-
Die vorliegende Erfindung bezieht sich auf das Vorhersagen von Fehlern von Systemen und insbesondere auf eine Vorrichtung und ein Verfahren zum Interpretieren einer Vorhersage von Fehlern von Systemen.
-
Zum Vorhersagen von Fehlern eines Systems wird im Allgemeinen ein Blackbox-Modell verwendet.
-
Das Blackbox-Modell gibt einen Alarm aus, um auf ein Fehlerrisiko hinzuweisen.
-
Ein solches Blackbox-Modell gibt jedoch keine Erklärungen über die Art des vorhergesagten Fehlers und gibt keine Empfehlung aus.
-
Die vorliegende Erfindung zielt daher darauf ab, diese Nachteile zu überwinden.
-
Gemäß einem Aspekt wird ein Verfahren zum Interpretieren einer Vorhersage von zumindest einem Fehler eines Systems vorgeschlagen.
-
Das Verfahren umfasst:
- - Sammeln, während einer Trainingsperiode, eines Satzes von Parametern, die für den Betrieb des Systems, der dem Auftreten des zumindest einen Fehlers vorangeht, repräsentativ sind,
- - Verwenden eines trainierten maschinellen Lernalgorithmus, um die Zeit zu identifizieren, bevor der zumindest eine Fehler auftritt, wobei die Zeit, bevor der Fehler auftritt, die Abtastzeit ist, bevor der Fehler auftritt,
- - Identifizieren von zumindest zwei Kombinationen von zumindest zwei Parametern des Satzes von Parametern, die vor dem Erscheinen des zumindest einen Fehlers während der Trainingsperiode auftreten, aus der identifizierten Zeit, bevor der zumindest eine Fehler auftritt,
- - Bestimmen der Wahrscheinlichkeit des Auftretens der zumindest zwei Kombinationen der zumindest zwei Parameter vor dem Erscheinen des zumindest einen Fehlers aus dem Satz von Parametern während der Trainingsperiode,
- - Einstufen der zumindest zwei Kombinationen von zumindest zwei Parametern gemäß ihrer Wahrscheinlichkeit des Auftretens während der Trainingsperiode,
- - Überwachen des Satzes von Parametern des Systems, wenn das System außerhalb der Trainingsperiode arbeitet, und
- - Implementieren des trainierten maschinellen Lernalgorithmus mit dem überwachten Satz von Parametern, um den zumindest einen Fehler zu identifizieren, wenn das System außerhalb der Trainingsperiode arbeitet, und
- - Ausgeben der Kombination der zumindest zwei Parameter vor dem Fehler, die die höchste Wahrscheinlichkeit des Auftretens der zumindest zwei Kombinationen der zumindest zwei Parameter hat, wobei die Kombination der zumindest zwei Parameter mit dem überwachten Satz von Parametern übereinstimmt, wenn der maschinelle Lernalgorithmus den Fehler identifiziert.
-
Das Verfahren erlaubt es, die Art des Fehlers aus der detektierten Parameterkombination, die indikativ für eine Art des Fehlers ist, basierend auf der Historie des Systems bevor der Fehler auf dem System auftritt, zu bestimmen, um die Kombination von Parametern auszugeben, die indikativ für die Art des Fehlers ist.
-
Die Bestimmung der Art des Fehlers und der Wahrscheinlichkeit des Auftretens des Fehlers erlaubt es, Vorhersagen zu treffen, um beispielsweise vorbeugende Wartungsmaßnahmen zu planen.
-
Vorzugsweise, wenn der maschinelle Lernalgorithmus den zumindest einen Fehler identifiziert, umfasst das Verfahren das Erzeugen eines Alarms, der die Kombination von zumindest zwei Parametern umfasst, die die höchste Wahrscheinlichkeit des Auftretens haben, bevor der zumindest eine Fehler auftritt.
-
Vorteilhafterweise werden, wenn der Alarm erzeugt wird, vorbeugende Wartungsmaßnahmen geplant.
-
Vorzugsweise umfasst der maschinellen Lernalgorithmus einen maschinellen Random-Forest-Lernalgorithmus.
-
Vorteilhafterweise umfasst das Sammeln eines Satzes von Parametern das Empfangen des Satzes von Parametern, die von zumindest einem Sensor gemessen werden.
-
Gemäß einem weiteren Aspekt wird eine Vorrichtung zum Interpretieren einer Vorhersage von zumindest einem Fehler eines Systems vorgeschlagen.
-
Die Vorrichtung umfasst:
- - Sammelmittel zum Sammeln eines Satzes von Parametern, die für den Betrieb des Systems repräsentativ sind, während dessen das System dem Auftreten zumindest eines Fehlers während einer Trainingsperiode vorausgeht,
- - Verwendungsmittel zum Verwenden eines trainierten maschinellen Lernalgorithmus, um die Zeit zu identifizieren, bevor der zumindest eine Fehler auftritt, wobei die Zeit, bevor der Fehler auftritt, die Abtastzeit, bevor der Fehlers auftritt, ist,
- - Identifizierungsmittel zum Identifizieren von zumindest zwei Kombinationen von Parametern des Satzes von Parametern, die vor dem Erscheinen des zumindest einen Fehlers während der Trainingsperiode auftreten, aus der identifizierten Zeit, bevor der zumindest eine Fehler auftritt,
- - Bestimmungsmittel zum Bestimmen der Wahrscheinlichkeit des Auftretens der zumindest zwei Kombinationen der zumindest zwei Parameter vor dem Erscheinen des zumindest einen Fehlers aus dem Satz von Parametern während der Trainingsperiode,
- - Einstufungsmittel zum Einstufen der zumindest zwei Kombinationen von zumindest zwei Parametern gemäß ihrer Wahrscheinlichkeit des Auftretens während der Trainingsperiode,
- - Überwachungsmittel zum Überwachen des Satzes von Parametern des Systems, wenn das System außerhalb der Trainingsperiode arbeitet,
- - Implementierungsmittel zum Implementieren des trainierten maschinellen Lernalgorithmus mit dem überwachten Satz von Parametern, um den zumindest einen Fehler zu identifizieren, wenn das System außerhalb der Trainingsperiode arbeitet, und
- - Ausgabemittel zum Ausgeben der Kombination der zumindest zwei Parameter vor dem Fehler, die die höchste Wahrscheinlichkeit des Auftretens der zumindest zwei Kombinationen der zumindest zwei Parameter hat, wobei die Kombination der zumindest zwei Parameter mit dem überwachten Satz von Parametern übereinstimmt, wenn der maschinelle Lernalgorithmus den Fehler identifiziert.
-
Vorzugsweise umfasst die Vorrichtung Warnmittel zum Erzeugen eines Alarms, der die Kombination von zumindest zwei Parametern umfasst, die die höchste Wahrscheinlichkeit des Auftretens hat, bevor der zumindest eine Fehler auftritt, wenn der maschinelle Lernalgorithmus den zumindest einen Fehler identifiziert.
-
Vorteilhafterweise wird jeder Parameter durch einen mathematischen Satz von zumindest einem Wert dargestellt, wobei die zumindest zwei Kombinationen von Parametern jeweils durch eine Schnittmenge der mathematischen Sätze dargestellt werden.
-
Vorzugsweise umfasst der maschinelle Lernalgorithmus einen maschinellen Random-Forest-Lernalgorithmus.
-
Die vorliegende Erfindung und ihre Vorteile werden besser verstanden, wenn man die detaillierte Beschreibung einer spezifischen Ausführungsform studiert, die anhand eines nicht einschränkenden Beispiels gegeben und durch die beigefügte Zeichnung dargestellt wird, in der:
- 1 schematisch ein Beispiel einer Vorrichtung zum Interpretieren einer Vorhersage von zumindest einem Fehler des Systems gemäß der Erfindung darstellt.
-
Es wird Bezug genommen auf 1, die ein System 1 und ein Beispiel einer Vorrichtung 2 zum Vorhersagen von zumindest einem Fehlers des Systems 1 darstellt.
-
Die Vorrichtung 2 ist mit Sensoren 3 des Systems 1 verbunden, die einen Satz von Parametern messen, die für den Betrieb des Systems 1 repräsentativ sind.
-
Die Parameter können beispielsweise einen Druck, eine Temperatur, einen Strom, eine Zugkraft und eine mechanische Verschiebung umfassen.
-
Es wird angenommen, dass der Satz von Parametern einen ersten Parameter P1, einen zweiten Parameter P2, einen dritten Parameter P3 und einen vierten Parameter P4 umfasst.
-
Der Satz von Parametern kann weniger oder mehr als vier Parameter umfassen.
-
Die Vorrichtung 2 umfasst Sammelmittel CM, die den Satz von Parametern P1, P2, P3, P4 erfassen, der für den Betrieb des Systems 1 repräsentativ ist, während das System 1 während einer Trainingsperiode arbeitet.
-
Die Vorrichtung 2 umfasst weiterhin Mittel TM zur Verwendung eines trainierten maschinellen Lernalgorithmus ALGO, um die Zeit zu identifizieren, bevor ein Fehler F1 des Systems 2 auftritt.
-
Der maschinelle Lernalgorithmus ALGO wird trainiert, um den Fehler F1 gemäß den Werten des Satzes von Parametern P1, P2, P3, P4 zu identifizieren.
-
Es wird angenommen, dass der trainierte maschinelle Lernalgorithmus ALGO trainiert ist, um die Parameterwerte zu identifizieren, die zu dem Fehler F1 führen.
-
Der trainierte maschinelle Lernalgorithmus ALGO kann zum Beispiel einen maschinellen Random-Forest-Lernalgorithmus umfassen.
-
Die Vorrichtung 2 umfasst weiterhin Identifizierungsmittel ID, die zumindest zwei Kombinationen C1, C2 von Parametern P1, P2, P3, P4 identifizieren, die vor dem Erscheinen des zumindest einen Fehlers F1 während der Trainingsperiode ab der identifizierten Zeit, bevor der Fehler F1 auftritt, auftreten.
-
Die zwei Kombinationen C1, C2 haben jeweils weniger Parameter als der Satz von Parametern P1, P2, P3, P4.
-
Es wird angenommen, dass die Kombination C1 die Parameter P1, P3 umfasst und dass die Kombination C2 die Parameter P1, P4 umfasst.
-
Die Identifizierungsmittel ID identifizieren Vorhersagebereiche, die die Parameter der Kombinationen C1, C2 umfassen, gemäß ihres Auftretens, bevor der Fehler F1 auftritt.
-
Der Fehler F1 wird aus dem von den Sensoren 3 gelieferten Gemessenen detektiert.
-
Es können mehr als zwei Kombinationen von Parametern P1, P2, P3, P4 vor dem Erscheinen des Fehlers F1 identifiziert werden. Beispielsweise können vier verschiedene Kombinationen von Parametern P1, P2, P3, P4 vor dem Erscheinen des Fehlers F1 identifiziert werden.
-
Außerdem können die Kombinationen C1, C2 beim Erscheinen von mehr als einem Fehler F1 identifiziert werden.
-
Die Vorrichtung 2 umfasst auch Bestimmungsmittel DM.
-
Die Vorrichtung 2 umfasst ferner Einstufungsmittel RM, die die identifizierten zwei Kombinationen C1, C2 der Parameter gemäß ihrer Wahrscheinlichkeit des Auftretens PO1, PO2 während der Trainingsperiode einstufen.
-
Die Einstufungsmittel RM klassifizieren beispielsweise die zwei Kombinationen C1, C2 in einer aufsteigenden Reihenfolge.
-
Im Folgenden wird angenommen, dass die Wahrscheinlichkeit des Auftretens PO1 der Kombination C1 höher ist als die Wahrscheinlichkeit des Auftretens PO2 der Kombination C2.
-
Während der Trainingsperiode werden die von den Sensoren 3 gemessenen Parameter P1, P2, P3, P4 von den Sammelmitteln CM gesammelt.
-
Die Sammelmittel CM liefern die Parameter P1, P2, P3, P4 an die Trainingsmittel TM, um die Zeit zu identifizieren, bevor der Fehler F1 auftritt.
-
Die Zeit, bevor der Fehler auftritt, ist die Abtastzeit, bevor der Fehler F1 auftritt.
-
Die Sammelmittel CM liefern die Parameter P1, P2, P3, P4 weiter an die Identifizierungsmittel ID und an die Bestimmungsmittel DM.
-
Die Trainingsmittel TM liefern die identifizierte Zeit, bevor der Fehler F1 auftritt, an die Identifizierungsmittel ID.
-
Die Identifizierungsmittel ID bestimmen aus der identifizierten Zeit und aus den Parametern P1, P2, P3, P4 die Kombinationen C1, C2 der Parameter P1, P2, P3, P4, die vor dem Fehler auftreten.
-
Die Identifizierungsmittel ID liefern die Kombinationen C1, C2 der Parameter P1, P2, P3, P4.
-
Die Bestimmungsmittel DM bestimmen aus den von den Identifizierungsmitteln ID gelieferten Kombinationen C1, C2 der Parameter P1, P2, P3, P4 und aus den von den Sammelmitteln CM gelieferten Parametern P1, P2, P3, P4 die Wahrscheinlichkeit des Auftretens PO1, PO2 der Kombinationen C1, C2 der Parameter P1, P2, P3, P4 vor dem Erscheinen des Fehlers F1.
-
Die Kombinationen C1, C2 und die Wahrscheinlichkeit des Auftretens PO1, PO2, die durch die Bestimmungsmittel DM ermittelt werden, werden an die Einstufungsmittel RM geliefert.
-
Die Einstufungsmittel RM klassifizieren die Kombinationen C1, C2 gemäß ihrer Wahrscheinlichkeit des Auftretens PO1, PO2.
-
Die Vorrichtung 2 umfasst weiterhin Überwachungsmittel MM zum Überwachen des Satzes von Parametern P1 bis P4 des Systems, wenn das System außerhalb der Trainingsperiode arbeitet.
-
Die Vorrichtung 2 umfasst auch Implementierungsmittel IM, die den trainierten maschinellen Lernalgorithmus ALGO mit dem überwachten Satz von Parametern P1 bis P4 implementieren, um den Fehler F1 zu identifizieren, wenn das System 1 außerhalb der Trainingsperiode arbeitet.
-
Der trainierte maschinelle Lernalgorithmus ALGO identifiziert den Fehler F1 gemäß den Werten des Satzes von Parametern P1, P2, P3, P4.
-
Die Überwachungsmittel MM empfangen die von den Sensoren 3 gelieferten Parameterwerte und übermitteln die Werte an die Implementierungsmittel IM.
-
Die Implementierungsmittel IM empfangen weiter die Kombinationen C1, C2 und die Klassifizierung der Kombinationen C1, C2 gemäß ihrer Wahrscheinlichkeit des Auftretens PO1, PO2 von den Einstufungsmitteln RM
-
Der trainierte maschinelle Lernalgorithmus ALGO wird von den Implementierungsmitteln IM implementiert, um den Fehler F1 zu identifizieren, wenn das System 1 außerhalb der Trainingsperiode arbeitet.
-
Wie bereits erläutert, identifiziert der maschinelle Lernalgorithmus ALGO den Fehler F1 gemäß den Werten des überwachten Satzes von Parametern P1, P2, P3, P4.
-
Die Implementierungsmittel IM identifizieren die Kombinationen C1, C2 und weisen jeder Kombination C1, C2 der Parameter P1, P2, P3, P4 eine von den Einstufungsmitteln ermittelte Wahrscheinlichkeit des Auftretens zu.
-
Die Vorrichtung 2 umfasst weiterhin Ausgabemittel IS.
-
Wenn eine überwachte Kombination von Parametern P1, P2, P3, P4, die zu dem Fehler F1 führt, identifiziert wird, bestimmen die Ausgabemittel IS die Kombination C1, die die höchste Wahrscheinlichkeit des Auftretens PO1 der zwei Kombinationen C1, C2 hat.
-
Die Parameter P1, P3 der Kombination C1 stimmen mit dem überwachten Satz von Parametern P1, P2, P3, P4 überein.
-
Die Vorrichtung 1 bestimmt die Art des Fehlers aus den detektierten Parameterkombinationen, die indikativ für eine Art des Fehlers sind, basierend auf der Historie des Systems, bevor der Fehler auf dem System 1 erscheint, um eine Kombination von Parametern auszugeben, die indikativ für die Art des Fehlers ist.
-
Die Parameter der ausgegebenen Kombination von Parametern werden aus den detektierten Parameterkombinationen extrahiert.
-
Die ausgegebene Kombination von Parametern umfasst weniger Parameter als die detektierten Parameterkombinationen.
-
Die Vorrichtung 2 umfasst weiterhin Warnmittel WM, die einen Alarm ALARM erzeugen, der die Kombination C1 umfasst, wenn der maschinelle Lernalgorithmus ALGO den Fehler F1 identifiziert.
-
Die Kombination C1, die eine reduzierte Anzahl von Parametern umfasst, ermöglicht eine einfache Bestimmung der Art des Fehlers F1, die es erlaubt, Vorhersagen zu treffen, um beispielsweise vorbeugende Wartungsmaßnahmen zu planen.
-
Jeder Parameter P1, P2, P3, P4 wird durch eine mathematische Menge von zumindest einem von den Sensoren 3 gelieferten Wert dargestellt.
-
Die Kombination C1 der Parameter P1, P2, P3, P4 wird durch eine Schnittmenge der mathematischen Mengen dargestellt.
-
Zum Beispiel wird jeder Parameter P1, P2, P3, P4 durch ein Intervall dargestellt, das durch eine untere und eine obere Grenze definiert ist:
-
Der Fehler F1 kann zum Beispiel erscheinen, wenn:
- P1 kleiner als B12 ist, P2 zwischen B21 und B22 liegt, P3 größer als B31 ist und P4 größer als B42 ist.
