv hingewiesen werden, sodass etwaige Stillstandszeiten oder die Menge an Ausschuss reduziert werden können.
  • In einer Ausführungsform ist vorgesehen, dass das neuronale Netz ausgebildet ist, aus einem Betrieb der Behälterbehandlungsmaschine zu lernen.
  • Das neuronale Netz kann etwa nicht nur aus dem Betrieb der Behälterbehandlungsmaschine im Normal-Zustand, sondern auch aus dem Auftreten von Fehlern und insbesondere des Verhaltens der Daten vor Auftreten des Fehlers lernen, um die Fehlererkennung zu verbessern. Damit wird trotz der nur limitiert verfügbaren Daten eine zuverlässige Fehlererkennung und Vorhersage von möglicherweise auftretenden Fehlern realisiert.
  • Außerdem kann die Steuereinheit ausgebildet sein, dem neuronalen Netz nur Daten während des Betriebs der Behälterbehandlungsmaschine zuzuführen, die von der Komponente oder den Komponenten der Behälterbehandlungsmaschine erlangt wurden.
  • Hiermit kann die Behälterbehandlungsmaschine und insbesondere die Steuereinheit und das darauf laufende neuronale Netz im Wesentlichen isoliert, d. h., also vollständig ohne Datenaustausch mit anderen Einrichtungen betrieben werden, was insbesondere die Betriebssicherheit aufgrund der Unmöglichkeit eines unerlaubten Zugriffs erhöht werden.
  • In einer weiteren Ausführungsform ist die Behälterbehandlungsmaschine als eines von einer Inspektionsmaschine, einer Direktdruckmaschine, einer Etikettiermaschine, einem Füller, einem Verschließer, einem Verpacker, einer Blasformmaschine, einer Behälterreinigungsmaschine, einer Formfüllmaschine, einer Vorbehandlungsmaschine ausgebildet.
  • Diese Behälterbehandlungsmaschinen können besonders vorteilhaft mit der erfindungsgemäßen Überwachung überwacht werden.
  • Das erfindungsgemäße Verfahren zur Überwachung des Betriebs einer Behälterbehandlungsmaschine zum Behandeln von Behältern, wie Flaschen, Dosen oder dergleichen, insbesondere in der getränkeverarbeitenden Industrie, der Medizintechnik oder der Kosmetikindustrie, wobei die Behälterbehandlungsmaschine eine Steuereinheit, die die Funktion der Behälterbehandlungsmaschine steuert, und wenigstens eine Behandlungseinheit, die Behälter behandelt, umfasst, sieht vor, dass die Behälterbehandlungsmaschine Behälter auf genau eine Art behandelt, wobei die Behälterbehandlungsmaschine wenigstens eine Komponente umfasst, die Daten bezüglich ihres Betriebszustands und/oder des Betriebszustands der Behälterbehandlungsmaschine an die Steuereinheit ausgibt und wobei die Steuereinheit ein neuronales Netz umfasst, das ausgebildet und trainiert ist, anhand der Daten festzustellen, ob eine Abweichung des Betriebszustands der Behälterbehandlungsmaschine von einem Normal-Zustand vorliegt und/oder bevorsteht.
  • Dieses Verfahren erlaubt eine zuverlässige Überwachung des Betriebszustands einer Behälterbehandlungsmaschine, wobei gleichzeitig die Sicherheit der Daten, aber auch die Sicherheit des Betriebs aufgrund der Isolierung der Steuereinheit und des neuronalen Netzwerks vom externen Zugriff sichergestellt werden.
  • Das neuronale Netz kann als ein Deep Neural Network (DNN) ausgebildet sein.
  • Deep Neural Networks sind dabei solche neuronalen Netze, die eine (umfangreiche) Struktur von Zwischenschichten aufweisen. Diese neuronalen Netze sind besonders geeignet, um Muster in großen Datenmengen zu erkennen und können daher vorteilhaft im Rahmen der Überwachung des Betriebs der Behälterbehandlungsmaschine eingesetzt werden.
  • Es kann auch vorgesehen sein, dass das neuronale Netz aus dem Betrieb der Behälterbehandlungsmaschine lernt.
  • Das Lernen aus dem Betrieb bietet den Vorteil, dass die Erkennung der Fehler für diese spezifische Behälterbehandlungsmaschine auch während des Betriebs der Behälterbehandlungsmaschine verbessert werden kann.
  • Ferner kann vorgesehen sein, dass die Steuereinheit nur Daten der Komponente oder der Komponenten der Behälterbehandlungsmaschine während des Betriebs der Behälterbehandlungsmaschine zum Lernen an das neuronale Netz weiterleitet.
  • Dabei ist insbesondere vorgesehen, dass Daten von sämtlichen Komponenten der Behälterbehandlungsmaschine, die der Steuereinheit zur Verfügung gestellt werden, auch dem neuronalen Netz zur Verfügung gestellt werden. Jedoch werden keine Daten von anderen Behälterbehandlungsmaschinen desselben Typs oder anderen Behälterbehandlungsmaschinen, etwa einer Behälterbehandlungsanlage, in der die Behälterbehandlungsmaschine installiert ist, der Steuereinheit und dem neuronalen Netz zugeführt. Die zu verarbeitende Datenmenge kann damit gering gehalten werden, wobei dennoch eine gute Fehlererkennung gewährleistet wird.
  • Es kann auch vorgesehen sein, dass die Steuereinheit zusätzliche Daten während einer Wartung der Behälterbehandlungsmaschine an das neuronale Netz überträgt und das neuronale Netz aus den zusätzliche Daten lernt.
  • Im Rahmen einer solchen Wartung kann etwa über einen geeigneten Datenträger (USB-Stick, externe Festplatte oder Ähnliches) eine Datenmenge zusätzlicher Daten (beispielsweise mehrere 100 MB an zusätzlichen Daten) an die Behälterbehandlungsmaschine und insbesondere an das neuronale Netz zum Lernen übertragen werden. Dies bietet den Vorteil, dass auch ein umfangreicheres Lernen des neuronalen Netzes ermöglicht wird, ohne dass hierfür eine permanente gegebenenfalls unsichere Datenverbindung besteht.
  • In einer Weiterbildung dieser Ausführungsform ist vorgesehen, dass die zusätzlichen Daten Daten über einen Betriebszustand wenigstens einer weiteren Behälterbehandlungsmaschine einer Behälterbehandlungsanlage, zu der die Behälterbehandlungsmaschine gehört, umfassen; und/oder wobei die zusätzlichen Daten Daten über einen Betriebszustand einer Behälterbehandlungsmaschine desselben Typs umfassen.
  • Die Verwendung von Daten aus derselben Behälterbehandlungsanlage können von Vorteil sein, da sie mittelbar oder unmittelbar auch den Betrieb der Behälterbehandlungsmaschine beeinflussen können. Die Verwendung von Daten über den Betriebszustand von Behälterbehandlungsmaschinen des gleichen Typs können dazu dienen, Fehler, die erst bei einer großen Anzahl von Betriebsstunden auftreten, bereits im neuronalen Netz zu lernen, sodass eine Früherkennung auch dieser Fehler, wie etwa erst nach 10 Jahren des Betriebs einer einzelnen Behälterbehandlungsmaschine statistisch auftreten, rechtzeitig zu erkennen.
  • Weiterhin kann die Komponente wenigstens eines von einem Sensor, einem Drehgeber, einer Kamera, einer Behälterführung, einem Bestandteil der Steuereinheit, einem Bestandteil der Netzwerkarchitektur der Behälterbehandlungsmaschine umfassen und/oder die Komponente kann die Daten in Echtzeit an die Steuereinheit übermitteln.
  • Die von diesen Komponenten ausgegebenen Daten können vorteilhaft für die Erkennungen von bevorstehenden oder auftretenden Fehlern dienen.
  • Es kann auch vorgesehen sein, dass die Steuereinheit eine Information an einen Bediener ausgibt, wenn das neuronale Netz feststellt, dass eine Abweichung des Betriebszustands der Behälterbehandlungsmaschine von einem Normal-Zustand vorliegt und/oder bevorsteht.
  • Diese Information kann dem Bediener dabei helfen, auftretende Fehler rechtzeitig zu erkennen und beispielsweise ein Anhalten des Betriebs der Behälterbehandlungsmaschine oder eine Wartung durchzuführen.
  • Figurenliste
    • 1 schematische Ansicht einer Behälterbehandlungsmaschine gemäß einer Ausführungsform
    • 2 schematische Ansicht des innerhalb der Steuereinheit ablaufenden Verfahrens
    • 3 schematische Darstellung des Verfahrens unter Berücksichtigung zusätzlicher Daten
  • Ausführliche Beschreibung
  • 1 zeigt eine Behälterbehandlungsmaschine 100, wie sie gemäß einer Ausführungsform der Erfindung eingesetzt werden kann. In der 1 ist die Behälterbehandlungsmaschine als Direktdruckmaschine ausgebildet, die Behälter zumindest teilweise mit einem Druckbild als Dekorationselement versehen kann. Die Behälterbehandlungsmaschine oder die Behälterbehandlungsmaschinen sind gemäß der Erfindung insbesondere Behälterbehandlungsmaschinen, die im Bereich der getränkeverarbeitenden Industrie oder der Kosmetikindustrie oder der Medizintechnik zum Einsatz kommen, um Behälter auf irgendeine Art zu Behandeln. Es handelt sich insbesondere um Maschinen, die dazu ausgebildet sind, Behälter mit in den oben genannten Industriezweigen üblichen Maßen, etwa 11, 21, 1,51, 0,51, 0,751 Flaschen oder Tiegel für Cremes mit einem Volumen von 100ml, 150ml, 200ml oder Spritzen oder Behälter mit einem Volumen von 5ml, 10ml oder 20ml zu behandeln. Auch andere in den oben genannten Industrien zum Einsatz kommende Arten von Behältern sowie Größen von Behältern sollen hier umfasst sein, etwa Dosen.
  • Dazu umfasst in der hier dargestellten Ausführungsform die Direktdruckmaschine 100 ein Karussell 101 mit einer Reihe von Behälteraufnahmen 102, in denen Behälter zum Transport entlang des Karussells (entlang der dargestellten Rotationsrichtung R des Karussells) aufgenommen werden können. Die Behälteraufnahmen 100 sind aus dem Stand der Technik grundsätzlich bekannte Vorrichtungen und können beispielsweise Standteller oder Drehteller und diesen zugeordnete Zentrierglocken umfassen, sodass der Behälter zwischen dem Teller einerseits und der Zentriereinrichtung andererseits eingespannt werden kann.
  • In der hier dargestellten Ausführungsform befinden sich an der Peripherie des Karussells 101 eine Reihe von Druckmodulen 103, 104 und 105. Diese sind derart angeordnet und ausgebildet, dass sie Drucktinte auf die Oberfläche des Behälters ausbringen können.
  • Während hier drei Druckmodule dargestellt sind, können auch mehr oder weniger Druckmodule vorgesehen sein. Ebenso ist die Anordnung an der Peripherie des Karussells nicht beschränkend. Es sind auch mit den einzelnen Behälteraufnahmen 102 mitumlaufende Druckmodule denkbar, sodass jeder Behälter in seiner Behälteraufnahme während des Transports entlang des Karussells 101 von den der Behälteraufnahme 102 zugeordneten Modulen bedruckt werden kann.
  • Überdies sind Transporteinrichtungen für die Behälter schematisch dargestellt. Die Transporteinrichtung 106 ist als Zuführeinrichtung ausgebildet, sodass sie nicht bedruckte Behälter der Direktdruckmaschine zuführen kann. Die Transporteinrichtung 107 ist als Transporteinrichtung ausgebildet, die Behälter aus dem Karussell 101 nach dem Bedrucken entnehmen und aus der Direktdruckmaschine 100 abführen kann.
  • Überdies umfasst die Behälterbehandlungsmaschine 100 eine Steuereinheit 130. Erfindungsgemäß ist diese Steuereinheit mit einzelnen Komponenten 131 bis 137 der Behälterbehandlungsmaschine verbunden, etwa über eine Reihe von Leitungen zum Datenaustausch 138. Auch drahtlose Verbindungen sind hier denkbar.
  • In der in 1 dargestellten Ausführungsform umfassen beispielsweise jede Behälteraufnahme 102, jedes Druckmodul 103 bis 105, sowie das Karussell 101 und die Transporteinrichtungen 106 und 107 diesen zugeordnete Komponenten 131 bis 137.
  • In der hier dargestellten Ausführungsform können diese Komponenten als „Sensoren“ aufgefasst werden, die Daten über den Betriebszustand des ihnen zugeordneten Teils der Behälterbehandlungsmaschine (also beispielsweise die Komponente 135 vom Druckmodul 104) aufnehmen und der Steuereinheit 130 zuführen können. Die Komponenten 131 bis 137 müssen jedoch nicht als Sensoren ausgeführt sein. Grundsätzlich kommen als Komponenten (bewegliche) Teile der Behälterbehandlungsmaschine in Betracht, die Daten bezüglich eines Betriebszustands entweder über sich selbst und/oder der gesamten Behälterbehandlungsmaschine und/oder anderer Teile der Behälterbehandlungsmaschine ausgeben können. Beispielsweise kann ein Servomotor als solche Komponente angesehen werden. Der Servomotor kann beispielsweise Teil der Behälteraufnahme 102 sein, gibt jedoch an die Steuereinheit 130 üblicherweise keine Informationen über die Zentriereinrichtung der Behälteraufnahme 102 aus, sondern lediglich über seinen eigenen Betriebszustand, etwa ob die Betriebsspannung korrekt ist oder Steuersignale von der Steuereinheit korrekt empfangen werden.
  • Als Sensoren kommen insbesondere Temperatursensoren, Feuchtigkeitssensoren, Drucksensoren, Lichtsensoren, Geschwindigkeitssensoren und Ähnliches in Betracht, da sämtliche von solchen Sensoren gemessenen Werte üblicherweise für den Betriebszustand einer Behälterbehandlungsmaschine indikativ bzw. relevant sein können.
  • Als Komponenten kommen auch Kameras infrage, die etwa bei Realisierung der Behälterbehandlungsmaschine als Inspektionseinrichtung genutzt werden, um die Behälter zu überprüfen.
  • Insbesondere handelt es sich bei den Komponenten um Sensoren, Drehgeber, Kameras, Behälterführungen oder Teile der Steuereinheit (etwa die Netzwerkkabel oder der Prozessor oder der interne Speicher oder Ähnliches) oder allgemein einen Bestandteil der Netzwerkarchitektur (hier schematisch dargestellt durch die Datenverbindungen 138) der Behälterbehandlungsmaschine. Die Netzwerkarchitektur kann dabei sämtliche zum Zwecke des Datenaustausches verwendeten Einrichtungen und Komponenten (insbesondere Prozessoren, Speicher, Datenverbindungen und Ähnliches) umfassen. Diese können Informationen über ihren Zustand an die Steuereinheit ausgeben, um eine Steuerung und Kontrolle dieser Komponenten zu ermöglichen.
  • Die hier dargestellte Ausführungsform der Behälterbehandlungsmaschine 100 ist nur beispielhaft zu verstehen und die Erfindung ist nicht auf die Anwendung im Bereich von Direktdruckmaschinen beschränkt.
  • Im Gegenteil, analog zu dem bisher Beschriebenen kann es sich bei der Behälterbehandlungsmaschine etwa auch um eine Blasformmaschine, eine Etikettiermaschine, eine Inspektionsmaschine, einen Füller, einen Verschließer, einen Verpacker, eine Blasformmaschine, eine Behälterreinigungsmaschine, eine Recyclingmaschine für Kunststoffbehälter, eine Formfüllmaschine oder eine Vorbehandlungsmaschine handeln.
  • Für die Erfindung wesentlich ist jedoch, dass jede Behälterbehandlungsmaschine, die gemäß Ausführungsformen der Erfindung realisiert wird, Behälter auf genau eine Art behandelt. Das Behandeln der Behälter umfasst dabei eine funktionale Veränderung des Behälters oder eine Inspektion. Eine funktionale Veränderung ist beispielsweise im Bedrucken, Etikettieren, Verschlie-ßen, Befüllen, Ausformen, Zerkleinern, Recyceln, Reinigen, Verpacken oder Zusammenstellen mit anderen Behältern zu sehen. Die Behälterbehandlungsmaschine führt erfindungsgemäß genau eine solche funktionale Behandlung eines Behälters durch.
  • In diesem Sinne ist der Transport der Behälter etwa durch die Transporteinrichtungen 106 und 107 oder entlang der Peripherie des Karussells in den Behälteraufnahmen 102 nicht als gesonderte funktionale Veränderung des Behälters zu sehen, sondern als Teil einer solchen, da beispielsweise für eine Direktdruckmaschine die funktionale Behandlung darin zu sehen ist, dass ein Druckbild auf dem Behälter aufgebracht wird, der Behälter währenddessen jedoch zwangsläufig in irgendeiner Art und Weise transportiert wird.
  • Unter das Behandeln von Behältern und damit unter dem Begriff der „Behälterbehandlungsmaschine“ fallen also keine bloßen Transporteinrichtungen, die Behandlung des Behälters im Sinne der Erfindung kann jedoch auch einen Transport umfassen, zusätzlich zur funktionalen Veränderung des Behälters, wie oben beschrieben.
  • Erfindungsgemäß ist nun vorgesehen, dass die Steuereinheit 130 über ein neuronales Netzwerk verfügt bzw. ihr ein solches zugeordnet ist und die Steuereinheit die von der wenigstens einen Komponente (beispielsweise der Komponente 134) erhaltenen Daten über den Betriebszustand der Komponente und/oder der Behälterbehandlungsmaschine dem neuronalen Netz zuführt.
  • Das neuronale Netz ist bevorzugt ein solches neuronales Netz, das trainiert wurde, anhand von Daten über den Betriebszustand von Komponenten und/oder der ganzen Behälterbehandlungsmaschine festzustellen, ob die Maschine sich im Normalbetrieb bzw. im Normal-Zustand befindet oder ob etwa eine Fehlfunktion eingetreten ist (beispielsweise ein Direktdruckmodul ist ausgefallen oder der Tintenstand ist zu niedrig) oder eine solche Fehlfunktion (unmittelbar) droht. Zu diesem Zweck ist das neuronale Netz bevorzugt derart trainiert worden, dass es anhand der von den Komponenten erlangten Daten im Rahmen einer Mustererkennung, für die neuronale Netzwerke und hier besonders bevorzugt Deep Neural Networks (DNN) spezialisiert sind, etwa durch Vergleich mit bereits bekannten Mustern (von Parametern) Rückschlüsse darauf zieht, ob der Betrieb der Behälterbehandlungsmaschine korrekt abläuft.
  • So kann das neuronale Netz beispielsweise trainiert sein, einen bestimmten Verlauf des an einem Servomotor anliegenden Drehmoments über einen gesamten Prozesszyklus als „Normal-Zustand“ des Drehtellers anzusehen. Auch geringfügige Veränderungen können in diesem Sinne von dem neuronalen Netzwerk als noch den Normalbetrieb kennzeichnende Daten aufgefasst werden. Tritt jedoch eine Änderung ein, die im Rahmen der Mustererkennung nicht mit dem Normal-Zustand übereinstimmt, kann das neuronale Netz diese entweder als Hinweis auf eine bevorstehende Fehlfunktion oder als eingetretene Fehlfunktion erkennen und damit feststellen, dass kein Betriebszustand der Behälterbehandlungsmaschine im Normal-Zustand vorliegt oder ein Abweichen von dem Normal-Zustand unmittelbar bevorsteht.
  • Bevorzugt kann in dem Fall, dass ein Abweichen des Betriebszustands der Behälterbehandlungsmaschine vom Normal-Zustand vorliegt, das neuronale Netz und/oder die Steuereinheit derart ausgebildet sein, dass eine Information an einen Bediener der Behälterbehandlungsmaschine ausgegeben wird. Diese Information kann dem Bediener beispielsweise anzeigen, dass eine Fehlfunktion vorliegt oder vorzuliegen droht. Die Information kann beispielsweise auf einem Display oder geeignetem anderen Anzeigegerät der Steuereinheit oder auf einem der Steuereinheit zugeordneten Anzeigegerät an den Bediener ausgegeben werden. Auch andere Ausführungsformen sind hier denkbar. So kann dem Bediener eine entsprechende Information an ein von ihm mitgetragenes mobiles Endgerät, wie einen Tablet-Computer, ein Smartphone oder Ähnliches übermittelt werden und auf dessen Anzeigeeinrichtung (Display) angezeigt werden. Auch akustische und/oder haptische Informationen sind hier denkbar. So kann beispielsweise in Kombination oder anstelle einer visuellen Information auf einem Anzeigegerät auch eine akustische Nachricht im Sinne eines akustischen Alarms oder Pieptons oder ein haptisches Signal, wie etwa ein Vibrieren des vom Benutzer getragenen mobilen Endgeräts (Smartphone, Tablets oder Ähnliches) den Bediener darauf hinweisen, dass eine Fehlfunktion bevorsteht oder droht.
  • Die dem Bediener zur Verfügung gestellte Information kann sich insbesondere unterscheiden, abhängig davon, ob ein Abweichen vom Betriebszustand lediglich droht oder bereits vorliegt.
  • 2 zeigt eine Ausführungsform des erfindungsgemäßen Verfahrens, bei dem das neuronale Netz die von den einzelnen Komponenten (siehe hierzu auch 1) an die Steuereinheit übertragenen Daten auswertet.
  • In der in 2 dargestellten Ausführungsform erhält die Steuereinheit Daten lediglich von Komponenten 131, die der Behälterbehandlungsmaschine, in der die Steuereinheit implementiert ist, zugeordnet sind. Dies ist nur beispielhaft und nicht beschränkend. Die Steuereinheit kann in einer Ausführungsform Daten mehrerer oder aller Komponenten 131 - 137, die bereits mit Bezug auf die 1 beschrieben wurden, erhalten und (mit Hilfe des neuronalen Netzes) auswerten.
  • Die Steuereinheit kann eine Empfangseinrichtung 251 zum Empfangen der Daten von den Komponenten 131 umfassen. Diese Empfangseinheit 251 kann auch als Pre-Processing-Einheit ausgeführt sein, die bereits eine Auswertung, Manipulation, Überprüfung oder, Bearbeitung (eines Teils) der von den einzelnen Komponenten empfangenen Daten durchführt, bevor diese Daten letztlich dem neuronalen Netz 253 zugeführt werden. Der Empfangseinheit 251 kann weiterhin eine Prozessor- und/oder Speichereinheit 252 zugeordnet sein, in der ebenfalls eine Bearbeitung (eines Teils) der Daten und/oder ein Abspeichern der Daten durchgeführt werden kann.
  • Die Daten werden von der Empfangseinheit 251 gegebenenfalls nach einem entsprechenden Pre-Processing an das neuronale Netz 253 übertragen. Das neuronale Netz ist dabei bevorzugt als bereits vorgelerntes neuronales Netz in die Behälterbehandlungsmaschine implementiert worden, wobei das Lernen des neuronalen Netzes bevorzugt so durchgeführt wurde, dass es auf den Betrieb der Behälterbehandlungsmaschine, in deren Steuereinheit es implementiert wurde, trainiert ist. Dies bedeutet, dass ein neuronales Netz 253, das in einer Steuereinheit 130 einer Direktdruckmaschine implementiert ist, mit anderen Parametern gelernt wurde, als es ein normales Netz einer Steuereinheit einer Blasformmaschine wurde. Die Grund-Architektur der neuronalen Netze kann jedoch identisch sein. Sie können insbesondere über die gleiche Anzahl von Zwischenschichten und/oder Knoten innerhalb des neuronalen Netzes verfügen.
  • Das Lernen des neuronalen Netzes verändert üblicherweise lediglich die einzelnen den Knoten und Schichten des neuronalen Netzes zugeordneten Parameterwerte, sodass die Mustererkennung bei unterschiedlich gelernten neuronalen Netzen zu anderen Ergebnissen führt. Der grundsätzliche Vorgang des Lernens von neuronalen Netzen ist aus dem Stand der Technik jedoch hinreichend bekannt.
  • Zur Auswertung der empfangenen Daten von den Komponenten 131 kann das neuronale Netz etwa auf einen ihm zugeordneten Speicher 255 zugreifen, um die gelernten Parameter abzurufen. Das neuronale Netz erkennt anhand der Auswertung der Daten dann schließlich, ob die gewonnenen Daten für einen Normal-Zustand des Betriebs der Behälterbehandlungsmaschine oder für eine Abweichung oder eine drohende Abweichung von dem Normalzustand charakteristisch sind. Das neuronale Netz kann diese Information dann beispielsweise an die Auswerteeinrichtung 254 der Steuereinheit 130 übergeben, die das Ergebnis des neuronalen Netzes auswertet und gegebenenfalls eine Information an einen Bediener ausgibt, wie dies bereits oben erläutert wurde.
  • Besonders bevorzugt ist es, wenn das neuronale Netz während des Betriebs der Behälterbehandlungsmaschine lernt, also eine weitere Verfeinerung der bereits vorgelernten Mustererkennung selbsttätig ausführt.
  • Dazu kann das neuronale Netz derart ausgestaltet sein, dass es die etwa in dem Speicher 255 hinterlegten Parameter während des Betriebs der Behälterbehandlungsmaschine dahingehend verbessert, dass ein erkannter Normalbetrieb und/oder eine erkannte Fehlfunktion und/oder eine erkannte bevorstehende Fehlfunktion in die Parameter, die für die Mustererkennung des NormalBetriebs, und/oder einer entsprechende Mustererkennung eines bevorstehenden und/oder bereits eingetretenen Fehlers charakteristisch sind, im Betrieb zu verbessern.
  • Bevorzugt erhält das neuronale Netz während des Betriebs der Behälterbehandlungsmaschine (dabei ist es unbeachtlich, ob es sich um einen Betrieb im Normal-Zustand oder einen fehlerhaften Betrieb handelt) ausschließlich Daten von Komponenten der Behälterbehandlungsmaschine, der die Steuereinheit 130, in der das neuronale Netz installiert ist, angehört. Bevorzugt erhält das neuronale Netz also zumindest während der Betriebszeit der Behälterbehandlungsmaschine keine Daten von weiteren Behälterbehandlungsmaschinen, sei es Behälterbehandlungsmaschinen derselben Behälterbehandlungsanlage oder von Behälterbehandlungsmaschinen, die irgendwo auf der Welt verteilt sind, aber beispielsweise zum selben Typ von Behälterbehandlungsmaschinen gehören.
  • Dies bedeutet nicht, dass die Steuereinheit 130 nicht etwa solche Daten (weiterer Komponenten) weiterer Behälterbehandlungsmaschinen erhalten würde. Im Normalbetrieb ist jedoch vorgesehen, dass diese Daten dann zumindest nicht an das neuronale Netz weitergeleitet werden. Dies stellt sicher, dass das neuronale Netz nicht mit eventuell kompromittierten Daten über eine unsichere Datenleitung versorgt wird, was letztlich zu Fehlfunktionen führen könnte.
  • Allerdings ist in einer Ausführungsform vorgesehen, dass das neuronale Netz mit zusätzlichen Daten von anderen Behälterbehandlungsmaschinen (entweder des gleichen Typs und/oder anderen Typs) trainiert werden kann.
  • Dazu zeigt 3 eine Ausführungsform, in der die Behälterbehandlungsmaschine, der die Steuereinheit 130 und das darin installierte neuronale Netzwerk 253 zugeordnet ist, nicht im Normalbetrieb, sondern beispielsweise in einem Wartungsmodus betrieben wird. Es ist bekannt, dass etwa jährliche Wartungszyklen von Behälterbehandlungsmaschinen durchgeführt werden, bei denen der Betrieb angehalten und beispielsweise verschlissene Teile ausgetauscht werden. Die zeitliche Abfolge solcher Wartungszyklen ist erfindungsgemäß jedoch nicht beschränkt und kann insbesondere periodisch oder auch nicht periodisch (etwa bei einer ungeplanten Reparatur) sein.
  • Während dieses Stillstands kann dann vorgesehen sein, dass über einen externen Datenträger 362 bzw. über eine entsprechende Leitung zum Datenaustausch mit anderen Behälterbehandlungsmaschinen und damit von einer Komponente einer solchen Behälterbehandlungsmaschine Daten an die Steuereinheit 130 übergeben werden. Diese Daten können Daten über den Betriebszustand einer Behälterbehandlungsmaschine derselben Behälterbehandlungsanlage, in der auch die eigentliche Behälterbehandlungsmaschine angeordnet ist, in der auch die Steuereinheit 130 angeordnet ist, sein. Alternativ kann es sich aber auch um Daten einer Behälterbehandlungsmaschine (desselben Typs) aus einer anderen Behälterbehandlungsanlage, die beispielsweise in einer anderen Region der Welt aufgestellt ist, handeln.
  • Diese Daten können entweder in ihrer von den entsprechenden Komponenten aufgenommenen Struktur vorliegen und und/oder es kann ein Pre-Processing erfolgt sein. Dieses Pre-Processing kann auch ein Verarbeiten dieser Daten an einer zentralen Stelle, etwa in einer Server-Architektur außerhalb der Behälterbehandlungsmaschine, umfassen und eine Modifikation von Parametern des neuronalen Netzwerks unmittelbar zur Verfügung stellen, so dass nicht ursprüngliche Daten von Komponenten, sondern „Updates“ der Parameter des neuronalen Netzes von außerhalb der Behälterbehandlungsmaschine im Rahmen des Wartungszyklus zur Verfügung gestellt werden können.
  • Um die Datensicherheit möglichst umfassend zu gewährleisten, kann vorgesehen sein, dass diese zusätzlichen Daten nicht über eine Internetverbindung oder sonstige Netzwerkverbindung zur Verfügung gestellt werden, sondern über eine mit der Behälterbehandlungsmaschine in Verbindung zu bringende Datenspeichereinheit, die etwa über geeignete Sicherungsmechanismen gegen unerlaubten Zugriff verfügt oder deren Daten zuvor durch ein (grundsätzlich bekanntes) Sicherheitsprogramm überprüft wurden.
  • Alternativ kann im Rahmen der Ausführungsform, die in 3 beschrieben ist, auch eine Verbindung zu einer externen Datenquelle über eine sichere Internetverbindung, insbesondere über eine VPN-Verbindung hergestellt werden, um hier einen Zugriff durch unbefugte Dritte zu verhindern.
  • Wenn auch bisher nicht beschrieben, ist es besonders bevorzugt, wenn die Komponenten, wie sie etwa in 1 beschrieben wurden, die Daten der Steuereinheit in Echtzeit oder nahezu in Echtzeit, besonders bevorzugt innerhalb kurzer Zeitintervalle zur Verfügung stellen, so dass eine möglichst permanente Überwachung des Betriebs der Behälterbehandlungsmaschine möglich ist.
  • Dabei hängt es maßgeblich von der Komponente oder der durch die Komponente überwachte Komponente der Behälterbehandlungsmaschine ab, in welchen Zeitintervallen sinnvoll Daten, die relevant für den Betriebszustand der Komponente und/oder der Behälterbehandlungsmaschine sind, erfasst und übertragen werden können. Manche Komponenten, etwa Drehgeber oder Servomotoren, machen eine Überwachung auch im Bereich von einem Zehntel oder einigen hundertstel Sekunden sinnvoll. Die Überwachung des Füllstands eines Tintenvorrats oder die Überwachung eines Etikettenvorrats einer Etikettiermaschine jedoch kann eine weniger zeitaufgelöste Überwachung sinnvoll erscheinen lassen. So kann beispielsweise im Rahmen einer Etikettenzuführung eine Überwachung in einer zeitlichen Größenordnung des Prozesstaktes, beispielsweise einige zehntel Sekunden zwischen dem Aufbringen eines ersten und dem Aufbringen eines zweiten Etiketts auf einen nachfolgenden Behälter sinnvoll erscheinen.
  • Die Erfindung ist hinsichtlich der zeitlichen Intervalle bzw. Abfolge, mit der Daten aufgenommen und an die Steuereinheit übermittelt werden, nicht beschränkt. Bevorzugt werden jedoch die Daten an die Steuereinheit und entsprechend an das neuronale Netz fast ohne Zeitverzögerung, insbesondere in praktisch Echtzeit (unter Berücksichtigung der Zeitverzögerung durch den Datentransfer) übermittelt.
  • Während die bisher beschriebenen Ausführungsformen insbesondere auf die Verwendung eines neuronalen Netzes abzielen, da diese besonders vorteilhaft eingesetzt werden können, um mit verhältnismäßig geringem Aufwand auch verschiedene Behälterbehandlungsmaschinen auszustatten, können anstelle der neuronalen Netze auch andere Implementierungen vorgesehen sein, um Abweichungen des Betriebszustands der Behälterbehandlungsmaschine oder der Behandlungseinheit vom normalen Betrieb festzustellen. Hier können etwa auch alternativ oder zusätzlich zu den neuronalen Netzen andere adaptive Software-Algorithmen zum Einsatz kommen, die hinsichtlich Ihrer (frei wählbaren) Parameter jeweils auf die spezifische Behälterbehandlungsmaschine trainiert sind. In diesem Zusammenhang ist der Begriff des neuronalen Netzes grundsätzlich so zu verstehen, dass in obigen Ausführungsformen auch andere adaptive Algorithmen anstelle des neuronalen Netzes verwendet werden können. Die Erfindung ist, soweit nicht das spezifische Lernen bzw. Trainieren des neuronalen Netzes betroffen ist, mithin nicht auf die Anwendung neuronaler Netze beschränkt, sondern kann auch mit anderen adaptiven Algorithmen entsprechend obigen Ausführungsformen realisiert werden.

Claims (15)

  1. Behälterbehandlungsmaschine (100) zum Behandeln von Behältern, wie Flaschen, Dosen oder dergleichen, in der getränkeverarbeitenden Industrie, der Medizintechnik oder der Kosmetikindustrie, wobei die Behälterbehandlungsmaschine eine Steuereinheit (130) zur Steuerung der Funktion der Behälterbehandlungsmaschine (100) und wenigstens eine Behandlungseinheit (102-105) zum Behandeln der Behälter umfasst, wobei die Behälterbehandlungsmaschine zum Behandeln der Behälter auf genau eine Art ausgebildet ist, wobei die Behälterbehandlungsmaschine wenigstens eine Komponente (131-137) umfasst, die Daten bezüglich ihres Betriebszustands und/oder des Betriebszustands der Behälterbehandlungsmaschine (100) an die Steuereinheit (130) ausgeben kann und wobei die Steuereinheit ein neuronales Netz (253) umfasst, das ausgebildet und trainiert ist, anhand der Daten festzustellen, ob eine Abweichung des Betriebszustands der Behälterbehandlungsmaschine (100) von einem Normal-Zustand vorliegt und/oder bevorsteht.
  2. Behälterbehandlungsmaschine (100) nach Anspruch 1, wobei die Komponente (102-105) wenigstens eines von einem Sensor, einem Drehgeber, einer Kamera, einer Behälterführung, einem Bestandteil der Steuereinheit (130), einem Bestandteil der Netzwerkarchitektur der Behälterbehandlungsmaschine umfasst.
  3. Behälterbehandlungsmaschine (100) nach Anspruch 1 oder 2, wobei die Steuereinheit (130) ausgebildet ist, eine Information an einen Bediener auszugeben, wenn das neuronale Netz (253) feststellt, dass eine Abweichung des Betriebszustands der Behälterbehandlungsmaschine (100) von einem Normal-Zustand vorliegt und/oder bevorsteht.
  4. Behälterbehandlungsmaschine (100) nach einem der Ansprüche 1 bis 3, wobei das neuronale Netz (253) ausgebildet ist, aus einem Betrieb der Behälterbehandlungsmaschine (100) zu lernen.
  5. Behälterbehandlungsmaschine (100) nach einem der Ansprüche 1 bis 4, wobei das neuronale Netz (253) ein vorgelerntes neuronales Netz ist.
  6. Behälterbehandlungsmaschine (100) nach einem der Ansprüche 1 bis 5, wobei die Steuereinheit (130) ausgebildet ist, dem neuronalen Netz (253) nur Daten während des Betriebs der Behälterbehandlungsmaschine (100) zuzuführen, die von der Komponente (131-137) oder den Komponenten der Behälterbehandlungsmaschine erlangt wurden.
  7. Behälterbehandlungsmaschine (100) nach einem der Ansprüche 1 bis 6, wobei die Behälterbehandlungsmaschine als eines von einer Inspektionsmaschine, einer Direktdruckmaschine, einer Etikettiermaschine, einem Füller, einem Verschließer, einem Verpacker, einer Blasformmaschine, einer Behälterreinigungsmaschine, einer Formfüllmaschine, einer Vorbehandlungsmaschine ausgebildet ist.
  8. Verfahren zur Überwachung des Betriebs einer Behälterbehandlungsmaschine (100) zum Behandeln von Behältern, wie Flaschen, Dosen oder dergleichen, in der getränkeverarbeitenden Industrie, der Medizintechnik oder der Kosmetikindustrie, wobei die Behälterbehandlungsmaschine (100) eine Steuereinheit (130), die die Funktion der Behälterbehandlungsmaschine steuert, und wenigstens eine Behandlungseinheit (102-105), die Behälter behandelt, umfasst, wobei die Behälterbehandlungsmaschine Behälter auf genau eine Art behandelt, wobei die Behälterbehandlungsmaschine wenigstens eine Komponente (131-137) umfasst, die Daten bezüglich ihres Betriebszustands und/oder des Betriebszustands der Behälterbehandlungsmaschine (100) an die Steuereinheit (130) ausgibt und wobei die Steuereinheit ein neuronales Netz (253) umfasst, das ausgebildet und trainiert ist, anhand der Daten festzustellen, ob eine Abweichung des Betriebszustands der Behälterbehandlungsmaschine (100) von einem Normal-Zustand vorliegt und/oder bevorsteht.
  9. Verfahren nach Anspruch 8, wobei das neuronale Netz (253) ein Deep Neural Network (DNN) ist.
  10. Verfahren nach Anspruch 8 oder 9, wobei das neuronale Netz aus dem Betrieb der Behälterbehandlungsmaschine lernt.
  11. Verfahren nach Anspruch 10, wobei die Steuereinheit (130) nur Daten der Komponente (131-137) oder der Komponenten der Behälterbehandlungsmaschine (100) während des Betriebs der Behälterbehandlungsmaschine zum Lernen an das neuronale Netz (253) weiterleitet.
  12. Verfahren nach einem der Ansprüche 8 bis 11, wobei die Steuereinheit (130) zusätzliche Daten während einer Wartung der Behälterbehandlungsmaschine (100) an das neuronale Netz (253) überträgt und das neuronale Netz aus den zusätzliche Daten lernt.
  13. Verfahren nach Anspruch 12, wobei die zusätzlichen Daten Daten über einen Betriebszustand wenigstens einer weiteren Behälterbehandlungsmaschine einer Behälterbehandlungsanlage, zu der die Behälterbehandlungsmaschine gehört, umfassen; und/oder wobei die zusätzlichen Daten Daten über einen Betriebszustand einer Behälterbehandlungsmaschine desselben Typs umfassen.
  14. Verfahren nach einem der Ansprüche 8 bis 13, wobei die Komponente (131-137) wenigstens eines von einem Sensor, einem Drehgeber, einer Kamera, einer Behälterführung, einem Bestandteil der Steuereinheit (130), einem Bestandteil der Netzwerkarchitektur der Behälterbehandlungsmaschine (100) umfasst und/oder wobei die Komponente (131-137) die Daten in Echtzeit an die Steuereinheit (130) übermittelt.
  15. Verfahren nach einem der Ansprüche 8 bis 14, wobei die Steuereinheit (130) eine Information an einen Bediener ausgibt, wenn das neuronale Netz (253) feststellt, dass eine Abweichung des Betriebszustands der Behälterbehandlungsmaschine (100) von einem Normal-Zustand vorliegt und/oder bevorsteht.
DE102020111674.8A 2020-04-29 2020-04-29 Behälterbehandlungsmaschine und Verfahren zum Überwachen des Betriebs einer Behälterbehandlungsmaschine Pending DE102020111674A1 (de)

Priority Applications (5)

Application Number Priority Date Filing Date Title
DE102020111674.8A DE102020111674A1 (de) 2020-04-29 2020-04-29 Behälterbehandlungsmaschine und Verfahren zum Überwachen des Betriebs einer Behälterbehandlungsmaschine
CN202180031274.5A CN115605813A (zh) 2020-04-29 2021-04-23 容器处理机和用于监控容器处理机的运行的方法
PCT/EP2021/060621 WO2021219499A1 (de) 2020-04-29 2021-04-23 Behälterbehandlungsmaschine und verfahren zum überwachen des betriebs einer behälterbehandlungsmaschine
EP21722388.2A EP4143642A1 (de) 2020-04-29 2021-04-23 Behälterbehandlungsmaschine und verfahren zum überwachen des betriebs einer behälterbehandlungsmaschine
US17/997,350 US20230266752A1 (en) 2020-04-29 2021-04-23 Container treatment machine and method for monitoring the operation of a container treatment machine

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102020111674.8A DE102020111674A1 (de) 2020-04-29 2020-04-29 Behälterbehandlungsmaschine und Verfahren zum Überwachen des Betriebs einer Behälterbehandlungsmaschine

Publications (1)

Publication Number Publication Date
DE102020111674A1 true DE102020111674A1 (de) 2021-11-04

Family

ID=75746585

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102020111674.8A Pending DE102020111674A1 (de) 2020-04-29 2020-04-29 Behälterbehandlungsmaschine und Verfahren zum Überwachen des Betriebs einer Behälterbehandlungsmaschine

Country Status (5)

Country Link
US (1) US20230266752A1 (de)
EP (1) EP4143642A1 (de)
CN (1) CN115605813A (de)
DE (1) DE102020111674A1 (de)
WO (1) WO2021219499A1 (de)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021112484A1 (de) 2021-05-12 2022-11-17 Krones Aktiengesellschaft Etikettiermaschine und Verfahren zum Konfigurieren einer Etikettiermaschine
EP4191356A1 (de) * 2021-12-01 2023-06-07 Krones Ag Prädiktive wartung einer behälterbehandlungsanlage
DE102022123019A1 (de) 2022-09-09 2024-03-14 Krones Aktiengesellschaft Etikettiervorrichtung

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117707097B (zh) * 2024-02-04 2024-05-10 广州泽亨实业有限公司 一种加工中心控制方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5121467A (en) 1990-08-03 1992-06-09 E.I. Du Pont De Nemours & Co., Inc. Neural network/expert system process control system and method
DE4447288A1 (de) 1993-12-30 1995-07-06 Caterpillar Inc Maschinenfehlerdiagnosesystem und -verfahren
DE102011017448A1 (de) 2011-04-18 2012-10-18 Krones Aktiengesellschaft Verfahren zum Betreiben einer Behältnisbehandlungsanlage mit Störungsdiagnose

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5718852A (en) * 1994-05-10 1998-02-17 The Clorox Company Process controlling a blow molding machine
EP0950608B1 (de) * 1998-04-15 2003-11-26 Tetra Laval Holdings & Finance SA Verfahren zum Überwachen der Querschweissungen in einer Verpackungseinheit zum kontinuierlichen Formen von Verpackungen mit flüssigen Nahrungsmitteln sowie Verpackungseinheit
US6416711B2 (en) * 1998-11-06 2002-07-09 Fmc Technologies, Inc. Controller and method for administering and providing on-line handling of deviations in a rotary sterilization process
JP4499601B2 (ja) * 2005-04-01 2010-07-07 日精樹脂工業株式会社 射出成形機の制御装置
EP2998894B1 (de) * 2005-07-11 2021-09-08 Brooks Automation, Inc. Intelligentes zustandsüberwachungs- und fehlerdiagnosesystem
US20090226032A1 (en) * 2007-09-28 2009-09-10 Matthew Allen Merzbacher Systems and methods for reducing false alarms in detection systems
DE102017108546A1 (de) * 2017-04-21 2018-10-25 Sig Technology Ag Produktionsparameterverlaufsansicht als Teil einer Benutzeroberfläche zum Überwachen und/oder Steuern einer Verpackungsanlage
JP6693919B2 (ja) * 2017-08-07 2020-05-13 ファナック株式会社 制御装置及び機械学習装置
KR20210059532A (ko) * 2019-11-15 2021-05-25 엘지전자 주식회사 가전기기 및 가전기기 제어 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5121467A (en) 1990-08-03 1992-06-09 E.I. Du Pont De Nemours & Co., Inc. Neural network/expert system process control system and method
DE4447288A1 (de) 1993-12-30 1995-07-06 Caterpillar Inc Maschinenfehlerdiagnosesystem und -verfahren
DE102011017448A1 (de) 2011-04-18 2012-10-18 Krones Aktiengesellschaft Verfahren zum Betreiben einer Behältnisbehandlungsanlage mit Störungsdiagnose

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021112484A1 (de) 2021-05-12 2022-11-17 Krones Aktiengesellschaft Etikettiermaschine und Verfahren zum Konfigurieren einer Etikettiermaschine
EP4191356A1 (de) * 2021-12-01 2023-06-07 Krones Ag Prädiktive wartung einer behälterbehandlungsanlage
DE102022123019A1 (de) 2022-09-09 2024-03-14 Krones Aktiengesellschaft Etikettiervorrichtung

Also Published As

Publication number Publication date
WO2021219499A1 (de) 2021-11-04
EP4143642A1 (de) 2023-03-08
CN115605813A (zh) 2023-01-13
US20230266752A1 (en) 2023-08-24

Similar Documents

Publication Publication Date Title
DE102020111674A1 (de) Behälterbehandlungsmaschine und Verfahren zum Überwachen des Betriebs einer Behälterbehandlungsmaschine
DE102011006786B4 (de) Produktsensor, Produkt mit Produktsensor, Anlage und Verfahren zur Kommunikation zwischen Produktsensor und Anlage
EP2029441B1 (de) Stellantrieb
EP1449778A1 (de) Module für Etikettiermaschinen
EP2760748B1 (de) Integrierte qualitätskontrolle von verbrauchsmaterialien für verpackungsmaschinen
EP3462260A1 (de) Verfahren und anordnung zur überwachung des zustands einer produktionseinrichtung
EP0723243B1 (de) Vorrichtung und Verfahren zur Bearbeitung von dünnem Blattgut, wie z.B. Banknoten
EP2698213A1 (de) Markierungsvorrichtung zum Markieren von Behältern, Behälterbehandlungsvorrichtung und ein Verfahren zum Markieren von Behältern
EP1839276B1 (de) System und verfahren zur registrierung des öffnens von verschlüssen von zu sichernden räumen
EP3474564A1 (de) Sensor und verfahren zur seriellen übermittlung von daten des sensors
EP3597549A1 (de) Behälterbehandlungsmaschine mit karussell und linearmotor
DE19814102A1 (de) Datenübertragungsverfahren
EP3517398A1 (de) Verfahren zur innenraumzustandsüberwachung, sowie fahrzeug mit einer innenraumzustandsüberwachungseinrichtung
EP2035901B1 (de) Austauschbares antriebssystem
DE102014112482A1 (de) Vorrichtung und Verfahren zum Ausstatten von Behältnissen
DE102014112484A1 (de) Vorrichtung und Verfahren zum Ausstatten von Behältnissen und Stationsstilllegung
DE202017107845U1 (de) Behälterorientierung über eine Schnecke
WO2022238032A1 (de) Etikettiermaschine und verfahren zum konfigurieren einer etikettiermaschine
WO2022167680A1 (de) System und verfahren zum überwachen eines betriebes einer momentübertragungsvorrichtung
DE102006056214B4 (de) Industrieroboter mit einem Werkzeug oder Sensor und Verfahren
DE102017219035B4 (de) Elektrisches Siegel
EP3814073A1 (de) Verfahren und system zur laufenden speicherung und späteren visualisierungdarstellung von internen betriebszuständen eines roboters
EP3474578A1 (de) Verfahren und system für einen sicherheitssensor
EP3678868B1 (de) Direktdruckvorrichtung zum aufbringen eines umlaufenden druckbildes
EP4308466A1 (de) Verfahren und anlage zum behandeln von mehrwegbehältnissen mit nachverfolgung

Legal Events

Date Code Title Description
R163 Identified publications notified