DE102022116627A1 - Computerimplementiertes Verfahren zum KI-basierten Betreiben eines Feldgerätes der Automatisierungstechnik - Google Patents
Computerimplementiertes Verfahren zum KI-basierten Betreiben eines Feldgerätes der Automatisierungstechnik Download PDFInfo
- Publication number
- DE102022116627A1 DE102022116627A1 DE102022116627.9A DE102022116627A DE102022116627A1 DE 102022116627 A1 DE102022116627 A1 DE 102022116627A1 DE 102022116627 A DE102022116627 A DE 102022116627A DE 102022116627 A1 DE102022116627 A1 DE 102022116627A1
- Authority
- DE
- Germany
- Prior art keywords
- field device
- model
- computer
- measurement data
- automation technology
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000005516 engineering process Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Bei einem computerimplementierten Verfahren zum KI-basierten Betreiben eines Feldgerätes 4 der Automatisierungstechnik erfolgt die Trainingsphase auf einem Cloud-Computer mit hoher Rechenleistung RL2. Nach Beendigung der Trainingsphase wird das KI-Model in das Feldgerät 4 übertragen und dort auf einer Rechnereinheit R1 mit erheblich geringerer Rechenleistung RL1 ausgeführt, um den Zustand eines Anlagenteils einer Industrieanlage das mit dem Feldgerät 4 überwacht wird, zu klassifizieren.
Description
- Die Erfindung betrifft ein computerimplementiertes Verfahren zum Kl-basierten Betreiben eines Feldgerätes der Automatisierungstechnik.
- In der Automatisierungstechnik werden unterhalb der Steuerungsebene Feldgeräte eingesetzt, die Messgrößen erfassen bzw. Aktionen auslösen.
- Die Messgrößen wie z. B. Druck, Temperatur, Druckfluss etc. werden mit entsprechenden Sensoren erfasst und entweder direkt oder auch verarbeitet an die Steuerungsebene z. B. an eine speicherprogrammierbare Steuerung SPS weitergeleitet. Steuerungen besitzen hierfür in der Regel Ein-/Ausgänge für Analogsignale bzw. Schaltsignale sowie Busanschlüsse z. B für das Ethernet basierende Bussystem ProfiNet, EthernetIP, ....
- Wenn in den Sensoren die Messgrößen verarbeitet werden erfolgt das in digitaler Form. Hierfür werden die Messgrößen, wenn es sich um analoge Schwingungssensoren handelt, in digitale Sensordaten umgewandelt.
- Ein Feldgerät kann auch Eingänge für mehrere Messgrößen aufweisen, und applikationsabhängige Ausgänge schalten.
- Aus der
DE102019210507A1 ist ein computerimplementiertes Verfahren für die Verarbeitung digitaler Sensordaten bekannt. Ein wesentlicher Aspekt dieses Verfahrens ist, dass eine Vielzahl Trainingsaufgaben aus einer Verteilung von Trainingsaufgaben bereitgestellt werden, wobei die Trainingsaufgaben die Verarbeitung von digitalen Sensordaten charakterisieren, wobei ein Parametersatz für eine Architektur und für Gewichte eines KI-Netzwerks abhängig von wenigstens einer ersten Trainingsaufgabe aus der Verteilung der Trainingsaufgaben mit einem ersten Gradienten-basierten Lern-Algorithmus und einem zweiten Gradienten-basierten Lern-Algorithmus bestimmt werden, wobei das künstliche neuronale Netzwerk abhängig vom Parametersatz und abhängig von einer zweiten Trainingsaufgabe mit dem ersten Gradienten-basierten Lern-Algorithmus trainiert wird und wobei die digitalen Sensordaten abhängig vom künstlichen KI-Netzwerk verarbeitet werden. Neben neuronalen Netzwerken sind auch Machine-Learning Algorithmen als KI-Anwendungen denkbar. - Die Klassifizierung von Daten insbesondere von Sensordaten kann KI-basiert erfolgen. Dabei werden neben künstlichen neuronalen Netzen auch Machine Learning Algorithmen eingesetzt. Beispielsweise kann eine Support Vector Machine als Al-Anwendung eingesetzt werden.
- Aus der
US7599897B2 ist bekannt, wie das Trainieren einer Support Vector Maschine mit Prozesseinschränkungen erfolgt. - Aus der
EP 3825796 A1 ist Verfahren und eine Vorrichtung zum Kl-basierten Betreiben eines Automatisierungssystems bekannt, das erhebliche Ressourcen benötigt. - Aus der
DE 102018212097 B4 ist ein Feldgerät bekannt, das zwei Rechenwerke aufweist, wobei ein Rechenwerk ein KI-Modul aufweist. - Aus der
EP 3929554 A1 ist eine verbesserte Fehlererkennung bei Maschinen der Automatisierungstechnik über Vibrationsmuster bekannt. - Es ist allgemein bekannt, dass das Trainieren von KI-Modellen sehr Ressourcenaufwendig ist, da hierbei sehr große Datenmengen aufwendig verarbeitet werden müssen, was einen erheblichen Zeit- und Rechenaufwand erfordert.
- Bei allen herkömmlichen computerimplementierten Verfahren zum Verarbeiten von digitalen Sensordaten erfolgt die Trainingsphase, in der das KI-Modell trainiert wird, auf einer mit entsprechenden Ressourcen ausgestatteten separaten Rechnereinheit.
- Immer häufiger werden hierfür Cloud Computer mit einsprechenden Cloud Services eingesetzt.
- Nach der Trainingsphase erfolgt die Ausführungsphase des KI- Modells. Dabei werden die Sensordaten an den Cloud Computer übertragen und ausgewertet.
- Nachteilig hierbei ist, dass die Sensordaten über entsprechende leistungsfähige Datenverbindungen in die Cloud übertragen werden müssen, wo sie dem trainierten Modell als Eingangsgrößen zur Verfügung gestellt werden und in eine oder mehrere entsprechende Ausgabegrößen umgewandelt werden. Diese Ausgangsgröße(n) müssen dann entweder wieder zurück zum Sensor oder direkt von der Cloud in die Steuerung übertragen werden.
- Dieses computerimplementierte Verfahren zum Verarbeiten von digitalen Sensordaten von Sensoren der Automatisierungstechnik insbesondere die Datenübertragung in Richtung Cloud und zurück ist aufwendig und kann zu Problemen führen, z. B. zu Zeitverzögerungen oder Datenverlusten etc..
- Auch die Umrüstung bestehender Anlagen ist sehr aufwendig, insbesondere dann, wenn das Programm der Steuerung entsprechend geändert werden muss.
- Aufgabe der Erfindung ist es ein computerimplementiertes Verfahren zum KI-basierten Betreiben eines Feldgerätes der Automatisierungstechnik anzugeben,
welches die oben genannten Nachteile nicht aufweist und das auch weitere Nachteile des Standes der Technik überwindet. - Gelöst wird diese Aufgabe durch die im Anspruch 1 angegebenen Merkmale.
- Vorteilhafte Weiterentwicklungen der Erfindung sind in den Unteransprüchen angegeben.
- Die wesentliche Idee der Erfindung ist es, bei einem computerimplementierten Verfahren zum KI-basierten Betreiben eines Feldgerätes der
Automatisierungstechnik, die Trainingsphase und die Ausführungsphase eines KI-Modell auf unterschiedlichen Recheneinheiten auszuführen - Die Trainingsphase erfolgt auf einem Cloud-Computer die Ausführungsphase im Feldgerät selbst.
- Nachfolgend ist die Erfindung anhand eines in der Zeichnung dargestellten Ausführungsbeispiels näher erläutert.
- Es zeigen:
-
1 : Netzwerk der Automatisierungstechnik -
2 : Industrieanlage mit Verbindung zur IT-Welt -
3 : Verbindung Feldgerät Cloud-Computer - Fig. 1
- Netzwerk der Automatisierungstechnik mit mehreren Feldgeräten (Sensoren) in der Feldebene, die direkt mit einer speicherprogrammierbaren Steuerung SPS, die in der Steuerungsebene angeordnet ist, verbunden sind. Die Sensoren können auch über eine Sensorauswerteeinheit 4, die auch noch als Feldgerät bezeichnet werden kann, direkt oder über ein Bussystem z. B. Profibus mit der Steuerung SPS verbunden sein. Die Sensorauswerteeinheit 4 kann außerdem noch an ein Netzwerk LAN angeschlossen sein, das zur Leitebene mit MES-, SCADA- oder CMMS-Einheiten führt. Über eine entsprechende Schnittstelle z. B. ein Edge Gateway ist über das Netzwerk LAN auch eine Anbindung direkt an eine Cloud möglich.
-
2 zeigt die Verbindung der OT-Welt einer Industrieanlage der Automatisierungstechnik und der IT-Welt, d. h. von der Sensorebene bis hin zu Cloud-Dienstleistern. Hierfür werden häufig sogenannte Edge-Gateways eingesetzt. -
3 zeigt die wesentlichen Komponenten des Systems 1, wie es zur Durchführung des computerimplementieren Verfahrens zum Verarbeiten von digitalen Sensordaten von Sensoren der Automatisierungstechnik erforderlich ist. Mit einem Messaufnehmer 5 z. B. einem Schwingungssensor VSAxxx der Fa. ifm electronic gmbh (MEMS, Frequenzbereich 0...6000 Hz, Messbereiche ± 25 g / ± 250 g), sample rates 25000/50000 samples/second werden die Vibrationen an einem Anlagenteil der Industrieanlage z. B. an einem Motor als Rohwerte erfasst und in analoger Form an ein Feldgerät 4 in Form einer Sensorauswerteeinheit z. B. der Diagnoseelektronik VSExxx der Fa. ifm electronic gmbh (Schaltschrankgerät; frequenzselektive Maschinenüberwachung von bis zu 4 Messstellen; Ethernet-Schnittstelle TCP/IP; Integrierter Historienspeicher mit Echtzeituhr; 2 Digitalausgänge oder 1 Analog- und 1 Digitalausgang; Zählerfunktion; weitere Schnittstellen: - / 8 digitale Ein-/Ausgänge / Profinet-IO-Schnittstelle) weitergeleitet. In der Sensorauswerteeinheit 4 werden die Rohwerte zu digitale Sensordaten verarbeitet. Die Verarbeitung kann z. B. in einer FFT-Analyse bestehen. Im Frequenzspektrum der Sensordaten können sich bereits sehr frühzeitig Schäden des Anlagenteils abzeichnen. Hierfür sind aber teils sehr anspruchsvolle Rechenmethoden, die auf KI-Methoden basieren, erforderlich, um solche Schäden möglichst im Vorfeld zu erkennen. - Je nachdem, ob im Frequenzspektrum Auffälligkeiten beobachtbar sind, kann der aktuelle Zustand des Anlagenteils über einen Signalleuchte BZ als Rot-, Gelb (Wartung erforderlich) oder Grünsignal (alles in Ordnung) angezeigt werden.
- Das Feldgerät 4 weist eine Rechnereinheit R1 mit eine Rechenleistung RL1 auf. Die Rechenleistung RL1 wird durch den in solchen Sensorauswerteeinheiten einsetzbaren 16 oder 32 Bit Mikrocontroller z. B. der Fa. ST Microelectronics, mit einer ARM Cortex CPU, der vielfach bei embedded Systems eingesetzt wird, beschränkt. Typische Werte sind 480 MHz, 2 MB Flash Speicher und 1 MB RAM. Über eine Netzwerkverbindung 10 ist das Feldgerät 4 mit einer Cloud eines Cloud-Dienstleisters (z. B. Microsoft Azure, Google Cloud, AWS oder Comulocity) verbunden. Diese Netzwerkverbindung kann z. B. über ein Edge-Gateway mit einer entsprechend hohen Datenübertragungsrate erfolgen.
- In der Regel wird ein KI-Model in der Trainingsphase mit entsprechenden Trainingsdaten trainiert, die bestimmte Attribute des zu modellierenden Systems widerspiegeln. Im vorliegenden Fall sind dies die Schwingungsspektren, die bei einem langsam auftretenden Motorschaden bestimmte Charakteristika zeigen.
- Häufig benötigen diese Algorithmen massive Rechenleistung (Multicore Prozessoren, GPU's, ...) um diese Daten in einer sinnvollen Zeit bearbeiten zu können. Weiterhin ist oftmals auch unbekannt welche Daten benötigt werden und gegen welche Muster das Frequenzspektrum überhaupt untersucht werden soll. Dies ergibt sich in der Regel erst aus dem realen Betrieb der Anlage.
- Nachfolgend ist das erfindungsgemäße computerimplementiertes Verfahren zum KI-basierten Betreiben eines Feldgerätes der Automatisierungstechnik näher erläutert. Es umfasst folgende Verfahrensschritte:
- A. Erfassen von Messwerten an einem Anlagenteil der Industrieanlage mit einem Messaufnehmer 5 der Automatisierungstechnik als Rohwerte
- Die Rohwerte können z. B. die Schwingungswerte eines Schwingungssensors (z. B. VSAxxx Fa. ifm electronic gmbh) sein.
- B. Verarbeiten der als Rohdaten vorliegenden Messwerte in einem Feldgerät 4 zu digitalen Messdaten, wobei die Verarbeitung auf einer Rechnereinheit R1 im Feldgerät erfolgt, der eine Rechenleistung RL1 zur Verfügung steht.
- Bei dem Feldgerät 4 kann es sich z. B. um eine Diagnoseelektronik VSExxx der Fa. ifm electronic handeln. Die Rechenleistung RL1 von Rechnereinheiten RE in Feldgeräten 4 ist beschränkt. Aufwendige KI-Anwendungen, wie sie in der Trainingsphase eines KI-Modells erforderlich sind, können auf solchen Ressourcenbeschränkter Rechnereinheiten RE nicht ausgeführt werden.
- C. Übertragen der digitalen Messdaten über eine Netzwerkverbindung 10 an einen Cloud-Computer R2, wobei dem Cloud-Computer R2 eine Rechenleistung RL2 zur Verfügung steht, wobei RL2»RL1 ist.
- Die digitalen Messdaten können kontinuierlich in die Cloud übertragen werden, und dann in einer Datenbank gespeichert werden. Insbesondere im Fehlerfall kann das Netzwerk durch einen digitalen Twin trainiert werden.
- Für die Datenübertragung in die Cloud muss die Bandbreite der Netzwerkverbindung 10 entsprechend groß sein. Die Sensordaten können auch „on demand“ übertragen werden, wenn ein außergewöhnlicher Zustand des Anlageteils, der als relevant oder nicht relevant klassifizieret werden muss, vorliegt. Z. B. wenn in einem Kamerabild ein Objekt erkannt wird, das als relevant oder nicht relevant klassifiziert werden muss. Nur wenn das relevante Objekt erkannt wird, erfolgt eine entsprechende Reaktion. Zur Erläuterung ein Beispiel aus der Gebäudeüberwachung, wenn im Kamerabild ein Hund eine Katze und ein Postbote erkannt wird, erhält nur der Postbote eine Beleuchtung der Briefkastenumgebung.
- Die Rechenleistung RL2 des Cloud-Computers R2 ist skalierbar, d. h. im Prinzip beliebig erweiterbar.
- D. Verwendung der digitalen Messdaten als Trainingsdaten für ein KI-Modell des Anlagenteils, wobei das AI-Model zur Klassifizierung von Betriebszuständen (z. B. Fehlfunktion) des Anlagenteils dient und zum Trainieren eine erhebliche Rechenleistung des Cloud-Computers R2 erfordert
- E. Übertragung des trainierten Models in die Sensorauswerteeinheit 4 über die Netzwerkverbindung 10 in das Feldgerät
- F. Ausführung des trainierten KI-Models in dem Feldgerät 4 auf der Rechnereinheit R1 mit den aktuellen Messdaten, um diese zu klassifizieren
- G. Wenn die aktuellen Messdaten in die Kategorie eines kritischen Betriebszustands (Fehlfunktion) klassifiziert werden, Ausgabe einer entsprechenden Warnmeldung
- Die Warnmeldung kann z. B. in Form der Ansteuerung einer Signallampe erfolgen, die dem Anlagenfahrer den kritischen Betriebszustand signalisiert. In der Regel wird die Warnmeldung direkt an eine entsprechende Steuerung SPS weitergeleitet, um dort bestimmte Reaktionen auszulösen.
- In einer Weiterentwicklung der Erfindung ist das KI-Modell als neuronales Netz ausgebildet.
- Alternativ kann das KI-Modell als Machine Learning Algorithmus (z. B. support vector machine) ausgebildet sein.
- Am Ende der Trainingsphase werden nur die Parameter des KI-Modells über die Netzwerkverbindung 10 ins Feldgerät übertragen.
- ZITATE ENTHALTEN IN DER BESCHREIBUNG
- Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
- Zitierte Patentliteratur
-
- DE 102019210507 A1 [0006]
- US 7599897 B2 [0008]
- EP 3825796 A1 [0009]
- DE 102018212097 B4 [0010]
- EP 3929554 A1 [0011]
Claims (4)
- Computerimplementiertes Verfahren zum KI-basierten Betreiben eines Feldgerätes der Automatisierungstechnik mit folgenden Verfahrensschritten: A. Erfassen von Messwerten an einem Anlagenteil einer Industrieanlage mit einem Messaufnehmer 5 der Automatisierungstechnik als Rohwerte B. Verarbeiten der als Rohdaten vorliegenden Messwerte in einem Feldgerät 4 zu digitalen Messdaten, wobei die Verarbeitung auf einer Rechnereinheit R1 im Feldgerät erfolgt, der eine Rechenleistung RL1 zur Verfügung steht. C. Übertragen der digitalen Messdaten über eine Netzwerkverbindung 10 an einen Cloud-Computer R2, wobei dem Cloud-Computer R2 eine Rechenleistung RL2 zur Verfügung steht, wobei gilt RL2>>RL1 ist. D. Verwendung der digitalen Messdaten als Trainingsdaten für ein KI-Modell des Anlagenteils, wobei das KI-Model zur Klassifizierung von Betriebszuständen des Anlagenteils dient und zum Trainieren des KI-Modells die Rechenleistung RL2 des Cloud-Computers R2 erfordert E. Übertragung des trainierten KI-Models in das Feldgerät 4 über die Netzwerkverbindung 10 nach der Beendigung der Trainingsphase F. Ausführung des trainierten KI-Models in dem Feldgerät 4 auf der Rechnereinheit R1 mit den aktuellen Messdaten, um diese zu klassifizieren G. Wenn die aktuellen Messdaten in die Kategorie eines kritischen Betriebszustands klassifiziert werden, Ausgabe einer entsprechenden Warnmeldung
- Verfahren nach
Anspruch 1 , dadurch gekennzeichnet, dass das KI-Modell als neuronales Netz ausgebildet ist. - Verfahren nach
Anspruch 1 , dadurch gekennzeichnet, dass das KI-Modell als Machine Learning Algorithmus ausgebildet ist. - Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass nur die Parameter des KI-Modells über die Netzwerkverbindung 10 ins Feldgerät 4 übertragen werden.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022116627.9A DE102022116627A1 (de) | 2022-07-04 | 2022-07-04 | Computerimplementiertes Verfahren zum KI-basierten Betreiben eines Feldgerätes der Automatisierungstechnik |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022116627.9A DE102022116627A1 (de) | 2022-07-04 | 2022-07-04 | Computerimplementiertes Verfahren zum KI-basierten Betreiben eines Feldgerätes der Automatisierungstechnik |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022116627A1 true DE102022116627A1 (de) | 2024-01-04 |
Family
ID=89167263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022116627.9A Pending DE102022116627A1 (de) | 2022-07-04 | 2022-07-04 | Computerimplementiertes Verfahren zum KI-basierten Betreiben eines Feldgerätes der Automatisierungstechnik |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102022116627A1 (de) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7599897B2 (en) | 2006-05-05 | 2009-10-06 | Rockwell Automation Technologies, Inc. | Training a support vector machine with process constraints |
DE102019210507A1 (de) | 2019-07-16 | 2021-01-21 | Robert Bosch Gmbh | Vorrichtung und computerimplementiertes Verfahren für die Verarbeitung digitaler Sensordaten und Trainingsverfahren dafür |
EP3825796A1 (de) | 2019-11-22 | 2021-05-26 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zum ki-basierten betreiben eines automatisierungssystems |
EP3929554A1 (de) | 2020-06-26 | 2021-12-29 | Siemens Aktiengesellschaft | Verbesserte fehlererkennung bei maschinen mittels ki |
DE102018212097B4 (de) | 2018-07-19 | 2022-04-07 | Vega Grieshaber Kg | Feldgerät mit mehreren Rechenwerken |
-
2022
- 2022-07-04 DE DE102022116627.9A patent/DE102022116627A1/de active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7599897B2 (en) | 2006-05-05 | 2009-10-06 | Rockwell Automation Technologies, Inc. | Training a support vector machine with process constraints |
DE102018212097B4 (de) | 2018-07-19 | 2022-04-07 | Vega Grieshaber Kg | Feldgerät mit mehreren Rechenwerken |
DE102019210507A1 (de) | 2019-07-16 | 2021-01-21 | Robert Bosch Gmbh | Vorrichtung und computerimplementiertes Verfahren für die Verarbeitung digitaler Sensordaten und Trainingsverfahren dafür |
EP3825796A1 (de) | 2019-11-22 | 2021-05-26 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zum ki-basierten betreiben eines automatisierungssystems |
EP3929554A1 (de) | 2020-06-26 | 2021-12-29 | Siemens Aktiengesellschaft | Verbesserte fehlererkennung bei maschinen mittels ki |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102009059865B4 (de) | Integriertes Testsystem und Verfahren zur Bewertung eines Fertigungsautomatisierungssystems | |
DE102004011162A1 (de) | Verknüpfungsautomatik von Prozess-Ereignisdaten zu einem Datenarchivsystem | |
DE102005063053A1 (de) | Verfahren zur Anlagenüberwachung mit einem Feldbus der Prozessautomatisierungstechnik | |
DE102008007230A1 (de) | Verfahren und Vorrichtungen zum Konfigurieren von Prozesssteuerungssystem-Eingängen und -Ausgängen | |
DE102011079890A1 (de) | System und Verfahren zur Bedienung von Feldgeräten in einer Automatisierungsanlage | |
DE102010062266A1 (de) | Verfahren zur Realisierung von zumindest einer Zusatzfunktion eines Feldgeräts in der Automatisierungstechnik | |
WO2017182671A1 (de) | Verbindungseinheit, überwachungssystem und verfahren zum betreiben eines automatisierungssystems | |
DE102016124350A1 (de) | Verfahren und System zum Überwachen einer Anlage der Prozessautomatisierung | |
DE112017005957T5 (de) | Informationsverarbeitungssystem und Informationsverarbeitungsverfahren | |
EP3538962B1 (de) | Verfahren zur analyse von fehlfunktionen in einer anlage der prozessautomatisierung | |
DE102019121800B3 (de) | Verfahren und System mit einem Sensor | |
EP2523059B1 (de) | Verfahren und Einrichtung zur einheitlichen Benennung von gleichen Parametern unterschiedlicher Feldgeräte eines Automatisierungssystems | |
EP2707999B1 (de) | Signalverarbeitungssystem und verfahren zur verarbeitung von signalen in einem busknoten | |
DE102010044184B4 (de) | Verfahren und Kommunikationseinheit zum Erstellen einer Diagnose eines Feldgerätes | |
WO2012065807A1 (de) | Verfahren zum bereitstellen einer feldgerätetyp-übergreifenden diagnosemeldung | |
DE102010040055B4 (de) | System zur Kommunikation von mehreren Clients mit mehreren Feldgeräten in der Automatisierungstechnik | |
WO2008058991A1 (de) | Verfahren zum betreiben eines nach dem blockmodell arbeitenden modularen feldgerätes der automatisierungstechnik | |
DE102007054925B4 (de) | Verfahren zur Überwachung eines Netzwerkes der Prozessautomatisierungstechnik | |
DE102022116627A1 (de) | Computerimplementiertes Verfahren zum KI-basierten Betreiben eines Feldgerätes der Automatisierungstechnik | |
WO2017102363A1 (de) | Verfahren zum bereitstellen eines generischen diagnosemodells | |
DE202019005395U1 (de) | Früherkennung und Reaktion auf Fehler in einer Maschine | |
DE102009040384A1 (de) | Sensor und Anordnung zur Zustands- und Prozessüberwachung sowie Verfahren hierfür | |
WO2007077083A1 (de) | Verfahren zum schutz von feldgeräten der prozessautomatisierungstechnik | |
DE10394242T5 (de) | Verfahren und Instrument zur Zuweisung von Rechenressourcen in einem verteilten Steuersystem | |
DE102011084321A1 (de) | Kommunikationseinheit mit Informationsdarstellung basierend auf Anlagenstruktur |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R002 | Refusal decision in examination/registration proceedings |