DE10220124A1 - Verfahren zur Überwachung des Zustands einer Maschine - Google Patents
Verfahren zur Überwachung des Zustands einer MaschineInfo
- Publication number
- DE10220124A1 DE10220124A1 DE2002120124 DE10220124A DE10220124A1 DE 10220124 A1 DE10220124 A1 DE 10220124A1 DE 2002120124 DE2002120124 DE 2002120124 DE 10220124 A DE10220124 A DE 10220124A DE 10220124 A1 DE10220124 A1 DE 10220124A1
- Authority
- DE
- Germany
- Prior art keywords
- machine
- pattern
- damage
- patterns
- values
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zum Überwachen des Zustands einer Maschine, insbesondere zur Identifizierung von Schäden an der Maschine, mit den Schritten: Erfassen von Daten, die den Zustand der Maschine darstellen, Erzeugen von charakteristischen Werten durch Analyse der erfassten Daten, Grenzwertüberwachung der charakteristischen Werte in verschiedenen Betriebszuständen, die durch einen oder mehrere Parameterbereiche definiert werden, Erzeugen eines Musters aus den grenzwertüberwachten charakteristischen Werten und Klassifizieren des erzeugten Musters durch einen Vergleich des erzeugten Musters unter Verwendung neuronaler Netze mit einem oder mehreren durch Training erzeugten Repräsentanten eines Referenzmusters oder einer Gruppe von Referenzmustern.
Description
- Die vorliegende Erfindung betrifft ein Verfahren zur Überwachung des Zustands einer Maschine wie einem Kolbenverdichter oder einer Kolbenpumpe, insbesondere zur frühzeitigen Identifizierung von Schäden an der Maschine.
- Bei herkömmlichen Zustandsüberwachungssystemen für Maschinen werden Signale von Sensoren, welche Drücken, Vibrationen, Distanzen und einer Phasenreferenz entsprechen, und Signale von einem Prozessleitsystem erfasst, auf unterschiedliche Art analysiert und daraus charakteristische Werte erzeugt - in der Regel mehrere 1000 pro Kolbenverdichter oder Kolbenpumpe. Die charakteristischen Werte werden kontinuierlich einer Grenzwertüberwachung unterzogen. Für unterschiedliche Betriebszustände werden unterschiedliche Grenzwerte überwacht. Wird mit 4 Grenzwertschwellen, 2 oberen und 2 unteren, gearbeitet, so ergeben sich für jeden charakteristischen Wert 5 mögliche Zustände, wodurch je nach Betriebszustand der Maschine unterschiedliche Zustandsmuster entstehen. Die erzeugten aktuellen Zustandsmuster werden nachfolgend einer Mustererkennung unterworfen, bei welcher die aktuellen Zustandsmuster mit einer Vielzahl von gespeicherten Zustands- bzw. Referenzmustern verglichen werden. Aufgrund des Vergleichs der erzeugten aktuellen Zustandsmuster mit den gespeicherten Referenzmustern kann eine Anzeige, beispielsweise eine Textmeldung mit der Beschreibung des Fehlerbildes erzeugt werden.
- Als nachteilig hat es sich bei den herkömmlichen Zustandsüberwachungssystemen herausgestellt, dass alle Ausprägungen eines Schadensfalls vorgegeben und ein Vergleich mit allen Referenzmustern durchgeführt werden müssen und eine Übertragbarkeit auf andere Maschine nicht möglich ist. Des weiteren können Verschiebungen der aktuellen Zustandsmuster aufgrund von beispielsweise schwankenden Druckverhältnissen, Verschleiß, usw. nur durch zusätzliche Referenzmuster abgefangen werden.
- Aufgabe der vorliegenden Erfindung ist es die oben dargestellten Nachteile zu überwinden.
- Die Lösung der Aufgabe erfolgt durch die Merkmale der unabhängigen Ansprüche.
- Dementsprechend wird ein Verfahren zur Überwachung des Zustands einer Maschine, insbesondere zur Identifizierung von Schäden an der Maschine vorgesehen mit den Schritten: Erfassen von Daten, die den Betriebszustand der Maschine darstellen, Erzeugen von charakteristischen Werten durch Analyse der erfassten Daten, Zuordnen der charakteristischen Werte zu verschiedenen Bereichen, die durch einen oder mehrere Grenzwerte definiert werden, Erzeugen eines Musters aus den zugeordneten charakteristischen Werten, und Klassifizieren des erzeugten Musters durch einen Vergleich des erzeugten Musters unter Verwendung neuronaler Netze mit einem oder mehreren durch Training erzeugten Repräsentanten eines Referenzmusters oder einer Gruppe von Referenzmustern. Das Verfahren der vorliegenden Erfindung ermöglicht somit, dass nur wenige Zustandsmuster vorgegeben und gespeichert werden müssen, ein Vergleich nur mit wenigen Repräsentanten eines oder mehrerer Referenzmuster anstatt mit vielen Referenzmustern durchgeführt werden muss und Schadensfälle von einer Maschine auf eine andere übertragen werden können sowie auch ähnliche Muster erkannt und klassifiziert werden können. Darüber hinaus kann das erfindungsgemäße Verfahren die natürlichen Verschiebungen der Zustandsmuster beispielsweise bezüglich der Kolbenposition aufgrund von schwankenden Druckverhältnissen, Verschleiß, usw. abfangen.
- Entsprechend einem Gesichtspunkt der vorliegenden Erfindung ist bzw. sind die Repräsentanten eines Referenzmusters einer bestimmten Zustandsklasse zugeordnet, wodurch die Zuordnung eines aktuellen Zustandsmusters einem bestimmten Maschinenzustand oder Schadensfall erleichtert wird.
- Entsprechend einem weiteren Gesichtspunkt der vorliegenden Erfindung erfolgt das Training des Repräsentanten eines Referenzmusters durch DLVQ oder RGLVQ und einer nachgeschalteten LVQ3, wodurch eine schärfere Klassenbegrenzung erzielt wird.
- Entsprechend einem weiteren Gesichtspunkt der vorliegenden Erfindung wird der durch Klassifizieren des erzeugten Musters ermittelte Zustand der Maschine angezeigt, wodurch Folgeschäden resultierend aus einem nicht beabsichtigten Maschinenzustand vermieden werden können.
- Entsprechend einem weiteren Gesichtspunkt der vorliegenden Erfindung können der bzw. die Grenzwerte manuell oder automatisch festgelegt werden, wodurch je nach Art der gewählten Grenzwertsetzung entweder definierten Anforderungen an die Maschine oder einer einfachen Handhabung des Zustandsüberwachungssystems Rechnung getragen wird.
- Entsprechend einem weiteren Gesichtspunkt der vorliegenden Erfindung kann des weiteren eine automatische Erkennung und Festlegung von Betriebszuständen der Maschine erfolgen.
- Des weiteren lässt sich das oben beschriebene Verfahren vorteilhaft zur Identifizierung von Schäden an Kolbenverdichtern und -pumpen verwenden.
- Ferner lässt sich das oben beschriebene Verfahren vorteilhaft zur Identifizierung von Schäden an Verbrennungsmotoren verwenden.
- Darüber hinaus betrifft die vorliegende Erfindung ein Computerprogrammprodukt, das direkt oder nach Durchführen einer vorbestimmten Routine indirekt im Zusammenwirken mit einem Computer oder Computersystem das oben beschriebene Verfahren durchführt.
- Des weiteren betrifft die vorliegende Erfindung ein Hardwareprodukt mit Firmware, das direkt oder nach Durchführen einer vorbestimmten Routine indirekt im Zusammenwirken mit einem Computer oder Computersystem das oben beschriebene Verfahren durchführt.
- Die vorliegenden Erfindung wird in Verbindung mit den zugehörigen Figuren im folgenden beschrieben.
- Fig. 1 zeigt den prinzipiellen Aufbau eines Zustandsüberwachungssystems für Maschinen einer bevorzugten Ausführungsform der vorliegenden Erfindung.
- Fig. 2 zeigt die Darstellung eines Schwingungssignals im Zeitbereich und die Analyse der Segmente über eine Kurbelwellenumdrehung (Zeitdarstellung/Segmentdarstellung).
- Fig. 3 zeigt die Darstellung einer Analyse von Schwingungssignalen im Frequenzbereich.
- Fig. 4 zeigt Diagramme zur Darstellung einer Analyse von Drucksignalen (Zeitdarstellung/pV-Darstellung).
- Fig. 5 zeigt ein Diagramm zur Darstellung einer Analyse einer Kolbenstangenlage (Darstellung eines Kolbenstangenlagesignals).
- Fig. 6 zeigt die graphische Darstellung eines Zustandsmusters.
- Fig. 7a zeigt eine in 2 Dimensionen vereinfacht dargestellte mögliche Datenverteilung im Raum.
- Fig. 7b zeigt optimale Codebookvektoren für die Datenverteilung von Fig. 7a.
- Fig. 8a zeigt ein Beispiel für die Notwendigkeit mehrerer Codebookvektoren für eine Klasse.
- Fig. 8b zeigt am Beispiel von Fig. 8a, wie ein Codebookvektor dem Trainingsdatum ähnlicher wird.
- Fig. 8c zeigt am Beispiel von Fig. 8a, wie ein Codebookvektor dem Trainingsdatum unähnlicher wird.
- Fig. 9 veranschaulicht die Architekturen SOM und Feedforward Netze & Rekurrente Netze.
- Die vorliegende Erfindung wird anhand einer bevorzugten Ausführungsform beschrieben, die ein Verfahren zur Überwachung des Zustands bzw. zur Identifizierung von Schäden an einem Kolbenverdichter bzw. einer Kolbenpumpe betrifft.
- An einem Kolbenverdichter werden zur Überwachung des Maschinenzustands Signale entsprechend Schwingungen, Drücken, usw. gemessen, analysiert und in Bezug auf Grenzwerte oder eine Grenzwertüberschreitung bzw. eine Grenzwertverletzung überwacht. Bei einem Schadensfall, beispielsweise einem Ventilschaden, werden die Grenzwertverletzungen mit denen von Schadensrepräsentanten verglichen, welche durch Training basierend auf den Algorithmen neuronaler Netze ermittelt werden. Liegt der Schadensfall innerhalb des durch den Schadensrepäsentanten definierten Raums, wird eine Meldung erzeugt, welche den jeweiligen Schadensfall und den entsprechenden Schadensort anzeigt.
- Vorab wird bemerkt, dass das nachstehend beschriebene Verfahren sowohl auf einem einzelnen Computer als auch auf einem verteilten Netz von Computern wie zum Beispiel einem LAN oder WAN, implementiert werden kann. Das nachstehend beschriebene Verfahren kann also allgemein als computerimplementiertes Verfahren bezeichnet werden, das eine erfasste Datenstruktur verarbeitet.
- Fig. 1 stellt den Aufbau eines Zustandsüberwachungssystems eines bevorzugten Ausführungsbeispiels dar, bei welchem der Zustand einer Anordnung von mehreren Maschinen überwacht wird.
- Die Eingangsdaten (beispielsweise Daten bezüglich einer Beschleunigung), die einer zeitlich schnellen Änderungen unterliegen können, werden als Analogsignale von einer Messwerterfassungseinheit digitalisiert und zur Analyse online (und/oder zeitversetzt) einer Rechnereinheit übergeben.
- Die Datenanalyse erfolgt ebenfalls online (und/oder zeitversetzt) und lässt sich in mehrere Gruppen unterteilen.
- Die Beschleunigungssignale werden entsprechend Fig. 2 hochfrequent abgetastet, wobei das Zeitsignal in Segmente, z. B. 36 Segmente, pro Umdrehung aufgeteilt wird. Für jedes Segment wird der Effektivwert und der Absolut- Spitzenwert ermittelt. Die daraus resultierenden 72 Werte werden einer Grenzwertprüfung unterzogen. Typischerweise befinden sich 2 Beschleunigungssensoren an einem Zylinder, so dass für das Zustandsmuster 144 Werte pro Zylinder verwendet werden.
- Die Zeitsignale der Beschleunigungssensoren werden mit Hilfe einer Fourier Transformation in den Frequenzbereich überführt. Diese Amplitudenspektren werden in Band- Segmente (z. B. in die 8 Segmente 0-200 Hz, 200-500 Hz, 500-1000 Hz, 1000-2000 Hz, 2000-3000 Hz, 3000-4000 Hz, 4000-5000 Hz und 5000-10000 Hz) aufgeteilt. Für jeden Frequenzbereich werden der Effektivwert, der Absolutspitzenwert und eine Spitzenwertfrequenz ermittelt. Diese Analysen werden für unterschiedliche Zeitbereiche einer Kolbenumdrehung durchgeführt:
- - an den Kraftumkehrpunkten der Kolbenstange,
- - an den Totpunkten.
- Die grenzwertüberwachten Ergebnisse dieser Analyse gehen in das Zustandsmuster ein.
- Die Druckaufnehmer liefern ein Zeitsignal, das den Druckverlauf über eine Kurbelumdrehung innerhalb des Zylinders zeigt. Typischerweise sind die Kolben doppelt wirkend, so dass 2 Drucksignale pro Zylinder aufgezeichnet werden. Eine andere Darstellung des Drucksignals wird durch das p/V-Diagramm gegeben, wobei der Druck über dem Hubvolumen dargestellt wird. Aus diesem Diagramm werden unter anderem die folgenden 6 Kenngrößen ermittelt:
- - Durchstichpunkt der Expansionslinie durch Saugdruck,
- - Durchstichpunkt der Kompressionslinie durch Enddruck,
- - 4 Polytropenexponenten der Expansionslinie und Kompressionslinie.
- Ein daraus gebildetes Zustandsmuster beinhaltet für einen typischen Zylinder 12 Werte.
- Aus den Drucksignalen werden zusätzlich die Kolbenstangenkräfte, Kraftumkehrpunkte und Maximalwerte berechnet.
- Das Kolbenstangenlagesignal wird genauso wie das Schwingungszeitsignal behandelt. Die Grenzwertverletzungen der z. B. 36 Segmente und Analysen werden in dem Zustandsmuster gespeichert.
- Vom Prozessleitsystem werden weitere Maschinendaten an das Betriebszustandsüberwachungssystem gesendet. Für das Zustandsmuster werden u. a. folgende Werte verwendet:
- - Stufendrücke,
- - Fördervolumina
- - Ventilnesttemperatur,
- - Packungstemperaturen,
- - Leckgasmengen,
- - Öltemperaturen,
- - Motorstrom.
- Neue Zustandsmuster werden immer dann gespeichert, wenn mindestens 2 Grenzwerte verletzt wurden und kein Schadensrepräsentant in ausreichender Nähe gefunden wurde.
- Die charakteristischen Werte, welche die Datenanalyse des Zustandsüberwachungssystems liefert, werden kontinuierlich einer Grenzwertüberwachung unterzogen. Dabei werden die charakteristischen Werte jeweils einem Bereich zugeordnet, der durch Grenzwertschwellen definiert ist und in dem im Normalfall die Atalyseergebnisse liegen sollten. Da Kolbenverdichter bzw. Kolbenpumpen Maschinen sind, die flexibel eingesetzt werden, müssen für unterschiedliche Betriebszustände unterschiedliche Normalzustände definiert werden. Das Zustandsüberwachungssystem arbeitet daher mit mindestens 2 Grenzwertschwellen (einer 1. und 2. Warnschwelle), wodurch sich je charakteristischem Wert 3 mögliche Zustände ergeben, oder mit 4 Grenzwertschwellen (zwei unteren und zwei oberen Warnschwellen), wodurch sich je charakteristischem Wert 5 mögliche Zustände ergeben. Durch die Zuordnung der charakteristischen Werte jeweils einem definierten Bereich entstehen unterschiedliche Muster, d. h. Zustandsmuster (siehe Fig. 6).
- Die Grenzwertsetzung, d. h. die Festlegung von Grenzwerten bzw. Grenzwertschwellen, erfolgt üblicherweise manuell, was einen aufwendigen Prozess darstellt, da schon bei einem Standardverdichter über 1000 Grenzwerte zu bestimmen sind. Die Grenzwertsetzung kann aber auch automatisch erfolgen. Dabei werden beispielsweise über eine vorbestimmte Zeitdauer erfasste charakteristische Werte gespeichert und daraus durch ein Analyseverfahren Minimal- und Maximalwerte ermittelt. Eine derartige automatische Grenzwertsetzung ist jedoch nur auf gefahrenen Betriebszuständen möglich, da erst dann die erforderlichen Referenzwerte im Trend verfügbar sind. Darüber hinaus entbindet sie nicht von der Pflicht der manuellen Betriebszustandsdefinition, wozu eine genaue Kenntnis des Verdichters und seines Einsatzfelds notwendig ist, um die Bereiche möglichst eng zu halten, was eine enge Grenzwertüberwachung ermöglicht. Gleichzeitig ist jedoch die Anzahl der Betriebszustände zu minimieren, um die Wartbarkeit der Maschine zu gewährleisten und die Reaktionszeit des Systems auf Zustandsänderungen zu erhöhen. Es wird daher eine verbesserte automatische Grenzwertsetzung vorgeschlagen, welche mit erträglichem Aufwand eine einheitliche Zustandsüberwachung und Grenzwertsetzungsstrategie ermöglicht. Sie soll aufgrund der Trenddaten für alle gefahrenen Betriebszustände der Maschine die Betriebszustandsbereiche und die Grenzen für die Zustandsüberwachung der Maschine einstellen. Für die restlichen Bereiche des zulässigen Betriebs der Maschine soll eine Interpolation der bekannten Daten mit Hilfe verschiedener Methoden, unter anderem der Verwendung neuronaler Netze, vorgenommen werden. Diese Bereiche müssen jedoch als noch nicht validiert gekennzeichnet werden, um sie beim ersten Anfahren exakt einzustellen. Zudem muss aufgrund der zu erwartenden Anzahl gefundener Betriebszustände eine Reduktion (intelligentes Pruining) im Hinblick auf eine gute Erkennungsrate durchführbar sein. Eine weitere Option ist die automatische Anpassung der Grenzwerte an den Alterungsprozess der Maschine mit Hilfe der für die Zeitanalyse geeigneten Feedforward & Rekurrenten Netze.
- Die derart gebildeten Zustandsmuster werden einer Mustererkennungseinheit zugeführt, welche sie klassifiziert und gegebenenfalls aufgrund der Klassifizierung eine Textmeldung mit einer Beschreibung des Maschinenzustands bzw. des Fehlerbilds erzeugt. Die Klassifizierung kann durch einen Vergleich der auf die oben beschriebenen Weise gebildeten aktuellen Zustandsmuster mit gespeicherten Zustands- bzw. Referenzmustern durchgeführt werden.
- Aufsetzend auf die Grenzwertüberwachung mit dem oben erläuterten Vergleich der aktuellen Zustandsmuster mit gespeicherten Zustandsmustern arbeitet die Mustererkennungseinheit der bevorzugten Ausführungsform unter Verwendung neuronaler Netze. So kann die Erkennung der Schäden z. B. solche an rotierenden und/oder oszillierenden Maschinen durch die Mustererkennung auf Grundlage neuronaler Netze durchgeführt werden. Dadurch wird das gerade erzeugte Zustandsmuster mit Repräsentanten bzw. Stellvertretern (Codebooks) verglichen, die durch Training aus gespeicherten Zustands- bzw. Referenzmustern erzeugt werden. Als Referenzmuster können dabei bekannte oder aktuelle Zustandsmuster verwendet werden. Das angewandte Trainingsverfahren stellt eine Abwandlung der in dem Buch "Self-Organizing Maps" von T. Kohonen beschriebenen LVQ (Learning Vector Quantization) dar, die mit einer speziellen Metrik, welche die unterschiedlichen Analysen gemäß ihrer Wichtigkeit und Herkunft bei der Abstandsmessung bewertet, kombiniert wurde und den speziellen Anforderungen der Zustandsüberwachung von rotierenden und oszillierenden Maschinen gerecht wird. Bei der Überwachung großer Maschinen ist zu berücksichtigen, dass sich Verschiebungen zwischen den einzelnen erfassten und überwachten Werten zueinander ergeben können. Als Beispiel dafür wird das Ventilschlagen von Kolbenverdichtern bei unterschiedlichen Druckverhältnissen genannt.
- Die Mustererkennungseinheit bietet die Möglichkeit einer Verarbeitung auf der Basis neuronaler Netze, wobei ein Zustandsmuster nicht nur mit einem gespeicherten Muster, sondern mit Repräsentanten einer Gruppe von Mustern verglichen wird, die einer bestimmten Schadensklasse zugeordnet sind. Es werden dadurch die Erkennung ähnlicher Schäden ermöglicht, sowie eine Übertragbarkeit der Zustandsüberwachung auf andere Maschinen erleichtert. Dabei erfolgt eine Klassifizierung mittels eines neuronalen Netzes, welches mit Hilfe von DLVQ (Dynamic Learning Vector Quantization) und einer unten erläuterten nachgeschalteten LVQ3 zur schärferen Klassenbegrenzung trainiert wird. Beide Methoden sind Weiterentwicklungen der unten erläuterten klassischen LVQ. Der Problematik der unterschiedlichen Dimensionalität und Relevanz der Analysen und der möglichen Verschiebung der Schadensmerkmale bezüglich der Kolbenposition wird durch eine speziell entwickelte Metrik Rechnung getragen.
- Um eine Klassifizierung bzw. Ähnlichkeitsanalyse der Zustandsmuster in einem extrem hochdimensionalen Raum von beispielsweise etwa 300 Dimensionen gegenüber einer Vielzahl an gespeicherten Mustern schnell, zuverlässig und unter verschiedenen Anfangsbedingungen durchzuführen, wird ein neuronales Netz als geeignete Architektur verwendet (Durchführung eines selbstorganisierten und überwachten Lernens). Die Verwendung von selbstorganisierten neuronalen Netzen bietet eine schnelle, zuverlässige und flexible Möglichkeit der Datenaufbereitung und der Datenverarbeitung.
- Neuronale Netze werden in den verschiedensten Bereichen, etwa in der Bildverarbeitung, Qualitätssicherung, Prozesssteuerung und eben auch zur Mustererkennung eingesetzt. LVQ bildet ein effizientes, auf biologischen Ideen basierendes (Stichwort: Hebb'sches Lernen) und leicht interpretierbares Klassifikationsverfahren.
- Das Grundprinzip von LVQ ist wie folgt:
Es muss eine Menge von Beispieldaten geben, deren Klasse bekannt ist, d. h. in diesem Fall Zustandsmuster von bekannten Schadensfällen. Durch das Training wird versucht in dem Eingaberaum Musterbeispiele, genannt Codebookvektoren, für die einzelnen Klassen zu bestimmen. Einem jeden Muster wird nach dem Training die Klasse des am nächsten gelegenen Codebookvektor gegeben, welche im Idealfall von derselben Klasse wie die des Musters sein sollte. Die Diagramme 7a und 7b sollen dies verdeutlichen. - Natürlich kann es nötig sein für eine Klasse mehrere Codebookvektoren zu verwenden wie etwa in dem Beispiel 8a.
- Zum Training werden zunächst für jede Klasse ein oder mehrere Codebookvektoren initialisiert, z. B. indem man über alle zur Klasse gehörenden Daten mittelt. Entsprechend der Gegebenheiten bei DLVQ (dynamic learning vector quantization) werden während des Trainings weitere Codebookvektoren dynamisch hinzugefügt. Solange die Codebookvektoren noch nicht optimal eingestellt sind, wird zufällig ein Muster aus der Menge der Trainingsdaten gezogen und dessen nächster Codebookvektor w bestimmt. Ist dieser von derselben Klasse, wird er entsprechend folgender Formel dem Trainingsdatum ähnlicher gemacht, wobei ηε ]0,1[ die sogenannte Lernrate ist:
wi = wi - η.(wi - x)
- Die Abb. 8b zeigt diesen Schritt:
Wenn der Codebookvektor von einer anderen Klasse als das aktuelle Trainingsmuster ist, wird er nach der folgenden Formel dem aktuellen Trainingsmuster unähnlicher gemacht:
wi = wi + η.(wi - x)
- Die Abb. 8c zeigt diesen Schritt:
Mit Hilfe dieser Methode ergibt sich automatisch eine die Daten gut repräsentierende Architektur; komplett neue Klassen zeichnen sich dadurch aus, dass für sie kein repräsentativer Codebookvektor gefunden wird, d. h. der Abstand zum nächsten Codebookvektor relativ groß ist. - LVQ3 ist ein Verfahren, bei dem in jedem Schrittgleichzeitig zwei Codebookvektoren unterschiedlicher Klassen gegensätzlich geändert werden, um die Klassengrenzen möglichst fein einzustellen.
- Bevor die Mustererkennung in Betrieb genommen werden kann, müssen die Codebookvektoren der einzelnen Schadensklassen mit Hilfe der Trainingsalgorithmen des LVQ's erzeugt werden. Die Trainingsdaten sind die in einer Datenbank gespeicherten Schadensfälle in ihren verschiedenen Ausprägungen.
- Bei einem dann auftretenden Schaden wird dessen Muster mit diesen Codebookvektoren verglichen und die Entfernung mit Hilfe der speziellen Metrik gemessen.
- - Ist diese klein zu einer Klasse und groß zu einer anderen wird das Muster als erkannt und von dieser Klasse gewertet.
- - Ist sie zu mehreren wenigen klein, werden diese Klassen ausgegeben.
- - Ist sie zu vielen klein oder zu allen groß, wird dieses Muster als neues gespeichert.
- Durch die oben genannte Klassifizierungsmethode wird erreicht, dass lediglich wenige bekannte Zustandsmuster vorgegeben und gespeichert werden müssen und die aktuellen, d. h. die zu überwachenden Zustandsmuster mit nur wenigen Codebookvektoren, etwa 1 bis 2 pro Schadensfall, zu vergleichen sind. Durch die Verwendung von neuronalen Netzen erweist sich die Klassifizierungsmethode als flexibel gegenüber technischen Unterschieden zwischen verschiedenen Maschinen, wodurch Schadensfälle unter ihnen übertragen werden können. Auch ähnliche Muster werden erkannt und zugeordnet. Natürliche Verschiebungen der Zustandsmuster beispielsweise bezüglich der Lage während einer Umdrehung der Kurbelwelle herrührend von Schwankungen des Drucks sowie einem fortschreitenden Verschleiß können abgefangen bzw. berücksichtigt werden. Die Mächtigkeit bzw. Flexibilität der Mustererkennungseinheit ergibt sich aus der unbegrenzten Möglichkeit des Trainings bzw. Nachtrainings.
- Weitere Einsatzmöglichkeiten der vorliegenden Ausführungsform ergeben sich durch Anwendung von SOM (Self Organizing Maps (siehe Fig. 9)), wodurch Ähnlichkeiten zwischen den verschiedenen Schadensfällen untersucht und die notwendige Einbettungsdimension, d. h. die minimale Anzahl der erforderlichen Analysen, bestimmt werden. Hierdurch könnte die Anzahl der notwendigen Sensoren verringert werden.
- Zur Optimierung der Grenzwertsetzung bietet sich der Einsatz von FFN (Feedforward Netzen) und/oder von rekurrenten Netzen (siehe Fig. 9) an. Letztere eignen sich besonders gut für die Zeitreihenanalyse. Hierdurch soll eine Automatisierung der Grenzwertsetzung und der Grenzwertanpassung an den Lebenszyklus der Maschine ermöglicht werden. Eine weitere Anwendung stellt die durch Verschleißüberwachung erweiterte Schadenserkennung mit Hilfe der obigen Architekturen dar.
- Schließlich wird noch auf eine weitere Modifizierung der bevorzugten Ausführungsform der vorliegenden Erfindung hingewiesen, bei welcher die Zeitreihenanalyse durch ein Expertennetz erfolgt. Dadurch könnten Änderungen der Sensorsignale registriert und aus ihrem zeitlichen Verlauf die Möglichkeit eines Schadens beurteilt werden. Zudem könnte ein derartiges Verfahren zur automatischen Grenzwertsetzung im laufenden Betrieb eingesetzt werden.
- Insgesamt sei festgestellt, dass das Verfahren der vorliegenden Erfindung folgende Vorteile bietet. Zur Erhöhung der Sicherheit wird eine Sicherheitsüberwachung bereitgestellt, bei welcher beispielsweise eine schnelle, kurbelwinkelbezogene Schwingungsüberwachung zur Schadensbegrenzung durch eine manuelle oder automatische Abschaltung bei einem Auftreten kritischer Zustände durchgeführt wird. Die Verfügbarkeit des Zustandsüberwachungssystems wird durch Vorsehen einer Schwingungsdiagnose erhöht, bei welcher eine rechtzeitige Erkennung sich anbahnender Schäden mit lokaler und funktionaler Eindeutigkeit durch beispielsweise eine kurbelwinkelbezogene Schwingungsdiagnose mit betriebszustandsabhängiger Grenzwertüberwachung erfolgt. Es wird eine Senkung der Antriebskosten durch eine p/V-Diagramm-Analyse erreicht, wobei eine Minimierung der Antriebskosten durch Wirkungsgraderhöhung sowie Störungserkennung auf Basis von Online-Überwachung beispielsweise der Gasdynamik mittels betriebszustandsabhängiger p/V-Diagramm Analyse erzielt wird. Des weiteren wird eine Senkung der Instandhaltungskosten erzielt durch Verschleißteil-Überwachung, bei welcher beispielsweise eine Überwachung typischer Verschleißparameter von Kolbenmaschinen (Kolbenstangenlage, Temperaturen, Sperrdrücke, usw.) für Ringe, Packungen und Ventile zur Realisierung einer zustandsorientierten Instandhaltung erfolgt. Personalkosten können u. a. durch eine Prozessdaten- Integration gesenkt werden; diesbezüglich wird beispielsweise eine Systemintegration mit Prozessleittechnik, aber auch mit PC-Netzwerken (Ethernet) sowie WAN (Modems) und/oder eine Online-Aufzeichnung und mehrstufige Trendspeicherung aller Signale, PLS-Werte sowie Verknüpfung mit Ereignissen und Kommentaren vorgesehen. Schließlich können Reaktionszeiten durch ein automatisches Meldesystem bei Grenzwertüberschreitung minimiert werden; dabei werden Ereignisse mit Klartextmeldungen parallel per PLS, Internet, Intranet, e-Mail, SMS, Sprachausgabe oder Telefax ausgegeben.
Claims (12)
1. Verfahren zur Überwachung des Zustands einer
Maschine, insbesondere zur Identifizierung von Schäden an
der Maschine, mit den Schritten:
Erfassen von Daten, die den Betriebszustand der Maschine darstellen,
Erzeugen von charakteristischen Werten durch Analyse der erfassten Daten,
Zuordnen der charakteristischen Werte zu verschiedenen Bereichen, die durch einen oder mehrere Grenzwerte definiert werden,
Erzeugen eines Musters aus den zugeordneten charakteristischen Werten, und
Klassifizieren des erzeugten Musters durch einen Vergleich des erzeugten Musters unter Verwendung neuronaler Netze mit einem oder mehreren durch Training erzeugten Repräsentanten eines Referenzmusters oder einer Gruppe von Referenzmustern.
Erfassen von Daten, die den Betriebszustand der Maschine darstellen,
Erzeugen von charakteristischen Werten durch Analyse der erfassten Daten,
Zuordnen der charakteristischen Werte zu verschiedenen Bereichen, die durch einen oder mehrere Grenzwerte definiert werden,
Erzeugen eines Musters aus den zugeordneten charakteristischen Werten, und
Klassifizieren des erzeugten Musters durch einen Vergleich des erzeugten Musters unter Verwendung neuronaler Netze mit einem oder mehreren durch Training erzeugten Repräsentanten eines Referenzmusters oder einer Gruppe von Referenzmustern.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet,
dass der bzw. die Repräsentanten eines
Referenzmusters einer bestimmten Zustandsklasse zugeordnet
sind.
3. Verfahren nach einem der vorausgehenden Ansprüche,
dadurch gekennzeichnet, dass das Training des
Repräsentanten eines Referenzmusters nach Art des LVQ
erfolgt.
4. Verfahren nach einem der vorausgehenden Ansprüche,
dadurch gekennzeichnet, dass der durch
Klassifizieren des erzeugten Musters ermittelte Zustand der
Maschine angezeigt wird.
5. Verfahren nach einem der vorausgehenden Ansprüche,
dadurch gekennzeichnet, dass der bzw. die Grenzwerte
manuell festgelegt werden.
6. Verfahren nach einem der vorausgehenden Ansprüche,
dadurch gekennzeichnet, dass der bzw. die Grenzwerte
automatisch festgelegt werden.
7. Verwendung des Verfahrens nach einem der
vorausgehenden Ansprüche zur automatischen Erkennung und
manuellen Festlegung von Betriebszuständen der
Maschine.
8. Verwendung des Verfahrens nach einem der
vorausgehenden Ansprüche zur automatischen Erkennung und
automatischen Festlegung von Betriebszuständen der
Maschine.
9. Verwendung des Verfahrens nach einem der
vorausgehenden Ansprüche zur Identifizierung von Schäden an
Kolbenverdichtern und/oder Kolbenpumpen.
10. Verwendung des Verfahrens nach einem der
vorausgehenden Ansprüche zur Identifizierung von Schäden an
Verbrennungsmotoren.
11. Computerprogrammprodukt, das direkt oder nach
Durchführen einer vorbestimmten Routine indirekt im
Zusammenwirken mit einem Computer oder Computersystem
ein Verfahren nach einem der vorausgehenden
Ansprüche durchführt.
12. Hardwareprodukt mit Firmware, das direkt oder nach
Durchführen einer vorbestimmten Routine indirekt im
Zusammenwirken mit einem Computer oder
Computersystem ein Verfahren nach einem der vorausgehenden
Ansprüche durchführt.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE2002120124 DE10220124A1 (de) | 2002-05-06 | 2002-05-06 | Verfahren zur Überwachung des Zustands einer Maschine |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE2002120124 DE10220124A1 (de) | 2002-05-06 | 2002-05-06 | Verfahren zur Überwachung des Zustands einer Maschine |
Publications (1)
Publication Number | Publication Date |
---|---|
DE10220124A1 true DE10220124A1 (de) | 2003-11-27 |
Family
ID=29285104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE2002120124 Withdrawn DE10220124A1 (de) | 2002-05-06 | 2002-05-06 | Verfahren zur Überwachung des Zustands einer Maschine |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE10220124A1 (de) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004054271A1 (de) * | 2004-11-09 | 2006-05-11 | Fev Motorentechnik Gmbh | Vorhersageverfahren für Betriebszustände einer Verbrennungskraftmaschine |
DE102006032648A1 (de) * | 2006-01-30 | 2007-09-27 | Abb Research Ltd. | Diagnosesystem und Verfahren zur Zustandsüberwachung und Erkennung von Funktionsminderungen und Ausfällen an verdichtende und rotierende Maschinen |
WO2018184833A1 (de) * | 2017-04-07 | 2018-10-11 | BSH Hausgeräte GmbH | System und verfahren zur zustandsüberwachung und/oder fehlerdiagnose |
WO2022141669A1 (zh) * | 2020-12-31 | 2022-07-07 | 苏州大学 | 变工况下动态联合分布对齐网络的轴承故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4012278A1 (de) * | 1989-04-14 | 1990-10-18 | Hitachi Ltd | Zustands-diagnosesystem fuer eine anlage |
DE4406723A1 (de) * | 1993-02-27 | 1994-09-01 | Boetius & Partner Informations | Verfahren zur Überwachung des Betriebszustands einer Maschine oder Anlage |
US6256619B1 (en) * | 1997-12-23 | 2001-07-03 | Caterpillar Inc. | Self optimizing neural network analog data processing system |
-
2002
- 2002-05-06 DE DE2002120124 patent/DE10220124A1/de not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4012278A1 (de) * | 1989-04-14 | 1990-10-18 | Hitachi Ltd | Zustands-diagnosesystem fuer eine anlage |
DE4406723A1 (de) * | 1993-02-27 | 1994-09-01 | Boetius & Partner Informations | Verfahren zur Überwachung des Betriebszustands einer Maschine oder Anlage |
US6256619B1 (en) * | 1997-12-23 | 2001-07-03 | Caterpillar Inc. | Self optimizing neural network analog data processing system |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004054271A1 (de) * | 2004-11-09 | 2006-05-11 | Fev Motorentechnik Gmbh | Vorhersageverfahren für Betriebszustände einer Verbrennungskraftmaschine |
DE102006032648A1 (de) * | 2006-01-30 | 2007-09-27 | Abb Research Ltd. | Diagnosesystem und Verfahren zur Zustandsüberwachung und Erkennung von Funktionsminderungen und Ausfällen an verdichtende und rotierende Maschinen |
DE102006032648B4 (de) * | 2006-01-30 | 2014-06-26 | Abb Research Ltd. | Diagnosesystem und Verfahren zur Zustandsüberwachung und Erkennung von Funktionsminderungen und Ausfällen an verdichtende und rotierende Maschinen |
WO2018184833A1 (de) * | 2017-04-07 | 2018-10-11 | BSH Hausgeräte GmbH | System und verfahren zur zustandsüberwachung und/oder fehlerdiagnose |
WO2022141669A1 (zh) * | 2020-12-31 | 2022-07-07 | 苏州大学 | 变工况下动态联合分布对齐网络的轴承故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0789864B1 (de) | Überwachungssystem für eine technische anlage | |
DE60002290T2 (de) | Verfahren zum Nachweis von Anomalien in einem Signal | |
DE10241746B4 (de) | Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen | |
EP3876060B1 (de) | Verfahren und recheneinheit zur ursachenanalyse eines anomalen zustandes einer maschine | |
WO2019025113A1 (de) | Verfahren zur überprüfung von steckverbindungen | |
WO2014023294A1 (de) | Verfahren und vorrichtung zum bestimmen eines frequenzlinienmusters innerhalb wenigstens eines amplitudenspektrums | |
DE19961064A1 (de) | Vorrichtung und Verfahren zum Detektieren ventilbezogener Fehlerzustände für einen Verbrennungsmotor | |
EP3330818A1 (de) | Verfahren und vorrichtung zur zustandsüberwachung von komponenten einer technischen anlage | |
DE10220124A1 (de) | Verfahren zur Überwachung des Zustands einer Maschine | |
WO2021219515A1 (de) | Verfahren, vorrichtung und computerprogramm zum erzeugen von qualitätsinformation über ein beschichtungsprofil, verfahren, vorrichtung und computerprogramm zum erzeugen einer datenbank, überwachungsgerät | |
EP4022408A1 (de) | Verfahren und vorrichtung zum analysieren eines ablaufprozesses | |
DE4124501C2 (de) | Neuronales Netz mit automatischer Installation von Zwischenneuronen | |
EP2174267A2 (de) | Verfahren und vorrichtung zur automatischen mustererkennung | |
DE102017124589A1 (de) | Verfahren und System zum Auswerten eines Betriebszustandes eines Wasserfahrzeugs | |
EP3786853A1 (de) | Komprimieren eines tiefen neuronalen netzes | |
WO2020127285A1 (de) | Verfahren und vorrichtung zum bestimmen von segmenten in empfangenen zeitreihendaten einer systemkomponente | |
DE102022203238A1 (de) | Verfahren zur Betriebspunktklassifizierung durch Schallsignale | |
DE102010005049B4 (de) | Verfahren zum Erkennen von Fehlern in hydraulischen Verdrängermaschinen | |
EP1431927A1 (de) | Verfahren zur Schätzung der Restlebensdauer einer Vorrichtung | |
EP3847512B1 (de) | System zur diagnose und überwachung von luftversorgungsanlagen und deren komponenten | |
DE102021204040A1 (de) | Verfahren, Vorrichtung und Computerprogramm zur Erstellung von Trainingsdaten im Fahrzeug | |
DE102019216054B4 (de) | Verfahren zum Überwachen von Injektoren einer Brennkraftmaschine und Brennkraftmaschine zur Durchführung eines solchen Verfahrens | |
EP4034955A1 (de) | Training von maschinenlernmodellen zur datengetriebenen entscheidungsfindung | |
DE102019122727A1 (de) | Verfahren und Einrichtung zur Überwachung einer Antriebseinheit mit einer drehenden Antriebskomponente, insbesondere eines Motors einer Brennkraftmaschine mit einer Kurbelwelle, sowie Anzahl von Antriebseinheiten mit der Einrichtung | |
EP4012426A1 (de) | Verfahren zur korrektur eines zeitabhängigen messsignals einer motor-getriebeeinheit sowie verfahren zur erkennung von verschleiss und/oder einer beschädigung derselben mittels dieses korrekturverfahrens |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8130 | Withdrawal |