DE19754918A1 - Verbesserungen beim Komponentenmaschinentest unter Verwendung einer von einem neuralen Netzwerk verarbeiteten Schwingungsdatenanalyse - Google Patents

Description

Die Erfindung bezieht sich auf die Diagnose und den Be­ wertungstest einer Komponentenmaschine, wie beispiels­ weise einem Getriebe, welche wiederum ein Teil einer grö­ ßeren Maschineneinheit ist, wie beispielsweise von einem Fahrzeug, und insbesondere auf ein Testsystem, welches die Verarbeitung von Schwingungsdaten mit einem neuralen Netzwerk verwendet, und zwar mit einer Bewertung und Speicherung von Erfahrung durch eine interaktive An­ wenderschnittstelle.

Die Diagnose und der Bewertungstest einer Komponenten­ maschine, wie beispielsweise eines Getriebes, welche Teil einer größeren Maschineneinheit ist, bringt eine Anzahl von einzigartigen Betrachtungen mit sich.

Die Komponentenmaschine selbst ist gewöhnlicherweise eine komplexe Vorrichtung, die eine komplizierte Anordnung von Teilen enthält, die in einem ein Schmiermittel enthalten­ den Gehäuse abgedichtet sind.

Das Gehäuse und die Schmierung können Schwingungsdaten­ signale dämpfen und verzerren. Die Komponentenmaschine selbst ist im allgemeinen groß und schwer, so daß allein ihre Bewegung in eine Testumgebung ein beträchtlicher Aufwand ist.

Im Test muß die Maschinenkomponente mit variabler Lei­ stung und Belastung über dem vorgesehenen Betriebsbereich versorgt werden. Dies erzeugt eine Situation, wo die Schwingungssignale von der Komponentenmaschine, die zu analysieren sind, in einem Geräusch- bzw. Rauschband ent­ halten sind, welches von irgendwelchen Testleistungs- und -belastungsmechanismen erzeugt wird, und die es schwierig machen, das nützliche Komponentenmaschinen-Schwingungs­ signal herauszuziehen.

Der tatsächliche Testvorgang kann unter vielen verschie­ denen Umständen auftreten. Er kann beispielsweise in ei­ ner Herstellumgebung auftreten, wo die Komponentenma­ schine hergestellt wird, er kann in einer Reparatur­ werkstatt im Fahrzeug oder unabhängig vom Fahrzeug auf­ treten, oder er kann am Einsatzort in der größeren Ma­ schineneinheit montiert auftreten. Es ist von Vorteil, den Testvorgang zu irgendeinem Zeitpunkt zu unterbrechen, wenn das Ziel des speziellen Testvorgangs erreicht worden ist.

Beim Test wäre es wünschenswert, sobald die Testumstände eingerichtet worden sind, daß man fähig ist, zu testen, ob die Leistung der Komponentenmaschinenvorrichtung zu­ friedenstellend ist, und irgendeine Stelle in der gerade getesteten Komponentenmaschine zu identifizieren, die für irgendeine Abweichung von der zufriedenstellenden Lei­ stung verantwortlich ist.

Die Schwingungsanalyse mit neuralen Netzwerken ist in der Technik verwendet worden, um Probleme bei sich drehenden Maschinen zu identifizieren und zu diagnostizieren. Ins­ besondere ist die Anwendung einer Schwingungsanalyse durch ein neurales Netzwerk in der Maschinendiagnose­ technik eingesetzt worden. Als ein Beispiel wird im US- Patent 5 361 628 der Diagnosetest und die Klassifizierung von Automobilmotoren unter Verwendung eines neuralen Netzwerks beschrieben, und zwar mit Untersampeln (subsampling) und einer Filterung zur Reduzierung eines Schwingungssignalbandes, um das neurale Netzwerk nicht zu überlasten.

Die aus einem fort laufenden Aufwand entwickelte Erfin­ dung, die die Maschinenschwingungsanalyse über ein neu­ rales Netzwerk aufweist, ist in den folgenden US-Patent­ anmeldungen dargelegt, die der Anmelderin der vorliegen­ den Erfindung zu eigen sind und hier durch Bezugnahme aufgenommen sein.

US-Patent 5 602 761, ausgegeben am 11. Februar 1997, be­ titelt "Machine Performance Monitoring and Fault Classi­ fication Using an Exponentially Weighted Moving Average" von den Erfindern Julie M. Spoerre, Chang Ching Lin und Hsu Pin Wang.

US-Patent 5 566 092, ausgegeben am 15. Oktober 1996, be­ titelt "Machine Fault Diagnostics System and Method" von den Erfindern Hsu Pin Wang, Hsin-Hoa Nuang, Gerald M. Knapp, Chang Ching Lin, Shui-Shun Lin und Julie M. Spoer­ re.

US-Patent 5 566 273, ausgegeben am 15. Oktober 1996, be­ titelt "Supervised Training of a Neural Network" von den Erfindern Hsin-Hoa Nuang, Shui-Shun Lin, Gerald M. Knapp und Hsu Pin Wang.

Mit dem Fortschritt der Technik erzeugt die Komplexität der erforderlichen Testvorgänge zum Klassifizieren und Identifizieren von Problemen bei physisch größeren, schwereren und komplexeren Komponentenmaschinen eine Not­ wendigkeit für ein leichter begreifendes bzw. lei­ stungsfähigeres Komponentenmaschinenbewertungssystem.

Eine Komponentenmaschinentesttechnik wird vorgesehen, die identifizieren kann, ob die Leistungsspezifikationen er­ füllt werden, und die eine Diagnoseanalyse an einem Schwingungssignal der Komponentenmaschine ausführen kann. Die Testtechnik trennt den Einfluß des Leistungs- und des Belastungsmaschinenhintergrundgeräusches vom Schwin­ gungssignal der Komponentenmaschine im Test in einem er­ sten neuralen Netzwerk unter einer Bedieneranalyse. Eine Diagnoseanalyse, mit einer weiteren Bedieneranleitung durch eine interaktive Schnitt stelle verwendet mit einem zweiten neuralen Netzwerk ein Hypothesenvorausschau- bzw. Hypothesenfortschrittssystem und ein auf früherer Erfah­ rung basierendes Expertensystem, um die Reparaturhand­ lungsführung anzuleiten. Es gibt ein Archiv von jeglicher Erfahrung, die in dem gerade ausgeführten Testvorgang aufgenommen wird, und zwar für die Anwendung bei einem zukünftigen Test.

Bei der Diagnoseanalyse werden sowohl zeitbasierte als auch frequenzbasierte Schwingungssignalinformationen von der gerade getesteten Komponentenmaschine zusammen ver­ wendet, und zwar durch eine anzeigeinteraktive Schnitt­ stelle mit einem simultan Mehrfachsignalmerkmal unter Be­ dieneranleitung.

Eine erste neurale Netzwerkeinheit wird eingesetzt, in der ein Eingangssignalmuster in ein Eingangs-Ausgangs- Kreuz eintritt, welches mit dem neuralen Netzwerk ver­ bunden ist, wobei die Eingangslage einer Autoregressions- Parameter-Grenzsteuerung unterworfen wird, wobei die Aus­ gangslage einer Überwachungs- bzw. Wachsamkeits- oder Vi­ gilanzsteuerung unterworfen ist, und wobei die Netzwer­ keinheit bis zu dem Punkt resoniert bzw. Resonanz zeigt, wo das Überwachungssteuerniveau ein Signal annimmt, wel­ ches frei vom Einfluß eines Hintergrundrauschens ist, und für eine Diagnoseanalyse weitergeleitet wird.

Das Diagnosesystem setzt ein zweites neurales Netzwerk ein, welches das Schwingungssignalmuster mit bekannten Versagensmustern vergleicht, mit bekannten Arten von all­ gemeinen Fehlerversagensmustern und mit Regeln und Tatsa­ chen eines Expertensystems.

Fig. 1 ist ein Funktionsflußdiagramm des Testsystems der vorliegenden Erfindung;

Fig. 2 ist ein Blockdiagramm der Elemente und Merkmale des Diagnose- und Klassifizierungssystems der Er­ findung;

Fig. 3 ist eine Abbildung einer typischen Kurvendarstel­ lung der Größe gegenüber der Zeit (in Sekunden) eines typischen Schwingungsdatensignals;

Fig. 4 ist eine Abbildung einer typischen Kurvendarstel­ lung der Größe gegenüber der Zeit (in Sekunden) eines typischen Schwingungsdatensignals, und zwar folgend einem Autoregressions-Datenkondensations­ vorgangs;

Fig. 5 ist eine Abbildung einer Kurvendarstellung der Größe gegenüber der Frequenz (in Hz) eines typi­ schen Schwingungsdatensignals folgend einem Schnell-Fourier-Transformations-Datenkondensa­ tionsvorgangs (FFT-Datenkondensationsvorgang; FFT = fast fourier transform);

Fig. 6 ist eine Abbildung einer typischen Kurvendarstel­ lung der Größe gegenüber der Frequenz (in Hz) ei­ nes typischen Autoregressions-Schwingungdaten­ signals, wie in Fig. 4 gezeigt, und zwar folgend der Umwandlung der Punkte auf eine frequenzba­ sierte Leistungsspektraldichtendarstellung (ARPSD- Darstellung);

Fig. 7 ist eine Abbildung der interaktiven, vom Bediener gesteuerten Schnittstelle der Erfindung;

Fig. 8 ist eine Abbildung der neuralen Netzwerkeinheit für die Extraktion des Hintergrundrauschens aus dem Schwingungssignal der Erfindung.

Das Testsystem der Erfindung sieht eine Testmöglichkeit für eine Komponentenmaschine, wie beispielsweise ein Ge­ triebe, vor. Es arbeitet mit Schwingungsdatensignalen von der Komponentenmaschine, die aus Hintergrundschwin­ gungssignalen der mit Leistung und Last in Beziehung ste­ henden Funktionen extrahiert werden muß, die für den Be­ trieb der Komponentenmaschine durch den bezeichneten bzw. ausgelegten Bereich wichtig sind.

Es wird eine Fähigkeit für eine anfängliche zufrieden­ stellende oder nicht zufriedenstellende Klassifikation der Komponentenmaschine vorsehen. Es wird bei einer Kom­ ponentenmaschine, die als nicht zufriedenstellend klassi­ fiziert oder eingeordnet worden ist, weiter die Schwin­ gungssignalmuster untersuchen, um abnormale Signalgruppen für eine Fehleridentifikation der Komponentenmaschine heraus zuziehen.

Aus einem abnormalen Schwingungssignalmuster wird das Sy­ stem der Erfindung eine Empfehlung erzeugen, welcher De­ fekt der Komponentenmaschine das abnormale Schwingungs­ signalmuster bewirkt. Die Empfehlung basiert zuerst auf dem Herausfinden einer Übereinstimmung zwischen dem her­ einkommenden Signalmuster und den Signalmustern von be­ kannten Komponentenmaschinenkomponentenversagen, die durch frühere Komponentenmaschinentesterfahrungen bekannt wurden. Wenn keine Übereinstimmung gefunden wird, wird das abnormale Schwingungssignalmuster weiter im Vergleich mit einer Gruppe von hypothetischen Schwingungssignalen untersucht, die aus Studien von gewöhnlichen Fehlern von Komponentenmaschinen der gerade getesteten Bauart ent­ wickelt wurden. Wenn das System der Erfindung immer noch nicht das abnormale Signalmuster identifizieren kann, wird eine Expertensystemfähigkeit als eine Führung bei der Vornahme einer Abschätzung der Reparatur dienen, die für die gerade getestete Komponentenmaschine erforderlich ist. Schließlich ist eine Fähigkeit vorgesehen, die das Archivieren von Information in dem System ermöglicht, und irgendeinen Lernvorgang aus einem gegenwärtigen Test, der bei zukünftigen Diagnosen helfen wird.

Mit Bezug auf Fig. 1 ist ein Funktionsflußdiagramm des Testsystems der Erfindung gezeigt, wobei in einem ersten Schritt, als Element 1 bezeichnet, die Schwingungssignal­ daten aufgenommen werden. Die Schwingungssignaldaten ha­ ben ihren Ursprung an einer Stelle, die innerhalb eines Rauschhintergrundes liegt. Der Rauschhintergrund ist ein wesentliches Nebenprodukt der Maschine, die die Antriebs­ leistung und die Last für die Funktion der gerade gete­ steten Komponentenmaschine vorsehen muß.

In einem zweiten Schritt, mit Element 2 bezeichnet, wird das aufgenommene Datensignal einem Vorverarbeitungsvor­ gang unterworfen, der ein erstes neurales Netzwerk ein­ bezieht, welches im Endeffekt die Funktion besitzt, den Einfluß des Hintergrundrauschens zu entfernen, so daß es als normale Situation in den Datensignalen zu sehen ist, die die gerade getestete Komponentenmaschine darstellen. In einem dritten Schritt, mit Element 3 bezeichnet, wer­ den die Testdaten unter Teilnahme der Steuerung einer in­ teraktiven Bedienerschnittstelle verarbeitet. Das Testen gestattet es, daß die gerade getestete Maschinenkomponen­ te anfänglich als zufriedenstellend klassifiziert wird, und wenn sie nicht zufriedenstellend ist, dann werden die nicht zufriedenstellenden Aspekte der Maschinenkomponente identifiziert, und schließlich werden die Identifikati­ onsmittel, die die nicht zufriedenstellende Klassifikati­ on zur Folge hatten, für zukünftige Tests an anderen Ma­ schinenkomponenten archiviert.

Mit Bezug auf Fig. 2 ist ein Blockdiagramm von Elementen und Merkmalen des Diagnose- und Klassifizierungssystems mit der simultanen, interaktiven Bedieneranzeigeschnitt­ stelle der Erfindung gezeigt. In Fig. 2 ist eine Testum­ gebung in gestrichelter Umrandung, als Element 4 gezeigt, in der die Komponentenmaschine im Test 5 unter Zuständen montiert ist, die gestatten, daß der Möglichkeits- bzw. Fähigkeitsbeweis der Komponentenmaschine im Test 5 zu be­ werten ist. Für eine Komponentenmaschine 5, wie bei­ spielsweise ein Getriebe, wären diese Zustände mindestens Leistung und Last, gestrichelt als Elemente 6 und 7 ge­ zeigt, und nicht gezeigte Gang- bzw. Getriebeeinstel­ lungen, wobei diese die Quelle eines gewissen Rauschens in der Testumgebung 4 sind. Eine Testvorrichtungsdaten­ sensoreinheit 8 ist benachbart zur Testvorrichtung 5 po­ sitioniert, wobei sie eine Vielzahl von Sensoren für Schwingungsdaten und Betriebsumstände enthält, und zwar mit symbolischen Verbindungen zur Testvorrichtung 5. Eine Testumgebungsdatensensoreinheit 9 ist innerhalb der Test­ umgebung positioniert. Beim Nicht-Vorhandensein einer ge­ wissen einzigartigen Geräuschquelle in der Testumgebung 4 wird die Testumgebungsdatensensoreinheit 9 mindestens die gleichen Schwingungsdatensensoren enthalten, wie die Ein­ heit 8, die im allgemeinen Wandler oder Beschleunigungs­ messer sind, wie beispielsweise die Bauart 328CO4PCB, die mit einer Aufnahmeplatine DT2821-G-8DI in einem Stan­ dardpersonalcomputer verwendet wird, die Schwingungen, Geräusche, Kräfte, Druck usw. und andere solche Kriterien wie beispielsweise Temperatur und Schmierölzustand mes­ sen.

Der Datensignalabbildungsvorprozessor 2 führt die Funk­ tion aus als ein erstes neurales Netzwerk zur Verwendung, um den Einfluß des Hintergrundrauschens zu entfernen, welches in der Umgebungssensoreinheit 9 abgefühlt wird, und zwar aus dem Testvorrichtungsdatensignal, welches von der Vorrichtungssensoreinheit 8 abgefühlt wird. Im Abbil­ dungsvorprozessor 2 werden die Signale des Hintergrund­ rauschens über den Kanal 10 verwendet, um eine spezielle erste neurale Netzwerkeinheit zu trainieren, die in Ver­ bindung mit Fig. 8 zu beschreiben ist, um wie normal die Signale über den Kanal 10 zu erkennen, wenn die Testvor­ richtungsdatensignale verarbeitet werden, die in Fig. 8 abgefühlt wurden und über einen Kanal 11 geliefert wur­ den, so daß die Testvorrichtungsdatensignale, wenn sie auf dem Kanal 12 geliefert werden, frei vom Einfluß des Hintergrundrauschens in der Testumgebung sind.

Im Element 3 der Fig. 2 sind die Merkmale des Diagnose- und Klassifizierungssystems mit der simultanen bediener­ interaktiven Anzeigeschnittstelle der Erfindung abgebil­ det. Die Testvorrichtungsdatensignale werden über den Ka­ nal 12 an die interaktive Schnittstelle 13 und durch sie hindurch geliefert, in der unter Steuerung des Bedieners die Datensignale in einem zweiten neuralen Netzwerk 14 verarbeitet werden, und zwar unter Verwendung von Diagno­ setechnologien 15, wie beispielsweise die Autoreduktion (AR), die schnelle Fourier-Transformation (FFT = fast fourier transformation), die mittlere Quadratwurzel (RMS = root mean square) und der exponentiell gewichtete, be­ wegliche bzw. veränderliche Durchschnitt (EWMA = exponen­ tially weighted moving average) und die Autoreduktions- Leistungsspektraldichte (ARPSD = autoreduction power spectral density) zusammen mit einem Expertensystemein­ wirkungs- und -erklärungsuntersystem, die wiederum Daten­ basen 16 verwenden, wie beispielsweise Betriebszustands­ grenzen, neurale Netzwerktrainingslisten, frühere Erfah­ rungsmodelle von tatsächlichen Versagen, frühere Erfah­ rungsmodelle von typischen Versagen und Expertensystem­ regeln und -tatsachen.

Im tatsächlichen Testvorgang zeigt das mehrfache simul­ tane Anzeigefähigkeitsmerkmal 17 der Schnittstelle 13, welches genauer in Verbindung mit Fig. 7 beschrieben wer­ den soll, dem Bediener die Beziehung der Datensignale zu den annehmbaren Grenzen, die in der Datenbasiseinheit 16 gespeichert sind, und auf eine Anzeige hin, daß das Da­ tensignalmuster als normal oder in anderen Worten als an­ nehmbar angesehen wird, kann der Bediener die spezielle Komponentenmaschine im Test als akzeptabel klassifizieren lassen, in dem er dies durch die Bedienereingabefähigkeit 18 anzeigt.

In der Situation, wo die Anzeige der Beziehung der Daten­ signale zu den Grenzen als anders als akzeptabel ange­ zeigt oder bewertet wird, wird die volle diagnostische Fähigkeit des Systems dann eingesetzt, und zwar unter Verwendung eines zweiten neuralen Netzwerkes in seriell angewandten Reihen von Diagnosevorgängen. Der erste Diag­ nosevorgang verwendet eine Vergleichs suche für eine exak­ te Signalübereinstimmung mit bekannten gespeicherten Mo­ dellsignalen für tatsächliches Versagen, wie beispiels­ weise für ein ausgefallenes Lager in einem vorherigen Testvorgang. Wenn eine Übereinstimmung gefunden wird, wird die Vorrichtung im Test als Defekt mit einer Iden­ tifizierung des Defektes klassifiziert. Wenn keine Über­ einstimmung gefunden wird, wird in einem zweiten Diagno­ sevorgang eine Fuzzy-Logik-Berechnung ausgeführt, um dem Bediener das nächste bekannte Muster und den Abweisungs­ grad einzurichten und anzuzeigen, und zwar für eine Ent­ scheidung bei der Klassifikation oder Einstufung der Vor­ richtung im Test und eine Anzeige des wahrscheinlichen Fehlers. Wenn immer noch keine zufriedenstellend enge Da­ tenübereinstimmung gefunden worden ist, wird ein Exper­ tensystem eingesetzt, wobei die Regeln und Tatsachen, die in dem Datenbasiselement 16 gespeichert sind, mit einer Schnittstelle und einem Erklärungsuntersystem im Element 15 verarbeitet werden, um die engste Übereinstimmung bei der Identifizierung des Fehlers zu erreichen.

Der Bediener erhält unter Verwendung der Eingabemöglich­ keit 18 ausreichende Informationen durch die Schnitt­ stelle 13, um die Eingabefähigkeit zu verwenden, um jede Vorrichtung im Test 5 zu klassifizieren, und zwar mit ei­ nem Fehler und einer wahrscheinlichen Reparaturanzeige, und weiter um durch Speichern in den Datenbasen im Ele­ ment 16 die Beziehung des Signalmusters und des durch das Expertensystem ausgewählten Fehlers für eine zukünftige Anwendung zu archivieren.

Viele Berechnungen kommen vor bei der Anwendung der In­ teraktion bzw. Zusammenwirkung der Diagnosetechnologien im Element 15 im System im Prozessorelement 3 mit dem neuralen Netzwerkelement 14. Es gibt viele Variationen von neuralen Netzwerkkonfigurationen in der Technik. Eine bevorzugte Art sieht das Konzept der adaptiven Resonanz­ theorie (ART) vor, wobei die Verarbeitung in zwei Modulen auftritt, eines für die binäre Eingangsmuster, das andere für analoge Eingangsmuster in Beziehung zu einer Zielaus­ gangsgröße, wobei diese durch eine MAP mit einer Steuer­ vorrichtung verbunden sind, die das Lernen und die Wach­ samkeit (Vigilanz) oder den Grad der Ausgangspräzision steuert. Adaptive Resonanztheorie-(ART-) neurale Netzwer­ ke werden beschrieben in den erwähnten ebenfalls anhängi­ gen Anmeldungen. Bei dem Test einer Komponentenmaschine, wo es viele geringfügig unterschiedliche Modelle der Vor­ richtungen geben kann, die das eine oder andere Mal zu testen sind, ist eine neurale Netzwerkkonfiguration vor­ teilhaft, die eine geringere Expertenaufsicht bzw. Beach­ tung eines Experten von einem Testvorrichtungsmodell zum anderen erfordert, wie beispielsweise die ART-Bauart.

Beim Gesamtbetrieb sammelt das Testsystem der Fig. 1 und 2 kontinuierlich gemultiplexte Betriebsdaten für eine Be­ wertung durch eine neurale Netzwerkverarbeitung. Die Be­ triebsschwingungsdaten enthalten ein weites Spektrum von Daten, die die kritischen Datenmuster umgeben, die die wichtige Information für den Klassifizierungs- und Bewer­ tungsvorgang enthalten. Vorteile werden erreicht durch Filtern, Kondensieren bzw. Verdichten und graphische Dar­ stellung bzw. Kurvendarstellung der Daten mit Bezug auf die Zeit und die Frequenz bei der Verringerung der Be­ rechnungsresourcen, beim Herausziehen von mehr Infor­ mation und bei einer verbesserten Kommunikation mit dem Bediener durch die mehrfache simultane Anzeige.

Das System erfordert eine gewisse Initialisierung.

Die Schwingungsdaten können filterbare, identifizierbare Fremddaten enthalten, die nicht mit der Maschine in Be­ ziehung stehen, und die Berechnungsresourcen verbrauchen können, jedoch durch Standardfiltertechniken entfernt werden können.

Der kontinuierliche Datenstrom ist einem Standardsamp­ ling- bzw. Aufnahme- und Abbildungs- bzw. Frame-Vorgang unterworfen, der Signalfenster vorsieht, die alle wichti­ gen Daten enthalten, die jedoch klein genug für eine nor­ male Berechnungszeit sind. Ein idealer Sampling- bzw. Aufnahmevorgang wird alle Signalmerkmale in einem Minimum von Punkten wiedergeben. Die ideale Einzelaufnahme (frame) wird die gesamte Aufnahme jedoch nicht mehr ent­ halten.

In dem Diagnosetechnologieelement 15 werden von den auf­ gelisteten Technologien die schnelle Forier-Transforma­ tion (FFT) und die mittlere Quadratwurzel (RMS) in der Technik weithin verwendet, und erfordern keine Erklärung; EWMA bzw. das exponentiell gewichtete bewegliche Mittel wird in den erwähnten ebenfalls anhängigen Anmeldungen beschrieben. Die Autoregressions-(AR)-Technologie erfor­ dert, daß eine AR-Reihenfolge bzw. AR-Ordnung in einer kondensierten bzw. verdichteten und erneut angeordneten Aufnahme (sample) von Punkten in der Zeitreihenfolge mo­ duliert wird, in der eine niedrige (AR-) Ordnung gewöhn­ licherweise eine Modelierung von nur den höheren Frequen­ zen zur Folge hat, eine hohe (AR-) Ordnung im wesentli­ chen alle aufweist, und eine extensive, am Rand nützliche Berechnung zur Folge hat, und eine moderate (AR-) Ordnung die Fähigkeit vorsehen wird, spezielle Optionen einzu­ schließen. Die (AR-) Reihenfolge bzw. Ordnung kann eine ganze Zahl zwischen 7 und so vielen Datenpunkten wie in der Analyse verfügbar sein. Für eine Maschinenkomponente wie beispielsweise ein Getriebe, wird eine moderate (AR-) Ordnung von 40 bevorzugt. Solche (AR-) Ordnungseinträge werden in dem Datenbasenelement 16 zur Anwendung bei den Training des neuralen Netzwerks ge­ speichert.

Eine Kommunikation mit dem Bediener wird verbessert, wo­ bei die Informationsvorteile bei verschiedenen Arten von Schwingungsdatensignalen simultan verfügbar sind.

In den Fig. 3-6 sind Kurvendarstellungen von verschie­ denen Arten von Schwingungsdatensignalen gezeigt, die in der Erfindung eingesetzt werden. Mit Bezug auf die Fig. 3-6 ist in Fig. 3 eine Abbildung einer Kurvendarstellung einer Größe gegenüber der Zeit (in Sekunden) eines typi­ schen Schwingungsdatensignals gezeigt, und zwar getrennt durch Linien über der Kurvendarstellung, die die Aufnahme Einzelbilder (sample frames) anzeigen. In Fig. 4 ist eine Abbildung eines einzelnen Einzelbildes einer Kurvendar­ stellung einer Größe gegenüber der Zeit (in Sekunden) des Signals der Fig. 3 gezeigt, und zwar folgend einem Auto­ regressions-Datenkondensationsvorgangs. In Fig. 5 ist ei­ ne Abbildung eines einzelnen Einzelbildes einer Kurven­ darstellung der Größe gegenüber der Frequenz (in Hz) des Schwingungsdatensignals der Fig. 3 gezeigt, und zwar fol­ gend auf einen schnellen Fourier-Transformations-(FFT)- Datenkondensationsvorgang. In Fig. 6 ist eine Abbildung einer Kurvendarstellung der Größe gegenüber der Frequenz (in Hz) des Autoregressions-Schwingungsdatensignals abge­ bildet, wie in Fig. 4 gezeigt, und zwar folgend auf die Umwandlung der Punkte in eine frequenzbasierte Autore­ gressionsleistungspektraldichten-(ARPSD-)Kurvendarstel­ lung.

Es gibt eine Anzahl von Merkmalen, die bei der Bewertung und Diagnose einer Maschinenkomponente nützlich sind, die zur Entscheidungsfindung verfügbar werden, wenn eine kom­ binierte zeit- und frequenzbasierte Kurvendarstellung zu­ sammen und gleichzeitig angezeigt wird. Das zeitbasierte Autoregressionssignal enthält eine Phasenbeziehung, wäh­ rend Daten kondensiert werden und eine inhärente bzw. in­ newohnende Filterung veranschaulicht wird. Bei Schwin­ gungsdaten ist eine Phasenverschiebung in den Schwin­ gungssignalen beobachtet worden, wenn eine sich drehende Maschine in einem mit Öl gefüllten Gehäuse wie bei einem Getriebe arbeitet.

Die frequenzbasierte Kurvendarstellung nimmt die Größe und die augenblickliche Leistung auf, und in Anwesenheit einer zeitbasierten Kurvendarstellung werden gefilterte Merkmale offensichtlich. Eine Anzeigefähigkeit für alle der Datenbewertungsarten, wie in den Fig. 4-6 abgebildet, verbessert die Fähigkeit des Bedieners, zu diagnostizie­ ren und zu klassifizieren, und es können Bediener mit un­ terschiedlichen Fähigkeiten aufgenommen bzw. eingesetzt werden.

In Fig. 7 ist eine Abbildung der kombinierten mehrfachen simultanen Anzeigefähigkeit und der Bedienereingabe­ fähigkeit der interaktiven, vom Bediener gesteuerten Schnittstelle der Erfindung gezeigt. Die Schnittstelle sieht eine Diagnose- und Warnniveauinformation für den Bediener vor und empfängt interaktive Diagnose- und Klas­ sifizierungsinformationen für das System vom Bediener. Mit Bezug auf Fig. 7 gibt es als Teil der Schnittstelle 13 der Fig. 2 eine mehrfache gleichzeitige Merkmalanzei­ gefähigkeit 20, die als ein Monitor mit acht Fenstern 21-28 gezeigt ist, obwohl klar ist, daß ein getrennter Moni­ tor für jedes Fenster eingesetzt werden könnte. Die An­ zeigefähigkeit ist derart angeordnet, daß sie im Blick­ feld einer Bedienereingabemöglichkeit 29 ist, beispiels­ weise als eine Tastatur abgebildet. Das Fenster 21 zeigt das zeitbasierte Diagnosesystem-Eingangsschwingungs­ datensignal an. Das Fenster 22 bildet eine Autoregres­ sions-(AR-)Parameterkurvendarstellung des Signals des Fensters 21 ab. Das Fenster 23 zeigt eine exponentiell gewichtete, bewegliche bzw. verschiebliche Mittelwert- (EWMA-)Kurvendarstellung des Signals des Fensters 21 an. Das Fenster 24 zeigt eine mittlere Quadratwurzel-(RMS-)­ Kurvendarstellung des Signals des Fensters 21 an. Das Fenster 25 zeigt mindestens ein Element der Daten an, die den Bediener über eine Veränderung des Zustandes der Ma­ schine informieren würde, wie beispielsweise der Tempe­ ratur, Druck und Ölzustand, wie beispielsweise durch eine Veränderung der dielektrischen Konstantenwerte gemessen werden könnten. Das Fenster 26 zeigt eine Warnkommunika­ tion an, daß die Daten anzeigen, daß die Grenzen über­ schritten werden, oder daß man sich ihnen nähert, und daß eine Entscheidung erforderlich sein kann. Das Fenster 27 zeigt eine schnelle Fourier-Transformations-(FFT-)Kur­ vendarstellung des Signals des Fensters 21 an und das Fenster 28 zeigt eine Autoregressionsleistungsspektral­ dichten-(ARPSD-)Kurvendarstellung des Signals des Fen­ sters 21 an.

Die verschiedenen Signalarten haben den folgenden Nutzen für den Bediener. Das Signal im Fenster 21 gestattet, daß der Bediener das Schwingungsdatensignalmuster anschaut. Das Signal im Fenster 22 gestattet, daß der Bediener eine Kurvendarstellung eines zeitbasierten Signals sieht, wel­ ches eine Phasenbeziehung enthält und auch das Signal zeigt, welches die Diagnosebasis sein würde. Das Signal im Fenster 23 gestattet, daß der Bediener die gegenwär­ tige Leistung im Schwingungsdatensignal mit Beziehung auf die früheren Trends sieht, und ob ein Zustand gerade auf­ getreten ist oder schnell schlecht wird. Das Signal im Fenster 24 gestattet, daß der Bediener die augenblickli­ che Leistung im Schwingungsdatensignal sieht. Das Signal im Fenster 25 gestattet, daß der Bediener sieht, ob es irgendeine Veränderung in den stationären Betriebszustän­ den der beteiligten Ausrüstungsgegenstände gibt. Das Si­ gnal im Fenster 26 enthält gewöhnlicherweise Indikatoren, die die anderen Signalkurvendarstellungen zusammenfassen, und eine Anzeige der Schwere des Problems, wie beispiels­ weise ein rotes Licht für das Überschreiten einer Grenze, ein gelbes Licht für die Nähe zu einer Grenze und ein grünes Licht für einen zufriedenstellenden Zustand. Das Signal in den Fenstern 27 und 28 gestattet es, daß der Bediener simultan eine zeitbasierte und eine frequenzba­ sierte Kurvendarstellung des Schwingungsdatensignalmu­ sters verwendet. Viele Fehler können aus den Anzeigen des Fensters 27 und 28 alleine bestimmt werden, was eine Dia­ gnose und Klassifizierung mit weniger Verarbeitung und eine wirkungsvolle Anwendung der Bediener mit unter­ schiedlichen Wissenständen gestattet. In der Situation einer Komponentenmaschine, wie beispielsweise einem Ge­ triebe, könnte in der Anzeige etwas vorgesehen werden, um einen speziellen Gang anzuzeigen.

In Fig. 8 ist eine Abbildung der ersten neuralen Netz­ werkeinheit der Erfindung zum Herausziehen des Hinter­ grundschwingungssignals gezeigt. In Fig. 8 weist die er­ ste neurale Netzwerksignalextraktionseinheit 30 eine Ein­ gangslage 31 und eine Ausgangslage 32 der neuralen Pro­ zessorsummierungsvorrichtungen auf, und zwar in einer Menge, die einem ausgewählten Datensignal aufgenommenen Muster entspricht, von dem beispielhafte sechs Eingabe- Ausgabe-Pfade 33-38 gezeigt sind.

Jede Eingabevorrichtung in der Lage 31 ist mit jeder Aus­ gabevorrichtung in der Lage 32 verbunden, und jede Ausga­ bevorrichtung in der Lage 32 ist mit jeder Eingabevor­ richtung in der Lage 31 verbunden, und zwar durch in der Technik standardmäßige gewichtete Verbindungen.

Die Funktion der neuralen Netzwerkextraktionseinheit 30 ist es, die darauf folgende Verarbeitung der Schwingungs­ datensignale im Prozessor 14 der Fig. 2, die Hintergrund­ datensignale als normale Signale erkennen zu lassen. Die Verarbeitung wird dann auf die Testvorrichtungsdatensig­ nale fokussiert.

Das Hintergrunddatensignalmuster über dem Kanal 10 der Fig. 2 wird auf die Anschlüsse 39-44 durch eine in der Technik standardmäßig vorgesehene Autoregressionstechnik, bezeichnet mit Element 45, aufgebracht, wie beispiels­ weise genau in den erwähnten ebenfalls anhängigen Anmel­ dungen im Detail beschrieben. Vorwärts- und Rückwärts- (AR-)Ordnungsparameter, entsprechend den oberen und un­ teren begrenzenden Autoregressionsparametern, werden ein­ gerichtet und auf die Einganganschlüsse 46-51 aufge­ bracht. Jeder Eingangsknoten in der Lage 31 beginnt ein Signal proportional zu seiner Eingangsgröße zu erzeugen. Jeder Ausgangsknoten in der Lage 32 empfängt Signale von der Eingangslage 31, und zwar eingestellt durch die Stär­ ke der Verbindungen, und jeder Ausgangslagenknoten gibt ein Signal an alle Knoten der Eingangslage 31 über einen weiteren Satz von Verbindungen zurück, wodurch eine Re­ sonanz zwischen den Lagen 31 und 32 aufgebaut wird. Ein Auslösungsniveau wird durch einen Wachsamkeits- bzw. Vi­ gilanzfaktor 52 vorsehen. Der Vigilanz- bzw. Wachsam­ keitfaktor 52 bestimmt, wie viele Ausgangssignale erfor­ derlich sind, um ein Signalmuster die Autoregressions­ parametergrenzen zufriedenstellen zu lassen. Ein Beispiel von fünf der sechs Pfade 33-38 ist als Beispiel bei den Anschlüssen 53-57 gezeigt, die wiederum durch den Kanal 12 der Fig. 2 in den Prozessor 14 verbunden bzw. geleitet werden.

Wenn der Wachsamkeitsfaktor im Element 52 hoch ist, be­ wegt sich die Netzwerkeinheit 30 für lange Perioden beim Suchen einer exakten Übereinstimmung, während, wenn der Wachsamkeitsfaktor zu niedrig ist, die Netzwerkeinheit 30 zu viel der Hintergrundschwingung als abnormal berück­ sichtigen würde, und zu viel der Netzwerkberechnungs­ resourcen verwenden würde. Der Wachsamkeitsfaktor 52 ist eine Zahl zwischen 1 und 10, wobei 5 bei dieser Anmeldung zufriedenstellend ist.

Das Ergebnis der Vorverarbeitung des Elementes 30 ist, daß in dem an den Prozessor 3 über den Kanal 12 gelie­ ferte Schwingungsdatensignal der Einfluß des Hinter­ grundumgebungssignals als ein normaler Zustand neutrali­ siert worden ist.

Was beschrieben worden ist, ist eine Komponentenmaschi­ nentesttechnik, die eine Diagnoseanalyse an einem Schwin­ gungssignal einer Komponentenmaschine ausführt, aus dem der Einfluß des Leistungs- und Belastungsmaschinenhinter­ grundrauschens in einem ersten neuralen Netzwerk extra­ hiert worden ist. Bei einer Diagnoseanalyse unter Anwei­ sung eines Bedieners durch eine interaktive Schnittstelle wird ein zweites neurales Netzwerk verwendet, um eine se­ rielle Reihe von Diagnoseansätzen vorzusehen, und zwar bei der Kategorisierung bzw. Einordnung der Komponenten­ maschine und bei einem Anweisungsvorgang mit Bezug dar­ auf, und zwar gefolgt durch die Archivierung irgendeiner Erfahrung, die in dem gerade ausgeführten Testvorgang aufgenommen bzw. erreicht worden ist.

Andere Aspekte, Ziele und Merkmale der vorliegenden Er­ findung können aus einem Studium der Zeichnungen, der Of­ fenbarung und der beigefügten Ansprüche erhalten werden.

Zusammenfassend kann man folgendes sagen:
Eine Komponentenmaschinentesttechnik ist vorgesehen, die eine Diagnoseanalyse eines Schwingungssignals der Kom­ ponentenmaschine ausführt, die von dem Leistungs- und Be­ lastungsmaschinenhintergrundrauschen in einem ersten neuralen Netzwerk getrennt worden ist. Die Diagnoseana­ lyse verwendet mit einer Bedieneranweisung durch eine in­ teraktive Schnittstelle ein zweites neurales Netzwerk bei der Ausführung einer Reihe von Diagnosevorgängen, und zwar gefolgt durch eine Archivierung von irgendeiner Er­ fahrung, die in dem gerade ausgeführten Testvorgang auf­ genommen wurde.

Bei der Diagnoseanalyse werden sowohl zeit- als auch fre­ quenzbasierte Schwingungssignalinformationen von der gera­ de getesteten Komponentenmaschine zusammen unter Anwei­ sung des Bedieners durch eine simultane interaktive Schnittstelle mit mehrfacher Anzeige verwendet.

Claims (16)

1. Vorrichtung zur Bewertung und Diagnose einer Kompo­ nentenmaschine, die Teil einer größeren Maschine ist, wobei die Diagnose und Bewertung durch eine Analyse eines neuralen Netzwerkes eines Schwin­ gungsdatensignals geschieht, um abnormale Signalmu­ ster in den Schwingungsdaten zu identifizieren, wo­ bei in Kombination folgendes vorgesehen:
erste Abfühlmittel, die angeordnet sind, um die Schwingungsdatensignale abzufühlen, die von der Kom­ ponentenmaschine erzeugt werden;
zweite Abfühlmittel die getrennt von den ersten Ab­ fühlmitteln positioniert sind, um die Hintergrund­ rauschschwingungsdaten in der Nachbarschaft der Kom­ ponentenmaschine abzufühlen;
erste neurale Netzwerkverarbeitungsmittel, um ir­ gendeinen Einfuß des abgefühlten Hintergrundge­ räusches in den abgefühlten Komponentenmaschinen- Schwingungsdatensignalen als normal zu erkennen bzw. normal zu machen; und
eine Verarbeitungsstufe zur Bewertung und Diagnose, wobei die Verarbeitungsstufe folgendes aufweist: ein interaktives Schnittstellenglied mit mindestens einem Merkmal einer simultanen mehrfachen Signal­ anzeige und Bedienereingabe und Mittel zum Empfang des vorverarbeiteten Komponentenmaschinen-Schwin­ gungsdatensignals; und
ein zweites neurales Netzwerk mit assoziierten Dia­ gnosetechnologiebetriebssystemen und unterstützenden Datenbasen zur Bewertung und Verarbeitung von Be­ stimmungen, basierend auf den Signalmustern in dem Komponentenmaschinen-Schwingungsdatensignal, welches in dem zweiten neuralen Netzwerk identifiziert wor­ den ist.

2. Vorrichtung nach Anspruch 1, wobei das Normalmachen bzw. Normalisieren von irgendeinem Einfluß des ab­ gefühlten Hintergrundrauschens in den abgefühlten Komponentenmaschinen-Schwingungsdatensignalen in dem ersten neuralen Netzwerk durch eine Autoregressions­ parameterauswahl geschieht.

3. Vorrichtung nach Anspruch 1 oder 2, wobei die mehr­ fache Anzeige ein Computermonitor mit mehreren Fen­ stern ist.

4. Vorrichtung nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 1, wobei die ersten und zweiten Abfühlmittel jeweils Beschleunigungsmeßvor­ richtungen aufweisen.

5. Vorrichtung nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 1, wobei die Bedienerein­ gabemittel eine Tastatur sind.

6. Verfahren zur Bewertung und Diagnose einer Kompo­ nentenmaschine, die ein Teil einer größeren Maschine ist, wobei die Diagnose und Bewertung durch eine neurale Netzwerkanalyse eines Schwingungsdatensig­ nals geschieht, um abnormale Signalmuster in den Schwingungsdaten zu identifizieren, wobei das Ver­ fahren in Kombination folgende Schritte aufweist:
Abfühlen von Schwingungsdatensignalen an einer Stelle einer Komponentenmaschine;
Abfühlen von Hintergrundrauschschwingungsdatensig­ nalen an einer Stelle in der Nähe der Komponenten­ maschine, Vorsehen eines ersten neuralen Netzwerk­ vorprozessors, um irgendeinen Einfluß des abgefühl­ ten Hintergrundrauschens in den abgefühlten Kompo­ nentenmaschinen-Schwingungsdatensignalen normal zu machen bzw. zu normalisieren; und
Verarbeiten der abgefühlten Komponentenmaschinen- Schwingungsdatensignale zur Bewertung und Diagnose, wobei die Verarbeitung folgendes aufweist:
Ansehen einer simultanen mehrfachen Signalanzeige und Eingeben von Antworten bzw. Ansprechen basierend auf den Informationen in der Anzeige.

7. Verfahren nach Anspruch 6, welches den Schritt auf­ weist, irgendeinen Einfluß des abgefühlten Hinter­ grundrauschens in den abgefühlten Komponentenmaschi­ nen-Schwingungsdatensignalen durch eine Autoregres­ sionsparameterauswahl normal zu machen.

8. Verfahren nach Anspruch 6 oder 7, welches den Schritt aufweist, einen Computermonitor mit mehreren Fenstern als die Mehrfachanzeige vorzusehen.

9. Verfahren nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 6, welches den Schritt aufweist, Beschleunigungsmeßvorrichtungen für die ersten und zweiten Abfühlmittel vorzusehen.

10. Verfahren nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 6, welches den Schritt aufweist, eine Tastatur für die Bedienereingabemit­ tel vorzusehen.

11. Schwingungsdatenverarbeitungselement zum Extrahieren von Hintergrundschwingungssignalen aus speziellen Schwingungssignalen, die von einer speziellen Quelle herrühren, und die aufeinanderfolgend in einem neu­ ralen Netzwerk verarbeitet werden, wobei in Kombina­ tion folgendes vorgesehen ist:
Mittel zum Abfühlen in einer ersten Abfühleinheit von den speziellen Schwingungssignalen an einer er­ sten Stelle, wobei die erste Stelle benachbart zu der speziellen Quelle von speziellen Schwingungssig­ nalen ist;
Mittel zum Abfühlen in einer zweiten Abfühleinheit von den Hintergrundschwingungssignalen, wobei die zweite Abfühleinheit getrennt und entfernt von der Quelle von speziellen Schwingungssignalen positio­ niert ist;
Mittel, die eine Autoregression vorsehen, um ein mi­ nimales und maximales Erwartungssignal zu erzeugen, welches die Hintergrundschwingungssignale in den ab­ gefühlten Hintergrundschwingungssignalen darstellt, und das Ableiten von normalen Erwartungsbereichs­ signalen davon;
ein neurales Netzwerkglied;
wobei das neurale Netzwerkglied eine Eingangslage von Verarbeitungselementen besitzt, und zwar jeweils mit einem Eingangsanschluß, wobei der Eingangsan­ schluß mit einem Erwartungsbereichssignal von den Erwartungsbereichssignalen versorgt bzw. beliefert wird;
wobei das neurale Netzwerkglied eine Ausgangslage von Verarbeitungselementen besitzt, und zwar jeweils mit einem Ausgangsanschluß;
wobei jedes Verarbeitungselement in der Eingangslage mit jedem Verarbeitungselement in der Ausgangslage verbunden ist; und
wobei jedes Verarbeitungselement in der Ausgangslage mit jedem Verarbeitungselement in der Eingangslage verbunden ist; und
eine Vigilanz- bzw. Wachsamkeitsstufe, die in jedem Ausgangsanschluß und einem entsprechenden Eingangs­ anschluß der darauf folgenden neuralen Netzwerkver­ arbeitung positioniert bzw. angeordnet ist, wobei die Stufe auf einen Vigilanz- bzw. Wachsamkeits­ faktor anspricht und betreibbar ist, um Ausgangssig­ nale basierend auf einem erforderlichen Teil von al­ len möglichen Ausgangssignalen an den Ausgangsan­ schlüssen zu übergeben.

12. Vorrichtung zur Diagnose und Bewertung einer Maschi­ ne durch eine neurale Netzwerkanalyse eines Schwin­ gungsdatensignals der Maschine, um abnormale Signal­ muster zu identifizieren, wobei folgendes vorgesehen ist:
eine Schwingungsdatensignalvorverarbeitungsstufe, die ein neurales Netzwerk mit ausgewählten Autore­ gressions- und Vigilanz- bzw. Wachsamkeitsfaktoren aufweist, die betreibbar ist, um spezielle Schwin­ gungsdatensignalmuster in dem Schwingungsdatensignal als normal zu identifizieren.

13. Vorrichtung nach einem der vorhergehenden Ansprüche, insbesondere nach Anspruch 12, wobei der Autoregres­ sionsfaktor von 7 bis zur maximalen Länge der Ana­ lyse reicht, und wobei der Vigilanz- bzw. Wachsam­ keitsfaktor zwischen 0 und 1 läuft, und zwar mit vollständiger Auswählbarkeit durch den Anwender.

14. System, in dem Schwingungsdaten von einer Maschine gesammelt werden und dann durch einen neuralen Netz­ werkprozessor bei Diagnose- und Bewertungsbestim­ mungen der Maschine verarbeitet werden, wobei fol­ gendes vorgesehen ist:
eine Schnittstelle für eine Bedienergegenwirkung mit dem System, die in dem System positioniert ist, und zwar zwischen dem Eingang der Schwingungsdaten und dem Prozessor, wobei in Kombination folgendes vorge­ sehen ist;
Eingangsmittel, die zur manuellen Eingabe einer Be­ dieneranweisung in das System geeignet sind; und
Anzeigemittel, die eine Vielzahl von mindestens zwei getrennten Datensignalanzeigemöglichkeiten und ge­ trennten Zustandsindikatoranzeigemöglichkeiten auf­ weist, wobei die Anzeigemittel im Blickfeld des Be­ dieners positioniert sind, wenn der Bediener in Reichweite der Eingabemittel ist.

15. Schnittstelle nach einem der vorhergehenden Ansprü­ che, insbesondere nach Anspruch 14, wobei die minde­ stens zwei getrennten Anzeigemöglichkeiten zeitba­ sierte und frequenzbasierte Schwingungsdatensignale aufweisen.

16. Schnittstelle nach einem der vorhergehenden Ansprü­ che, insbesondere nach Anspruch 14, wobei die ge­ trennten Anzeigemöglichkeiten das zeitbasierte Dia­ gnosesystemeingangschwingungdatensignal aufweisen, eine Autoregressions-(AR-)Parameterkurvendarstel­ lung dieses Signals, eine schnelle Fourier-Trans­ formations-(FFT-)Kurvendarstellung des Signals, eine Autoregressionsleistungsspektraldichten- (ARPSD-)Kurvendarstellung des Signals, eine expo­ nentiell gewichtete, bewegliche bzw. verschiebliche Mittelwert-(EWMA-)Kurvendarstellung des Signals, eine mittlere Quadratwurzel-(RMS-)Kurvendarstel­ lung des Signals, mindestens ein Zustandsüberwa­ chungssignal der Maschine aus folgender Gruppe: Tem­ peratur, Druck und dielektrische Konstante des Öls und den Zustandsindikator.