-
Die vorliegende Erfindung liegt auf dem Gebiet der Zustandsüberwachung und Fehlererkennung von technischen Systemen. Die Erfindung betrifft insbesondere ein Verfahren und System zur kontinuierlichen Zustandsüberwachung und zur Erkennung von Anomalien in einem elektrischen System.
-
Anomalien in einem elektrischen System gefährden dessen einwandfreies Funktionieren. Eine verlässliche Zustandsüberwachung des elektrischen Systems ist unerlässlich, um im Falle von Anomalien schnell reagieren und den einwandfreien Betriebszustand des Systems wiederherstellen zu können. Dabei hängt die Qualität der Zustandsüberwachung stark von deren Parametrierung ab. Typischerweise unterscheidet sich das Anomalie-Verhalten von elektrischem System zu elektrischem System und lässt sich in der Regel nicht ohne weiteres vorhersagen. Häufig werden Anomalien erst im Rahmen von routinemäßigen Wartungsarbeiten entdeckt und reaktiv behoben oder durch einen Maschinenstillstand bemerkt.
-
Davon ausgehend liegt der vorliegenden Anmeldung die Aufgabe zugrunde, einen Ansatz zu schaffen, den Betreibern eines elektrischen Systems zur Diagnose von Anomalien zur Verfügung steht.
-
Diese Aufgabe wird durch die beiliegenden Patentansprüche gelöst, insbesondere durch die kontinuierliche Zustandsüberwachung, Zustandsüberwachungseinheit und durch ein Computerprogramm zum Ausführen der Zustandsüberwachung. Weitere vorteilhafte Ausführungsformen der Erfindung mit vorteilhaften Merkmalen finden sich in den Unteransprüchen und der nachfolgenden Beschreibung.
-
Gemäß einem ersten Aspekt wird die Aufgabe gelöst durch ein Verfahren zur kontinuierlichen Zustandsüberwachung eines elektrischen Systems, insbesondere zur Anomalieerkennung. Das Verfahren umfasst die folgenden Verfahrensschritten, die in einer Inferenzphase ausgeführt werden:
- - Bereitstellen eines trainierten Normalzustandsmodells als One-Class-Modell, das in einer Trainingsphase mit Normalzustandsdaten trainiert worden ist, die einen Normalzustand des elektrischen Systems repräsentieren;
- - Kontinuierliches Erfassen von Sensordaten des elektrischen Systems mittels einer Menge von Sensoren;
- - Extrahieren von Merkmalen aus den erfassten Sensordaten;
- - Bestimmen von Abweichungen der extrahierten Merkmale von gelernten Merkmalen des Normalzustandsmodells mittels einer Abstandsmetrik (z.B. euklidische Norm, Summennorm, Maximumsnorm);
- - Berechnen eines Anomaliescores aus den bestimmten Abweichungen und
- - Ausgabe des berechneten Anomaliescores.
-
Dieses computer-implementierte Verfahren kann als Diagnosesystem eingesetzt werden und wird im Hintergrund ausgeführt, so dass Betreiber lediglich im Falle von Anomalien reagieren müssen, um geeignete Mittel zur Fehlerbehebung in Gang zu setzen. Insbesondere beruht der Ansatz darauf, auf Basis von Sensordaten Merkmale zu ermitteln, mit deren Hilfe ein Normalzustandsmodell trainiert wird, das zur Bewertung zukünftiger Zustände des elektrischen Systems herangezogen werden kann. Je höher die Abweichung der im späteren Betriebsmodus ermittelten Merkmale von denen des trainierten Normalzustands sind, desto größer ist die Wahrscheinlichkeit für einen Fehlerzustand. Diese wird in einen Anomaliescore übersetzt, sodass der Betreiber des elektrischen Systems entsprechend reagieren kann.
-
Im Folgenden werden die Begrifflichkeiten der Erfindung näher erläutert.
-
Das Normalzustandsmodell beschreibt den Normalzustand des elektrischen Systems. Im Normalzustand liegen keine Anomalien vor und hier ist ein einwandfreies Funktionieren des Produktionsprozesses gegeben. Unter „Produktionsprozess“ wird die Wiederholung von Produktionszyklen verstanden, somit der Betriebszustand des elektrischen Systems. Ein Zyklus bzw. ein Produktionszyklus beschreibt in diesem Zusammenhang die Bewegung eines elektrischen Aktuators oder die durch einen elektrischen Aktuator verursachte Bewegung einer Komponente an ihren Ausgangspunkt zurück. Ein elektrischer Aktuator ist beispielsweise ein Elektromotor. Bei der Bewegung handelt es sich beispielsweise um eine Linearverschiebung eines Zylinderkolbens, eine Bewegung eines Schlittens oder um eine Drehbewegung eines Aktuators.
-
Ein elektrisches System kann über mehr als einen Betriebszustand verfügen. Beispielsweise kann ein elektrisches System auf unterschiedlichen Spannungsniveaus betreiben werden, wobei jedes Spannungsniveau einen Betriebszustand charakterisiert. In diesem Fall muss für jeden Betriebszustand der Normalzustand des elektrischen Systems während der Trainingsphase gelernt werden.
-
Der Normalzustand kann durch Merkmale des elektrischen Systems repräsentiert werden. Diese Merkmale basieren auf gemessenen Zustandsdaten des Normalzustands, wie beispielsweise Stromstärke, Spannungsstärke, oder Zeitstempel. Das One-Class Modell lernt diese Merkmale und definiert auf deren Basis den Normalzustand. Für das Erlernen des Normalzustandes werden während des Trainings idealerweise die gemessenen Normalzustandsdaten von mehreren ganzen Produktionszyklen verwendet.
-
Ein elektrisches System kann beispielsweise ein einzelner elektrischer Aktuator sein oder eine Vielzahl von Aktuatoren. Die Vielzahl von Aktuatoren kann unabhängig voneinander betrieben werden. In manchen Anwendungsfällen kann die Vielzahl von Aktuatoren auch so betrieben werden, dass diese Berührungspunkte aufweisen bzw. abhängig voneinander bzw. abhängig von einer gemeinsamen Komponente betreiben werden. Beispielsweise kann ein oder mehrere Getriebe mit einem oder mehreren Aktuatoren und/ oder Achsen in Verbindung stehen.
-
Ein weiteres Beispiel für einen elektrischen Aktuator ist ein Greifer, ein anderes Beispiel ist ein elektrischer Schlitten. Letzterer kann durch Merkmale charakterisiert werden. Zu den Merkmalen gehören beispielsweise die Geschwindigkeit und/oder die Beschleunigung des Schlittens. Der Schlitten kann auch durch ein akustisches Profil charakterisiert sein, wobei das akustische Profil kennzeichnend ist für einen Produktionszyklus. Dabei werden die Geschwindigkeit und Beschleunigung des Schlittens, sowie das akustische Profil nicht direkt gemessen, sondern aufgrund von einfach zugänglichen Zustandsdaten extrahiert. Ein Produktionszyklus des Schlittens besteht aus dessen Beschleunigung und Bewegung zu einer Position und die umgekehrte Beschleunigung und Bewegung an seinen Ausgangspunkt zurück. Den dazugehörigen Geschwindigkeiten und Beschleunigungen, sowie der Länge des Produktionszyklus kann im Normalzustand ein numerischer Wert zugeordnet werden. Abweichungen davon können auf eine Anomalie hindeuten.
-
Liegen Anomalien vor, kann das elektrische System nicht im Normalzustand arbeiten. Der Wirkungsgrad kann deutlich niedriger sein als der Nennwirkungsgrad. Anomalien können zu Verzögerungen, Energieverlusten, Produktivitätsstörungen, Ausfall von Komponenten des elektrischen Systems, Stillstand der Produktion oder Ähnlichem führen. Die Ursache für Anomalien kann ein Lagerschaden, Verschleiß, Kondensatorschäden, Verschmutzungen, Hitzeentwicklung, und/ oder erhöhte Reibung im System sein.
-
In einer bevorzugten Ausführungsform der Erfindung ist das Normalzustandsmodell ein statistisches Modell und/oder maschinelles Lernmodell.
-
In einem statistischen Modell werden Wahrscheinlichkeiten für die Merkmale des Normalzustandes angenommen, wobei die Wahrscheinlichkeiten auf Erfahrungswerten und/ oder Modellierungen beruhen können. Die Merkmale des Normalzustandes werden vorgegeben. Die Parametrierung der Merkmale kann bei Eintritt eines neuen Ereignisses angepasst werden. Ein neues Ereignis ist beispielsweise der Anschluss eines neuen Elementes, z.B. Aktuators an das bestehende elektrische System oder das Entfernen eines Elementes, z.B. Aktuators, an das elektrische System.
-
Ein maschinelles Lernmodell generiert auf Basis von Trainingsdaten ein statistisches Normalzustandsmodell. Dabei ermittelt das Lernmodell die Merkmale, die den Normalzustand charakterisieren, selber. In iterativer Weise wird ein Normalzustandsmodell erzeugt, eine Fehlerwahrscheinlichkeit, die die Abweichung des Normalzustandsmodells quantifiziert, geschätzt und das Modell optimiert bis sich beispielsweise die Fehlerwahrscheinlichkeit nicht mehr merklich verbessert. Ein maschinelles Lernmodell kann mithilfe von tiefem Lernen (deep learning) und/ oder neuronalen Netzen trainiert werden.
-
Unter „One-Class Modell“ ist diesem Zusammenhang ein Zustandsmodell zu verstehen, das lediglich aus Daten des Normalzustands generiert wird. Dabei werden die im statistischen Modell vorgegebenen Merkmale des Normalzustands quantifiziert (gelernte Merkmale) und festgelegt, innerhalb welcher Abweichungen Zustandsdaten noch dem Normalzustand zugerechnet werden können.
-
Das maschinelle Lernmodell generiert während des Trainings Merkmale aus den Zustandsdaten des Normalzustands und lernt deren Charakteristik. Als „One-Class Modell“ wird das Lernmodell lediglich mit Zustandsdaten des Normalzustandes trainiert und unterscheidet im Produktionsprozess zwischen der Zugehörigkeit von Zustandsdaten zu dem Normalzustand und zu einem unbestimmten Rest (Anomalie). Im Gegensatz zu anderen Modellen des maschinellen Lernens werden für das Training keine entsprechend gelabelten Gegenbeispiele des Normalzustands verwendet. Dies hat den Vorteil, dass für das Training keine Daten, die den Zustand mit Anomalien repräsentieren, benötigt werden. Solche Zustandsdaten mit Anomalien liegen bei Inbetriebnahme eins elektrischen Systems oftmals noch nicht vor.
-
Das Ziel des Trainings besteht darin, dass das Modell lernt, den Normalzustand des elektrischen Systems genau zu identifizieren, um Abweichungen davon als Anomalie im Produktionsprozess abzugrenzen. Dabei wird eine Zielfunktion so optimiert, dass das maschinelle Lernmodell möglichst viele Zustandsdaten des Normalzustandes und möglichst wenige Daten eines Zustands mit Anomalien akzeptiert. Im Produktionsprozess gibt eine Metrik den Abstand der Zustandsdaten von dem Normalzustandsmodell an bzw. eine Wahrscheinlichkeit, dass die Zustandsdaten zum Normalzustand zu gehören. Eine andere Metrik ist ein Grenzwert auf diesem Abstand bzw. der Wahrscheinlichkeit. Zustandsdaten werden als zum Normalzustand gehörend akzeptiert, wenn sie unter dem Grenzwert liegen.
-
David Tax diskutiert verschiedene Methoden und deren Vor- und Nachteile von One-Class Modellen (TAX David Martinus Johannes, One-class Classification: Concept-learning in the Absence of Counter-examples. Technische Universiteit Delft: Dissertation, 2001, ISBN: 90-75691-05-x). Demnach kann das One-Class Modell beispielsweise mit einer oder mehreren der folgenden Methoden implementiert werden:
- - Dichteschätzung („density estimation“), diese schätz die Dichte der Normalzustandsdaten und legt einen Grenzwert der Dichteverteilung fest. Der Grenzwert kann auf einer bestimmten Verteilung (z.B. Poisson- oder Gaußverteilung) beruhen. Zustandsdaten, die außerhalb des Grenzwerts liegen, werden als nicht zum Normalzustand gehörend klassifiziert;
- - Grenzmethode („boundary method“), diese fittet ein möglichst kleines Volumen um die Daten des Normalzustands, das die Merkmale des Normalzustands bestmöglich charakterisiert. Aus der äußeren Fläche des Volumens lässt sich der Grenzwert direkt ableiten. Ein Beispiel für die Grenzmethode ist die „support vector data description“ („SVDD“), die mithilfe einer möglichst kleinen Hypersphäre die Daten des Normalzustands von denen des Fehlerzustands trennt. Die Grenzmethode ist genauer beschrieben in z.B. Ruff, L., Vandermeulen, R., Goernitz, N., Deecke, L., Siddiqui, S.A., Binder, A., Müller; Kloft, M.. (2018). Deep One-Class Classification. Proceedings of the 35th International Conference on Machine Learning, in Proceedings of Machine Learning Research 80:4393-4402 Available from http://proceedinqs.mlr.press/v80/ruff18a.html. Auch andere Volumen, beispielsweise das eines Kastens (bounding box), können verwendet werden;
- - Rekonstruktionsmethode („reconstruction method“), diese macht Annahmen über die Clustering-Eigenschaften der Normalzustandsdaten und deren Verteilung in Unterräumen. Es wird davon ausgegangen, dass die Zustandsdaten eines Anomaliezustands die Annahmen nicht erfüllen. Ein Beispiel für die Rekonstruktionsmethode ist das k-means Verfahren. Hier werden die Normalzustandsdaten nach Merkmalen gruppiert, wobei jede Gruppe durch einen „Prototypen“ in Form eines Zentrums repräsentiert wird. Weichen die Zustandsdaten vom nächstliegenden Zentrum zu stark ab, wird der Zustand als nicht zum Normalzustand gehörend klassifiziert.
-
In einer anderen Ausführungsform kann das Modell mit Zustandsdaten des Normalzustandes und gemischten Zustandsdaten, die sowohl Normalzustandsdaten als auch Fehlerdaten enthalten trainiert werden. Hierzu kommen beispielsweise die Verfahren „Isolation Forest“ oder „One-Class-Support-Vector-Machines“ in Frage.
-
Die Sensordaten können von Sensoren innerhalb des elektrischen Systems und/oder am elektrischen System erfasst werden und quantifizieren typische Messgrößen eines elektrischen Systems. Beispielsweise können einer oder mehrere der folgenden Sensoren zum Einsatz kommen:
- - Spannungsmessgerät;
- - Strommessgerät;
- - Temperatursensor;
- - Drehzahlsteller;
- - Erfassen eines Zeitstempels;
- - Näherungssensor („proximity sensor“), der die Position eines Aktuators des elektrischen Systems misst;
- - Linear variabler Differentialtransformator („linear variable differential transformer“, „LVDT“) für die Wegmessung eines Aktuators;
- - Endlagenschalter zur Erkennung des Erreichens einer bestimmten Position durch den Aktuator;
- - Mikrofon; und/oder
- - Körperschallabnehmer.
-
In der Inferenzphase werden die oben beschriebenen Verfahrensschritte ausgeführt. Die, bzw. mehrere Inferenzphasen, können dabei kontinuierlich im Betriebszustand des elektrischen Systems ablaufen. Alternativ oder ergänzend kann die Inferenzphase auch nur zu bestimmten Zeitpunkten, beispielsweise nach einer Unterbrechung des Betriebszustandes, aufgerufen werden.
-
Das Extrahieren von Merkmalen beinhaltet unter anderem das Übersetzen der reinen Messpunkte in interpretierbare, physikalische Größen. Beispielsweise kann aus zwei gemessenen Zeitstempel eine Dauer für einen gewissen Vorgang, eine Beschleunigung und/ oder eine Geschwindigkeit eines Schlittens extrahiert werden. Es muss aber nicht immer notwendig sein, Merkmale zu extrahieren. In manchen Fällen können die Sensordaten auch direkt für den nächsten Verfahrensschritt, nämlich: für das Bestimmen der Abweichungen der extrahierten Merkmale von gelernten Merkmalen des Normalzustandsmodells mittels einer Abstandsmetrik, herangezogen werden. In manchen Fällen müssen nur aus bestimmten Sensordaten Merkmale extrahiert werden. Es kann auch sein, dass das Extrahieren von Merkmalen logische, vergleichende und/oder arithmetische Operationen umfasst. Die Merkmale können n-dimensionale Vektoren sein.
-
Eine Abstandsmetrik quantifiziert, inwieweit die extrahierten Merkmale von den gelernten Merkmalen entfernt liegen. Typische Abstandsmetriken sind die euklidische Norm, Summennorm oder auch die Maximumsnorm. Auch die Gewichtungen der Abstandsmetriken und/ oder eine Kombination von Abstandsmetriken können verwendet werden.
-
Der Anomaliescore, der aus der Abstandsmetrik berechnet wird, wird ausgegeben, sodass ein Betreiber eines elektrischen Systems oder auch eine Regelung im Fall von Anomalien entsprechende Maßnahmen ergreifen kann. Die Ausgabe des Anomaliescores kann in verschiedener Weise erfolgen. Beispielsweise kann ein Betreiber Push-Nachrichten, Mails oder andere Nachrichten erhalten. Die Ausgabe kann visuell erfolgen in Form eines Graphen und/ oder als quantifizierter Wert.
-
Der Anomaliescore gibt eine wahrscheinlichkeitsbasierte Aussage über den Zustand eines Teils und/ oder über die Gesamtheit des elektrischen Systems an. Es kann zum Beispiel ein spezifischer Anomaliescore für einen bestimmten Aktuator berechnet werden. Es kann aber auch ein spezifischer Anomaliescore für eine Beispieleinheit aus einem Getriebe mit mehreren Achsen und Motoren berechnet werden. In manchen Fällen kann „null“ bedeuten, dass das elektrische System im Normalzustand, sprich fehlerfrei, arbeitet. Je höher der Anomaliescore ist, desto größer kann die Abweichung vom gelernten Normalzustand des elektrischen Systems sein. Der Anomaliescore kann als Frühwarnsystem dienen, der bereits kleine Abweichungen vom Normalzustand aufzeigt.
-
Weiterhin kann der Algorithmus zur Berechnung des Anomaliescores parametrisierbar sein. Somit kann beispielsweise die Sensitivität des Anomaliescores und das zur Berechnung des Anomaliescores verwendete Trainings- und Glättungsintervall je nach Anwendungsfall eingestellt werden. In manchen Fällen kann der Anomaliescore als kontinuierliches Signal über den Zeitverlauf ausgegeben werden. Dies kann insbesondere zur Trenderkennung dienen. Der Anomaliescore kann auch als diskretes Signal ausgegeben werden, beispielsweise in Form eines Dashboards mit Mittelwerten, Zwischenergebnissen, statistischen Kenngrößen, Trainingsdaten und/ oder Zustandsdaten.
-
In einer weiteren, bevorzugten Ausführungsform der Erfindung dient der berechnete und ausgegebene Anomaliescore zur Detektion von Anomalien des elektrischen Systems. Weiterhin können die Normalzustandsdaten eine Stromstärke und/ oder ein Drehmoment eines Motors, eine Position, Geschwindigkeit und/ oder Beschleunigung eines Aktuators (z.B. Schlitten), Mikrofon-/Körperschallmessungen, Kraftmessungen und/oder analoge und/oder digitale Messsignale von elektrischen Bauteilen, insbesondere Zylindern umfassen. Die Begriffe „Messsignale“ und „Sensordaten“ werden hier austauschbar verwendet.
-
Das Verfahren kann in einer ersten Ausführungsform reaktiv eingesetzt werden, beispielsweise als Teil eines Reglers im Produktionsprozess, und somit eine Rückkopplung auf den Produktionsprozess bewirken. Beispielsweise kann das Verfahren in eine Speicherprogrammierte Steuerung (SPS) implementiert werden. In einer zweiten Ausführungsform der Erfindung kann das Verfahren als Empfehlungssystem eingesetzt werden, ohne eine direkte Rückkopplung auf den Prozess zu bewirken, und lediglich der frühzeigen Detektion von Anomalien und der Ausgabe von Warnungen und/oder Empfehlungen zu dienen. Das Verfahren kann auch als Empfehlungssystem mit einer Rückkopplung auf den Prozess ausgebildet sein.
-
Vorteilhafterweise kann das oben beschriebene Verfahren direkt in einem Feldbusknoten und/oder einem Edge Device ausgeführt werden. Ergänzend kann ein Teil des Verfahrens oder das ganze Verfahren auf einer zentralen Rechnerarchitektur und/ oder in einer Cloud ausgeführt werden. Das Verfahren kann in einem persistenten Speicher verfügbar gemacht werden, sodass es auch nach einem Stromausfall oder einer sonstigen Unterbrechung ausgeführt werden kann. Bei mehreren mit einem Feldbusknoten verbundenen Aktuatoren kann, falls sich die Normalzustandsmodelle der Aktuatoren unterscheiden, die entsprechende Anzahl an spezifischen Normalzustandsmodellen in dem Feldbusknoten verfügbar gemacht werden.
-
In einer weiteren, vorteilhaften Ausführungsform der Erfindung kann der Anomaliescore über ein TCP/IP-basiertes Netzwerkprotokoll an ausgewählte andere Netzwerkteilnehmer weitergeleitet werden, insbesondere über ein MQTT-Protokoll oder ein OPC UA-Protokoll. Dazu kann auf einem Feldbusknoten des elektrischen Systems ein Brokerknoten eingerichtet sein, der als Intermediär den berechneten Anomaliescore von einer Überwachungseinheit, die das Verfahren zur Anomalieerkennung ausführt, an die ausgewählten Netzwerkteilnehmer sendet. Alternativ oder in Ergänzung kann der Anomaliescore und/ oder Zustandsdaten an eine Speicherprogrammierbare Steuerung (SPS) und/oder ein smart device (z.B. Tablet) und/ oder eine Cloud weitergeleitet werden.
-
Vorteilhafterweise kann ein Produktivitätsscore ermittelt werden, insbesondere dann, wenn Prozesszyklen automatisch erkannt werden, um auszuwerten, wie sich eine Zyklendauer über einen längeren Zeithorizont entwickelt. Falls eine Zunahme der Zyklendauer auftritt und die Produktivität somit sinkt, kann eine Produktivitätswarnnachricht ausgegeben werden, um z.B. den Betreiber der elektrischen Maschine oder der Anlage zu warnen.
-
Die Repräsentation bzw. die Modellierung des Normalzustands kann in einer weiteren Ausführungsform der Erfindung über ein bounding-box Verfahren oder mittels eines k-means Verfahrens oder über eine andere geeignete one-class-learning Methode erfolgen. Das bounding-box Verfahren beruht auf der oben beschriebenen Grenzmethode. Anstatt einer Hypersphäre wird hier eine n-dimensionale Box trainiert, die im Produktionsprozess als Grenze für Daten, die vom Normalzustand abweichen, dient. Die n-dimensionale Box wird um die Daten des Normalzustands so gefittet, dass ihr Volumen möglichst klein ist, während der Normalzustand bestmöglich dargestellt wird.
-
Andere one-class-learning Methoden der Grenzmethode sind beispielsweise die „nearestneighbor Methode“ oder die „k-center Methode“.
-
Mit dem k-means Verfahren bzw. k-means Clustering werden die Merkmale des Normalzustands in Unterräume gruppiert. Jeder Unterraum kann durch einen Prototypen bzw. ein Zentrum repräsentiert werden, sodass die Varianzen zwischen Zentrum und den Daten des Normalzustands minimal sind. Andere one-class-learning Methoden der Rekonstruktionsmethode sind beispielsweise die „learning-vector-quantization Methode“ oder die „self-organizing-map Methode“.
-
Bei einer weiteren, vorteilhaften Ausführung der Erfindung kann auf die bestimmten Abweichungen eine Normalisierungsfunktion angewendet werden. Das Ergebnis davon kann der Anomaliescore sein. Dies dient insbesondere der besseren Weiterverarbeitung des Anomaliescores, beispielsweise durch einen Betreiber und/ oder einer Regelung. Als Normalisierungsfunktion kommt insbesondere eine Sigmoid-Funktion (z.B. logistische Funktion) in Frage. Dabei kann der Wendepunkt und/ oder eine Steigung der Sigmoid-Funktion parametrierbar sein und/ oder die Sigmoid-Funktion kann in der Trainingsphase linear reskaliert werden, so dass eine grafische Repräsentation des Anomaliescores stetig ist. Das kann idealerweise dazu führen, dass der Anomaliscore durch den Koordinatenursprung verläuft, sodass insbesondere bei einem Distanzwert „null“ ein Funktionswert „null“ für den Anomaliescore ausgegeben wird und somit besonders gut interpretierbar ist. In einer bevorzugten Ausführungsform der Erfindung kann es vorgesehen sein, dass zur Bestimmung der Parametrierung der Sigmoid-Funktion (Wendepunkt und/oder Steigung) eine Statistik über die Distanzen der Trainingsdatenpunkte zum gelernten Normalzustand berechnet wird. Dies kann als letzter Schritt des Trainingsprozesses ausgeführt werden.
-
Weiterhin kann vorgesehen werden, dass bei Überschreiten eines konfigurierbaren Schwellwertes des Anomaliescores der Betreiber des elektrischen Systems aufmerksam gemacht wird. Dies kann beispielsweise durch eine Warnnachricht (z.B. auf ein mobiles Endgerät) passieren. Außerdem können die Anomaliescore-Werte über konfigurierbare Schwellwerte Ampelfarben zugeordnet werden. Beispielsweise kann festgelegt werden, dass bei Überschreiten des Anomaliescores des Schwellwertes von 0,3 eine Ampel von grün auf gelb springt. Eine Ampeldarstellung mit folgender Semantik ist ebenfalls denkbar: Normalzustand, Überprüfung der Funktionsfähigkeit empfohlen, Wartung empfohlen, Wartung erforderlich, Warnung an Nutzer bei Farbwechsel. Auch andere Visualisierungen und/ oder Vertonungen des Anomaliescores, wenn dieser einen bestimmten Wert überschreitet, können implementiert werden.
-
Der Anomaliescore kann global für ein gesamtes elektrisches System ausgegeben werden. Alternativ oder in Ergänzung dazu kann der Anomaliescore auch lokal für gewisse Subgruppen und/oder Funktionseinheiten eines elektrischen Systems, wie beispielsweise für ein Getriebe mit mehreren Aktuatoren und Achsen, ausgegeben werden, um die Lokalisierung der Anomalie zu vereinfachen. Dabei wird eine Vielzahl von Sensorsignalen von verschiedenen Sensoren verarbeitet, was für die Effizienz und Skalierbarkeit der Anomalieerkennung und - behebung von Vorteil ist.
-
Für das manuell und/ oder maschinell ausgeführte Troubleshooting können verschiedene Probleme und deren Behebung in Frage kommen. Wird ein fehlerhafter Anomaliescore angezeigt, obwohl kein Fehler im elektrischen System festgestellt werden kann, könnte das One-class Modell anstatt mit Zustandsdaten des Normalzustands mit Zustandsdaten der Einschwingphase (bzw. Startphase) trainiert worden sein, die von dem Normalzustand abweichen können. Hier kann sich ein Neutrainieren des One-class Modells, nachdem die Einschwingphase vollständig abgeschlossen ist, empfehlen. Alternativ oder in Ergänzung könnten die Trainingsdaten den Normalzustand nicht vollständig repräsentieren, beispielsweise aufgrund von mehreren Betriebszuständen. Hier kann sich ein Neutraining des One-class Modells mit einem verlängerten Intervall, welches alle Betriebszustände umfasst, empfehlen. Es ist auch ein Nachtraining mit fehlenden Betriebszuständen möglich.
-
Falls ein niedriger Anomaliescore angezeigt wird, obwohl Anomalien im elektrischen System vorliegen, könnte in den Trainingsdaten ein statistisch relevanter Fehleranteil enthalten sein. Hier empfiehlt sich ein Neutraining des One-class Modells mit Normalzustandsdaten ohne Fehlerfälle bzw. mit einem statistisch nicht relevantem Fehlerfallanteil.
-
Weiterhin kann die Sensitivität des Anomaliescores nicht die gewünschten Ergebnisse erzielen. In diesem Fall wäre die Parametrierung des Anomaliescores nach zu justieren und/ oder das Glättungsintervall anzupassen, sollte es an der Langzeit-Kurzzeit-Einstellung liegen.
-
Das Troubleshooting kann unter Heranziehung der Zustandsdaten oder komplett basierend auf den Zustandsdaten ausgeführt werden.
-
In einer bevorzugten Ausführungsform kann das Verfahren über Meta-Parameter gesteuert werden. Dabei können die Meta-Parameter eine Parametrierung des Modells darstellen und insbesondere eine Bestimmung der Anzahl von k-means-Zentren und/ oder eine Anzahl von bounding boxes, und/oder eine Berechnungsvorschrift für die Grenzen der bounding boxes, und/ oder eine Gewichtung von extrahierten Merkmalen und/ oder weitere Parameter zur Merkmalsextraktion umfassen.
-
In einer weiteren, bevorzugten Ausführungsform der Erfindung können die Meta-Parameter eine Parametrierung der Sensoren beinhalten und somit beispielsweise bestimmen, welche Sensordaten zu erfassen sind, wann und/ oder wie oft die Sensordaten erfasst werden sollen, und/oder die Zyklenlänge vorgeben. Weiterhin können die Meta-Parameter eine Parametrierung der Abstandsmetrik, eine Parametrierung der Anomaliescoreberechnung und/oder eine Parametrierung der Ausgabe vorsehen. In Ergänzung oder alternativ dazu kann eine Methode vorgesehen werden, um die Meta-Parameter invers von den Messsignalen zu bestimmen. Alle oder Teile der vorstehend genannten Bestimmungen können in einer vorteilhaften Ausführungsform der Erfindung wahlweise über entsprechend bereitgestellte Felder auf einer Benutzerschnittstelle erfasst werden.
-
Vorteilhafterweise werden die Trainingsdaten in der Trainingsphase und die Produktivdaten - und insbesondere die Sensordaten - in der Inferenzphase mit denselben Vorverarbeitungsmethoden vorverarbeitet (z.B. Normierung). Dies dient der Vergleichbarkeit der Daten. Werden z.B. Zeitfenster für die Merkmalsextration durch eine automatische Mustererkennung festgelegt, so kann dies in gleicher Weise in der Trainings- und Inferenzphase durchgeführt werden.
-
Die Vorverarbeitungsmethoden können eine Ausführung eines Mustererkennungsalgorithmus auf den Sensordaten und/ oder auf den Normalzustandsdaten umfassen. Dies kann dazu dienen, in den Sensordaten wiederkehrende Muster zu erkennen, die Prozesszyklen repräsentieren. Dabei können die erfassten Prozesszyklen als Parametrierung eines Zeitfensters genutzt werden. Weiterhin kann insbesondere ein Ergebnis des Mustererkennungsalgorithmus dazu dienen, Zeitfenster zu berechnen, in denen die Merkmalsextraktion ausgeführt wird. Die Zeitfenster können überschneidungsfrei, d.h. konsekutiv, oder überlappend konfiguriert werden. Die Zeitfenster können insbesondere für gewisse Phasen definiert werden, in denen Merkmale extrahiert werden sollen. Falls keine Merkmalsextraktion stattfindet, z.B. wenn die Sensorinformationen direkt in das Normalzustandsmodell einfließen, ist eine Definition der Zeitfenster nicht nötig.
-
Die Zeitfensterlänge kann als statischer Wert in der Einheit Anzahl der Zyklen oder in Zeiteinheiten, wie z.B. 10 Sekunden, angegeben werden. Falls die Zyklen automatisch erkannt werden, kann die Zyklusdauer auch dynamisch sein. In diesem Fall könnte zum Beispiel der Mittelwert als Merkmal für diese Zeitfensterlänge berechnet werden. Dabei ist die Zeitfensterlänge nicht zu verwechseln mit der Trainingsdatensatzlänge. Der Trainingsdatensatz kann eine Mehrzahl von Zeitfenstern umfassen, um ein statistisches Modell sinnvoll trainieren zu können. Aus dem kompletten Trainingsdatensatz können dann die Merkmale extrahiert werden. Der Trainingsdatensatz kann wiederum unterteilt werden in viele Zeitfenster (überschneidungsfrei oder überlappend). Die Zeitfenster können z.B. vom Betreiber des elektrischen Systems über ein Menü erfahrungsbasiert oder nach Betrachtung von Messdaten (zyklische Prozesslänge) bestimmt werden. Alternativ oder kumulativ können die Zeitfenster algorithmisch durch eine automatisierte Detektion von wiederkehrenden Mustern, zum Beispiel durch eine Auto-Korrelation, bestimmt werden. Weiterhin kann ein Trialand-Error Verfahren angewendet werden, um die Fensterwahl und/oder die Auswahl der Sensordaten zu bestimmen bzw. zu optimieren. Die Auswahl der Sensordaten kann auch auf Erfahrungswerten beruhen, die in einer Datenbank oder in einem Speicher hinterlegt sind und zu diesem Zweck ausgelesen werden. Die Zeitfensterlänge kann der Zyklenlänge entsprechen oder davon abweichen. Da es sich aber bei automatisierten (Produktions-)Prozessen durch elektrische Systeme in der Regel um zyklische Prozesse handelt, ist dies oft sinnvoll.
-
Weiterhin können die die Vorverarbeitungsmethoden und insbesondere ein Mustererkennungsalgorithmus eine Auto-Korrelation umfassen.
-
Das oben beschriebene Verfahren kann weiterhin ein Verfahren zur Dimensionsreduktion (z.B. „principal component analysis“, „PCA“) umfassen und das Verfahren zur Dimensionsreduktion kann insbesondere in einer Datenvorverarbeitung auf die Rohdaten und/oder auf die extrahierten Merkmale angewendet werden.
-
Der berechnete Anomaliescore kann vorzugsweise einem Tiefpassfilter unterzogen werden, wobei der Tiefpassfilter parametrierbar sein kann.
-
In einer vorzugsweisen Ausführungsform der Erfindung können Meta-Parameter, insbesondere Sensitivitätsparameter, auf einem Eingabefeld einer Benutzerschnittstelle erfasst werden, und die Sensitivitätsparameter können kennzeichnen, unter welchen Bedingungen und insbesondere wie schnell Unterschiede zwischen den extrahierten Merkmalen und den gelernten Merkmalen als Abweichungen verarbeitet werden.
-
Vorteilhafterweise können die extrahierten Merkmale statistische Kenngrößen umfassen und insbesondere Mittelwerte, Minima, Maxima, Differenzen, Quantile, insbesondere Quartile, Schiefheit und/oder Kurtosis der Sensordaten und/oder ihrer Ableitungen umfassen, Kenngrößen des Frequenzanalyse (z.B. durch Fourieranalyse) oder andere ausgewählte Kenngrößen über die Zeit.
-
Weiterhin kann das Verfahren nach dem Erfassen der Sensordaten auf die erfassten Sensordaten ein Vorverarbeitungsalgorithmus ausführen, der die Daten in ein anderes Format transformiert und/ oder Ausreißerdaten herausfiltert.
-
Vorzugsweise kann das Verfahren nach dem Erfassen der Sensordaten einen Mustererkennungsalgorithmus ausführen, um in den Sensordaten wiederkehrende Muster zu erkennen (z.B. durch Auto-Korrelation), die Prozesszyklen repräsentieren und die erfassten Prozesszyklen können als Parametrierung eines Zeitfensters genutzt werden.
-
Es kann beispielsweise eine eins-zu-eins Zuordnung vorgesehen sein, die die erkannte Prozesszykluslänge einem Zeitfenster für das Extrahieren der Merkmale zuordnet. Es können aber auch nur bestimmte Teilausschnitte der Prozesszyklen interessant sein, wie zum Bespiel der Einspannprozess im Karosseriebau: Ein Prozesszyklus umfasst hier das Einspannen der Karosserieteile. Dies dauert in der Regel weniger als eine Sekunde. Der anschließende Schweißprozess dauert ca. 30 Sekunden und das anschließende Loslassen wiederum unter einer Sekunde bevor das geschweißte Teil zum nächsten Produktionsschritt weitergereicht wird. Der gesamte Einspannprozess umfasst also auch die 30 Sekunden Schweißdauer, welche bei der Merkmalsextraktion nicht in allen Fällen beachtet werden muss.
-
Vorstehend wurde die Lösung der Aufgabe anhand des Verfahrens beschrieben. Dabei erwähnte Merkmale, Vorteile oder alternative Ausführungsformen sind ebenso auch auf die anderen beanspruchten Gegenstände zu übertragen und umgekehrt. Mit anderen Worten können auch die gegenständlichen Ansprüche (die beispielsweise auf eine Zustandsüberwachungseinheit oder auf ein Computerprogramm gerichtet sind) mit den Merkmalen weitergebildet sein, die in Zusammenhang mit dem Verfahren beschrieben oder beansprucht sind und umgekehrt. Die entsprechenden funktionalen Merkmale des Verfahrens werden dabei durch entsprechende gegenständliche Module, insbesondere durch Hardware-Module oder Mikroprozessor-Module, des Systems bzw. des Produktes ausgebildet und umgekehrt. Die beanspruchte Vorrichtung ist dementsprechend eingerichtet, das oben beschriebene Verfahren auszuführen. Die vorstehend beschriebenen vorteilhaften Ausführungsform der Erfindung des Verfahrens können auch in der Zustandsüberwachungseinheit umgesetzt sein. Diese werden an dieser Stelle nicht separat wiederholt.
-
Gemäß einem zweiten Aspekt betrifft die Erfindung eine Zustandsüberwachungseinheit zur kontinuierlichen Zustandsüberwachung eines elektrischen Systems und insbesondere zur frühzeitigen Fehlererkennung, wobei die Zustandsüberwachungseinheit ausgebildet ist, eines der oben beschriebenen Verfahren auszuführen, mit:
- - Einer Schnittstelle zu einem Speicher, in dem ein trainiertes Normalzustandsmodell als One-Class-Modell gespeichert ist, das in einer Trainingsphase mit Normalzustandsdaten trainiert worden ist und einen Normalzustand des elektrischen Systems repräsentiert;
- - Einer Datenschnittstelle zum kontinuierlichen Erfassen von Sensordaten des elektrischen Systems mittels einer Menge von Sensoren;
- - Einem Extraktor zur Extraktion von Merkmalen aus den erfassten Sensordaten;
- - Einem Differentiator zum Bestimmen von Abweichungen der extrahierten Merkmale von gelernten Merkmalen des Normalzustandsmodells mittels einer Abstandsmetrik (z.B. euklidische Norm, Summennorm, Maximumsnorm);
- - Einer Scoringeinheit zum Berechnen eines Anomaliescores aus den bestimmten Abweichungen und
- - Einer Ausgabeeinheit zur Ausgabe des berechneten Anomaliescores.
-
Gemäß einem dritten Aspekt wird die Aufgabe gelöst durch ein Computerprogramm, umfassend Befehle, die bei der Ausführung des Computerprogramms durch einen Computer diesen veranlassen, das Verfahren gemäß einem der oben beschriebenen Verfahrensansprüche auszuführen.
-
In der nachfolgenden detaillierten Figurenbeschreibung werden nicht einschränkend zu verstehende Ausführungsbeispiele mit deren Merkmalen und weiteren Vorteilen anhand der Zeichnungen besprochen.
-
Figurenliste
-
- 1 zeigt in einer schematischen Darstellung einen Teil eines elektrischen Systems, insbesondere eine Einheit mit einer Vielzahl von Aktuatoren;
- 2 ist ein Beispiel für ein Ablaufdiagramm für ein Verfahren zur kontinuierlichen Zustandsüberwachung;
- 3 zeigt ein Beispiel einer schematischen Darstellung eines Signalflussplans eines beispielhaften elektrischen Systems mit kontinuierlicher Zustandsüberwachung;
- 4a ist eine schematische Beispieldarstellung für eine Abstandsbestimmung mittels der bounding-box Methode;
- 4b ist eine schematische Beispieldarstellung für eine Abstandsbestimmung mittels der k-means Methode;
- 5 ist eine Schemadarstellung einer Normalisierungsfunktion gemäß vorliegender Erfindung.
-
Detaillierte Beschreibung der Figuren
-
Im Folgenden wird die Erfindung anhand von Ausführungsbeispielen im Zusammenhang mit den Figuren näher beschrieben.
-
Der Schutzbereich der vorliegenden Erfindung ist durch die Ansprüche gegeben und wird durch die in der Beschreibung erläuterten oder den Figuren gezeigten Merkmale nicht beschränkt.
-
Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zur Zustandsüberwachung elektrischer Systeme, die insbesondere der Erkennung von Anomalien dient.
-
1 zeigt in einer Übersichtsdarstellung ein elektrisches System 100 mit einer Zustandsüberwachung 114. Zu dem elektrischen System 100 gehört eine Einheit 102 mit mehreren Aktuatoren ai. Es ist denkbar, dass ein elektrisches System 100 andere oder anders verschaltete oder mehrere dieser Aktuatoren ai umfasst. Weitere Komponenten des elektrischen Systems 100 sind unter anderem die Regelung 104, ein Terminal 106 und die Kommunikationsschnittstellen 108. Die Kommunikationsschnittstellen 108 können eine Schnittstelle zu einem Speicher 110, 116 umfassen, in dem ein trainiertes Normalzustandsmodell als One-Class-Modell gespeichert ist, und eine Datenschnittstelle 112, 302 zum kontinuierlichen Erfassen von Sensordaten umfassen.
-
Die Einheit 102 umfasst die Leistungssteuerungen v1, v2, v3, die zum Beispiel als Spannungssteuerungen ausgebildet sein können. Zusätzlich befinden sich an der Einheit 102 eine Vielzahl von Aktuatoren a1, ..., a6. Die Aktuatoren a1, ..., a6 sind z.B. mit den Spannungssteuerungen v1, ..., v3 verbunden und werden durch diese gesteuert. Beispielsweise kann der Aktuator a1 ein Schlitten sein. Die mit ihm verbundene Steuerung v1 kann durch entsprechende Spannungssignale den Elektromotor des Schlittens aktivieren, so dass sich dieser bewegt. Weiterhin befindet sich auf der Einheit 102 ein Hub für digitale Ein- und Ausgänge 112, der über die Signalleitung s1 mit dem Aktuator a1 verbunden ist. Eine Signalleitung s2 verbindet die Spannungssteuerung v1 mit dem Hub 112. Entsprechende Signalleitungen führen von den Aktuatoren a2, ..., a6 und den Steuerungen v2, ... v3 zu dem Hub für digitale Ein- und Ausgänge 112. Auf deren detaillierte Beschreibung bzw. Darstellung wird der Übersichtlichkeit halber an dieser Stelle verzichtet. Es ist anzumerken, dass die Signalleitungen s1, s2 als Leitungen dargestellt werden. Jedoch können diese jeweils auch durch drahtlose Kommunikationsschnittstellen ersetzt werden. Weiterhin ist die Spannungssteuerung nur ein Beispiel. Es kann ebenso das Drehmoment und/ oder die Drehzahl der Elektromotoren der Aktuatoren durch die Steuerungen v1, ..., v3 vorgegeben werden.
-
Der Hub 112 der Einheit 102 ist weiterhin mit einem Feldbusknoten 110 verbunden. Der Feldbusknoten 110 stellt das Rechenzentrum der Einheit 102 dar und verfügt über die Zustandsüberwachungseinheit 114. Die Zustandsüberwachungseinheit 114 kann in einem persistenten Speicher 116 (z.B. Flash-Memory) des Feldbusknotens 110 verfügbar gemacht werden. Zu der Zustandsüberwachungseinheit 114 gehören beispielsweise Modelle und deren Parameter, Trainings- und Inferenzalgorithmen, Trainingsdaten, Zustandsdaten, Metaparameter und Konfigurationsparameter (nicht gezeigt). Daneben verfügt der Feldbusknoten über einen nicht-persistenten Speicher (z. B. RAM). Hier können beispielsweise historische Zustandsdaten und die dazugehörigen Anomaliescores abgespeichert werden.
-
Die Zustandsüberwachungseinheit 114 erhält über den Hub 112 im Trainings- als auch während der Inferenz bzw. im Betriebszustand des elektrischen Systems 100 Sensordaten. Beispielhaft sind der Sensor m1, beispielsweise ein Endlagenschalter am Aktuator a1, und ein Sensor m2 zum Erfassen eines Zeitstempels an der Steuerung v1 gezeigt. Der Sensor m1 misst beispielsweise den Zeitpunkt, an dem der Aktuator a1 eine vorgegebene Position erreicht hat. Der Sensor m2 misst beispielsweise den Zeitpunkt, an dem das Spannungssteuerung v1 aktiviert wurde. Aus diesen Sensordaten berechnet die Überwachungseinheit in diesem Beispiel mithilfe des oben beschriebenen One-class Modells einen Anomaliescore. Dieser kann über die Kommunikationsschnittstellen 108 an weitere Komponenten und/ oder Einheiten des elektrischen Systems kommuniziert und/ oder am Terminal 106 angezeigt werden.
-
Bei den Kommunikationsschnittstellen 108 kann es sich beispielsweise um Kommunikationsschnittstellen eines verteilten Systems, wie OPC Unified Architecture (OPC UA), handeln. Diese Schnittstelle kann zur Kommunikation mit anderen Feldbusknoten und/ oder einem IT Datenpool dienen. Ergänzend dazu oder alternativ kann die Kommunikationsschnittstelle als eine Maschine-zu-Maschinen-Kommunikationsschnittstelle ausgebildet sein und beispielsweise zur Übertragung von Nachrichten über ein Message Queuing Telemetry Transport (MQTT) Protokoll, dienen. Dies ist in 1 mit dem Bezugszeichen MQTT Broker dargestellt.
-
Der Feldbusknoten 110 ist weiterhin mit einer Regelung, z.B. einer SPS 104, und einem Terminal 106 verbunden. Das Terminal 106 kann ein User Interface (Benutzerschnittstelle) für Eingaben durch einen Betreiber beinhalten. In Ergänzung oder alternativ kann das Terminal 106 zur Anzeige des Anomaliescores, den die Zustandsüberwachungseinheit 114 zur Verfügung stellt, dienen.
-
In einer bevorzugten Ausführungsform der Erfindung umfasst die Zustandsüberwachungseinheit 114 drei Schnittstellen, eine erste Schnittstelle zu den Sensoren m, eine zweite Schnittstelle zu einem Speicher 116, in dem das trainierte One-Class Modell gespeichert ist und eine dritte Schnittstelle, die als Mensch-Maschine-Schnittstelle 320 oder als Terminal 106 ausgebildet sein kann und zur Ein- und Ausgabe von Daten bestimmt ist. Die Zustandsüberwachungseinheit 114 kann in einer einfachen Ausführungsform den Extraktor 304, den Differentiator 310 und die Scoringeinheit 318 umfassen. Der Speicher 116 kann natürlich auch als interner Speicher ausgebildet sein, so dass das trainierte One-Class Modell intern und lokale in dem Feldbusknoten 110 gespeichert sein kann.
-
2 ist ein Beispiel für ein Ablaufdiagramm für ein Verfahren 200 zur kontinuierlichen Zustandsüberwachung mit den Schritten 202 - 212, die in einer Inferenzphase ausgeführt werden. Das Verfahren 200 kann in der Zustandsüberwachungseinheit 114 - im Folgenden auch kurz: Überwachungseinheit 114 genannt - des elektrischen Systems 100 ablaufen bzw. die Überwachungseinheit 114 kann die entsprechenden Schritte veranlassen.
-
In einem ersten Schritt 202 wird ein trainiertes Normalzustandsmodell bereitgestellt. Das Normalzustandsmodell wurde als One-Class Modell und mit Zustandsdaten des Normalzustandes des elektrischen Systems 100 trainiert. Im Normalzustand läuft das elektrische System 100 fehlerfrei. Die Normalzustandsdaten repräsentieren diesen Fall. Falls der Aktuator a1 ein Spanner ist, kann im Normalzustand exakt angegeben werden, welche Zeit für dieser für einen Produktionszyklus benötigt.
-
In einem Schritt 204 werden kontinuierlich Sensordaten des elektrischen Systems 100 mittels einer Menge von Sensoren erfasst. Die Menge der Sensoren enthält mindestens die oben beschriebenen Sensoren m1 und m2. Darüber hinaus können mehrere dieser bzw. auch andere Arten von Sensoren (Mikrofone, Körperschallabnehmer) Sensordaten erfassen.
-
Weiterhin werden in Schritt 206 Merkmale aus den kontinuierlich erfassten Sensordaten extrahiert. Durch das Extrahieren werden aus den reinen Messdatenpunkte physikalisch interpretierbare Größen, die Merkmale, abgeleitet. Beispielsweise werden gemessenen Zeitstempel das Merkmal einer Dauer zugeordnet für einen bestimmten Prozess zugeordnet.
-
Es folgt Schritt 208, der das Abweichungen der extrahierten Merkmale von gelernten Merkmalen des Normalzustands mittels einer Abstandsmetrik bestimmt werden. Die Abstandsmetrik kann beispielsweise eine euklidische Norm, eine Summennorm oder eine Maximumsnorm sein.
-
Aus diesen bestimmten Abweichungen wird in Schritt 210 ein Anomaliescore berechnet. Diese Berechnung wird in Zusammenhang mit 3 näher beschrieben.
-
Der Anomaliescore wird in Schritt 212 ausgegeben. Die Ausgabe kann beispielsweise über das Terminal 106 des elektrischen Systems erfolgen. Der Anomaliescore kann auch ausschließlich oder ergänzend über die Kommunikationsschnittstelle 108 an andere Teilnehmer kommuniziert werden. Zudem oder alternativ kann der Anomaliescore beispielsweise als Steuergröße an die Regelung 104 kommuniziert werden. Diese kann bei Bedarf ihre Stellgröße anpassen. Weiterhin kann der Anomaliescore und die dazugehörigen Zustandsdaten in den nicht-flüchtigen Speicher 116 des Feldbusknotens 110 abgespeichert werden.
-
3 zeigt ein Beispiel einer schematischen Darstellung eines Signalflussplans 300 inklusive der dazugehörigen Signalverarbeitungskomponenten eines beispielhaften elektrischen Systems mit kontinuierlicher Zustandsüberwachung. Insbesondere wird in der Box 310 ein Differentiator repräsentiert, der zum Bestimmen von Abweichungen eingerichtet ist, die dem Berechnen des Anomaliescores zugrundeliegen. Der Input 302 besteht aus den kontinuierlich aufgezeichneten Sensorsignalen. Diese umfassen beispielsweise Signale der Endlagenschalter eines Aktuators, beispielsweise eines Zylinders. Aus diesen Sensorsignalen werden, wie in Box 304 repräsentiert, mittels eines Extraktors 304, Merkmale extrahiert, d.h. Größen abgeleitet, die Aufschluss über das Funktionieren des elektrischen Systems geben. Dies kann im vorliegenden Fall die Aktuator-Merkmale Geschwindigkeit, Beschleunigung, und/ oder das akustische Profil beinhalten.
-
Die extrahierten Merkmale können normalisiert werden, um deren Darstellung in einem n-dimensionalen Raum zu vereinfachen. Dies ist insbesondere vorteilhaft, wenn die von den Sensordaten abgeleiteten Merkmale verschiedene physikalische Größen und/ oder Größenordnungen beinhalten, die zusammen weiterverarbeitet werden sollen.
-
In Box 308 kann als optionaler Schritt in einer Konfigurationsphase eine Abstandsmetrik bestimmt werden, die durch den Differentiator 310 angewendet wird. Dies kann über eine Benutzerschnittstelle erfolgen.
-
In Box 310, die den Differentiator repräsentiert, wird die Abweichung der extrahierten Merkmale von den gelernten Merkmalen bestimmt. Die gelernten Merkmale beziehen sich auf die während des Trainings durch Normalzustandsdaten abgeleitete Merkmale. Die Abweichung kann entweder über eine bounding-box Methode 311 oder über eine k-means Methode 312 ermittelt werden. Es ist auch denkbar, dass beide Methoden für robustere Ergebnisse bei ausreichend Rechenkapazität herangezogen werden.
-
In der bounding-box Methode 311 wird ermittelt, ob die die extrahierten Merkmale innerhalb des durch die bounding box begrenzten Raums liegen oder ob von einer Grenzwertverletzung auszugehen ist. In letztem Fall wird der Abstand zwischen den extrahierten Merkmalen und der durch die bounding-box dargestellten Grenzwerten ermittelt, andernfalls ist der Abstand „null“ (siehe Ausführungen zu 4a). In der k-means Methode wird der Abstand der Merkmale zu dem nächsten Clusterzentrum ermittelt (siehe Ausführungen zu 4b).
-
Der ermittelte Abstand kann durch eine Normalisierungsfunktion 314 auf ein beliebiges Intervall (beispielsweise von „null“ bis „eins“) des Anomaliescores abgebildet werden. Das Ergebnis kann durch einen Tiefpassfilter 316 geglättet werden und der entsprechend berechnete Anomaliescore kann von einer Scoringeinheit 318 als Output zur Verfügung gestellt werden. Der berechnete Anomaliescore wird schließlich von einer Ausgabeeinheit 320 ausgegeben.
-
Die 4a und 4b illustrieren in beispielhafter Weise die Abstandsbestimmung der extrahierten Merkmale vom Normalzustand des elektrischen Systems. 4a zeigt die Bestimmung der Abweichung mittels der bounding-box Methode, die in 3 mit dem Bezugszeichen 311 repräsentiert ist. Die bounding box (dargestelltes Rechteck) repräsentiert den Raum, dem die gelernten Merkmale des Normalzustands angehören. Liegt ein extrahiertes Merkmal innerhalb der bounding box, dann ist der Abstand null. Liegt ein extrahiertes Merkmal außerhalb der bounding box, wird dessen Abstand zur bounding box ermittelt. Dies ist durch die gestrichelte Linie dargestellt. Dazu können verschiedenste Abstandsmetriken, gewichtete Abstandsmetriken oder eine Kombination von Abstandsmetriken herangezogen werden. Abstandsmetriken sind beispielsweise die euklidische Norm, die Maximumsnorm oder auch die Summennorm. Die Bestimmung der zu verwendenden Abstandsmetrik kann vorzugsweise durch Eingabe eines Benutzerauswahlsignals auf einer Benutzerschnittstelle in einer Konfigurationsphase, siehe Schritt 308 (3), erfolgen.
-
4b zeigt die Bestimmung der Abweichung mittels der k-means Methode, die in 3 mit dem Bezugszeichen 312 repräsentiert ist. Die „cluster center“ repräsentieren die Zentren der k-means Cluster, die die gelernten Merkmalsdaten des Normalzustands, gruppieren. Die Gruppierung der gelernten Merkmalsdaten des Normalzustands ist durch die Cluster Umrandung in 4b illustriert. Der Abstand des extrahierten Merkmals („test data“) zu dem nächstliegenden Zentrum der gelernten Merkmale wird im Rahmen der k-means Methode ermittelt (gestrichelte Linie).
-
Das One-Class Modell bestimmt aufgrund der durch die bounding-box oder k-means Methode ermittelten Abstände einen Anomaliescore, der dem Betreiber ausgegeben wird.
-
Für die 4a und 4b ist anzumerken, dass die gewählte zweidimensionale Darstellung nur der Illustration dient und es sich bei den Merkmalen um höherdimensionale (n-dimensionale) Objekte handeln kann.
-
5 ist eine Schemadarstellung einer Normalisierungsfunktion gemäß vorliegender Erfindung. Bei der Normalisierungsfunktion kann es sich um eine Sigmoid-Funktion handeln.
-
Die Sigmoid-Funktion wurde im vorliegenden Fall reskaliert, sodass einer Distanz von Null ein Anomaliescore von Null zugeordnet werden kann. Die dargestellten Graphen C1 - C3 verdeutlichen, welchen Einfluss die Parametrierung der Sigmoid-Funktion auf den Anomaliescore hat und wie dieser in Abhängigkeit davon die gemessenen Abweichungen („Distanz“ auf der x-Achse) repräsentiert. Die Abweichungen werden auf den Anomaliescore 0 ... 1 abgebildet, was deren Interpretierbarkeit und dadurch ein angemessenes Reagieren auf eventuelle Anomalien erleichtert.
-
Insbesondere werden im vorliegenden Fall der Wendepunkt und Steigung der Sigmoid-Funktion parametriert. Die Parametrierung kann durch Eingaben auf der Benutzerschnittstelle erfolgen. Ausgehend von der Sigmoid-Kurve C1 bedeutet ein Erhöhen des Wendepunkts eine Verschiebung entlang der positiven Richtung der x-Achse. Damit wird das Modell weniger sensitiv, denn höhere Abweichungen bzw. Distanzen werden nun durch einen niedrigeren Anomalie-Score repräsentiert.
-
Weiterhin bewirkt eine Erhöhung der Steigung der Sigmoid-Kurve C1, wie es beispielhaft für die Kurve C3 dargestellt ist, dass geringere Unterschiede in den Abweichungen bzw. Distanzen zu größeren Unterschieden in dem Anomaliescore führen. Je nach Fehlertoleranz des elektrischen Systems kann die Normalisierungskurve ausgewählt und parametriert werden.
-
Abschließend sei darauf hingewiesen, dass die Beschreibung der Erfindung und die Ausführungsbeispiele grundsätzlich nicht einschränkend in Hinblick auf eine bestimmte physikalische Realisierung der Erfindung zu verstehen sind. Alle in Verbindung mit einzelnen Ausführungsformen der Erfindung erläuterten und gezeigten Merkmale können in unterschiedlicher Kombination in dem erfindungsgemäßen Gegenstand vorgesehen sein, um gleichzeitig deren vorteilhafte Wirkungen zu realisieren.
-
Der Schutzbereich der vorliegenden Erfindung ist durch die Ansprüche gegeben und wird durch die in der Beschreibung erläuterten oder den Figuren gezeigten Merkmale nicht beschränkt.
-
Für einen Fachmann ist es insbesondere offensichtlich, dass die Erfindung nicht nur für die genannten Sensordaten angewendet werden kann, sondern auch für andere messtechnisch erfasste Größen, die einen Betriebszustand des elektrischen Systems zumindest mitbeeinflussen. Des Weiteren können die Bauteile der Zustandsüberwachungseinheit auf mehreren physikalischen Produkten verteilt realisiert sein.
