DE202021104953U1

DE202021104953U1 - Überwachungsvorrichtung für den laufenden Betrieb von Geräten und Anlagen

Info

Publication number: DE202021104953U1
Application number: DE202021104953.7U
Authority: DE
Original assignee: ABB Schweiz AG
Current assignee: ABB Schweiz AG
Priority date: 2021-09-14
Filing date: 2021-09-14
Publication date: 2021-09-28
Anticipated expiration: 2031-09-15

Abstract

Überwachungsvorrichtung (2) für ein Gerät und/oder eine Anlage (1), umfassend:• mindestens eine Schnittstelle (21) zum Einlesen von Zustandsdaten (1a), die den aktuellen Betriebszustand des Geräts und/oder der Anlage (1) charakterisieren;• mindestens ein Machine Learning-Modell (22), das darauf trainiert ist, die Zustandsdaten (1a) auf mindestens eine Wahrscheinlichkeit (1b) für den Eintritt mindestens eines unerwünschten Ereignisses im Gerät bzw. in der Anlage (1) zu einem vorgegebenen zukünftigen Zeitpunkt, und/oder in einem vorgegebenen zukünftigen Zeitfenster, abzubilden; sowie• mindestens eine Auswerteeinheit (23), die dazu ausgebildet ist, aus der vom Machine Learning-Modell (22) ermittelten mindestens einen Wahrscheinlichkeit (1b) den Betriebszustand des Geräts bzw. der Anlage (1) binär dahingehend zu klassifizieren, ob das mindestens eine unerwünschte Ereignis mit einer für den Betrieb des Geräts bzw. der Anlage (1) relevanten Wahrscheinlichkeit bevorsteht (1c).

Description

GEBIET DER ERFINDUNG
Die Erfindung bezieht sich auf die Überwachung des laufenden Betriebes von Geräten und Anlagen auf möglicherweise bevorstehende unerwünschte Ereignisse.
STAND DER TECHNIK
Unerwünschte Ereignisse, wie beispielsweise eine Fehlfunktion oder gar ein Ausfall eines Geräts oder einer Anlage, während der Durchführung eines industriellen Prozesses können die Sicherheit des Prozesses gefährden und in vielfältiger Hinsicht Kosten verursachen. Zu den Kosten für die ausgefallene Produktionszeit können beispielsweise noch Kosten für Schäden am Gerät bzw. an der Anlage sowie für Maßnahmen zur Problembehebung kommen.
Die durch derartige unerwünschte Ereignisse verursachten Kosten können drastisch vermindert werden, wenn der Zeitpunkt ihres Eintretens auch nur mit einer Vorwarnzeit von wenigen Minuten vorhergesagt werden kann. So offenbart beispielsweise die US 2010/161 275 A1 ein Verfahren und System zur Erkennung von Störungen an elektrischen Betriebsmitteln im Frühstadium. Wird eine beginnende Störung erkannt, kann beispielsweise die Überwachung des Betriebsmittels intensiviert oder eine eingehende Untersuchung durch Wartungspersonal veranlasst werden.
AUFGABE UND LÖSUNG
Es ist die Aufgabe der vorliegenden Erfindung, eine Überwachungsvorrichtung zur Verfügung zu stellen, die die proaktive Überwachung einer breiteren Klasse von Geräten und Anlagen auf bevorstehende Fehlfunktionen und andere unerwünschte Ereignisse ermöglicht.
Diese Aufgabe wird erfindungsgemäß gelöst durch eine Überwachungsvorrichtung gemäß Hauptanspruch sowie durch ein Trainingsgerät für ein in dieser Überwachungsvorrichtung nutzbares Machine Learning-Modell gemäß Nebenanspruch. Weitere vorteilhafte Ausgestaltungen ergeben sich jeweils aus den darauf rückbezogenen Unteransprüchen.
OFFENBARUNG DER ERFINDUNG
Im Rahmen der Erfindung wurde eine Überwachungsvorrichtung für ein Gerät und/oder eine Anlage entwickelt. Das Gerät bzw. die Anlage kann insbesondere beispielsweise ein beliebiges Betriebsmittel sein, das der Durchführung eines industriellen Prozesses dient. Beispiele für solche Betriebsmittel sind neben den eingangs erwähnten Betriebsmitteln in Energieversorgungsnetzen Pumpen für die Förderung von Fluiden oder auch Anlagen, in denen Stoffe, die unter Normbedingungen (Standard Temperature and Pressure, STP) fest sind, unter besonderen Bedingungen in einem nicht-festen Aggregatzustand verarbeitet werden.
Die Überwachungsvorrichtung weist mindestens eine Schnittstelle zum Einlesen von Zustandsdaten auf, die den aktuellen Betriebszustand des Geräts und/oder der Anlage charakterisieren. Diese Zustandsdaten können insbesondere beispielsweise einen Druck, eine Temperatur, einen Massenfluss, eine elektrische Spannung, einen elektrischen Strom, eine Viskosität, einen Füllstand, einen Öffnungszustand eines Ventils, einen sonstigen Einschalt- und/oder Betriebszustand eines Betriebsmittels. und/oder eine Anzeige mindestens eines Ereignisses im Gerät bzw. der Anlage, beinhalten.
Die Überwachungsvorrichtung weist weiterhin ein Machine Learning-Modell auf. Dieses Machine Learning-Modell ist darauf trainiert, die Zustandsdaten auf mindestens eine Wahrscheinlichkeit für den Eintritt mindestens eines unerwünschten Ereignisses im Gerät bzw. in der Anlage zu einem vorgegebenen zukünftigen Zeitpunkt, und/oder in einem vorgegebenen zukünftigen Zeitfenster, abzubilden. Das Machine Learning-Modell löst also ausgehend von den Zustandsdaten eine Regressionsaufgabe bezüglich der Wahrscheinlichkeit für den Eintritt des mindestens einen unerwünschten Ereignisses. Das Machine Learning-Modell kann insbesondere beispielsweise dazu ausgebildet sein, in einem Arbeitsgang Wahrscheinlichkeiten für mehrere mögliche unerwünschte Ereignisse zu ermitteln.
Unter einem Machine Learning-Modell wird insbesondere beispielsweise eine mit trainierbaren Parametern parametrisierte Funktion mit großer Kraft zur Verallgemeinerung verstanden. Ein Beispiel für ein Machine Learning-Modell ist ein neuronales Netzwerk. In einem solchen neuronalen Netzwerk umfassen die trainierbaren Parameter insbesondere beispielsweise Gewichte, mit denen Eingaben, die einem Neuron oder einem anderen Knoten in dem Netzwerk zugeführt sind, zu Aktivierungen dieses Neurons bzw. dieses Knotens summiert werden.
Weiterhin ist mindestens eine Auswerteeinheit vorgesehen. Diese Auswerteeinheit ist dazu ausgebildet, aus der vom Machine Learning-Modell ermittelten mindestens einen Wahrscheinlichkeit den Betriebszustand des Geräts bzw. der Anlage binär dahingehend zu klassifizieren, ob das mindestens eine unerwünschte Ereignis mit einer für den Betrieb des Geräts bzw. der Anlage relevanten Wahrscheinlichkeit bevorsteht.
Die Aussage, ob das mindestens eine unerwünschte Ereignis bevorsteht, ließe sich mit einem Machine Learning-Modell prinzipiell auch in einem Arbeitsgang aus den eingelesenen Zustandsdaten ermitteln. Es wurde jedoch erkannt, dass das zweistufige Vorgehen über die Wahrscheinlichkeiten die Genauigkeit und Verlässlichkeit der letztendlich erhaltenen Aussage erhöht.
Eine Ursache hierfür ist, dass zum Training von Machine Learning-Modellen verwendeten Trainingsdatensätze, die durch Beobachtung realer Geräte und Anlagen gewonnen werden, in aller Regel hauptsächlich Zustandsdaten enthalten, die sich auf normale Betriebszustände beziehen. Dass unerwünschte Ereignisse in diesen Geräten und Anlagen glücklicherweise eine Seltenheit sind, hat zur Folge, dass mit diesen Ereignissen verknüpfte Zustandsdaten in den Trainingsdaten unterrepräsentiert sind. Zugleich treten die meisten unerwünschten Ereignisse auch nicht schlagartig auf, sondern bahnen sich über eine gewisse Zeit an. Wird das Machine Learning-Modell zum Ermitteln von Wahrscheinlichkeiten verwendet, ist es also plausibel, dass diese Wahrscheinlichkeiten bereits eine ganze Zeit vor dem unerwünschten Ereignis von Null verschieden sind und beispielsweise progressiv ansteigen. Es lässt sich dann zum einen auch die Charakteristik dieses Anstiegs genauer abbilden. Zum anderen kann das neuronale Netzwerk mit deutlich mehr Zustandsdaten trainiert werden, denen von Null verschiedene Wahrscheinlichkeiten zugeordnet sind. Somit ist ein völliger Normalzustand des Geräts bzw. der Anlage in den Trainingsdaten nicht mehr so deutlich überrepräsentiert.
Weiterhin lässt sich auch das Zusammenwirken mehrerer Ursachen für ein unerwünschtes Ereignis besser abbilden. So können beispielsweise bestimmte Betriebszustände die Wahrscheinlichkeit dafür beeinflussen, dass eine Fehlerursache („root cause“) zu einem unerwünschten Ereignis eskaliert. Ist beispielsweise eine Anordnung aus mehreren parallel geschalteten Pumpen nicht voll ausgelastet, kann bei Ausfall einer Pumpe der wegfallende Massenstrom durch die verbliebenen Pumpen erbracht werden, so dass das letztendliche unerwünschte Ereignis „fehlender Massenstrom am Ausgang der Anordnung“ abgewendet werden kann. Ist die Anordnung hingegen voll ausgelastet, kann der Ausfall einer Pumpe nicht kompensiert werden, und der geforderte Massenstrom am Ausgang der Anordnung wird nicht mehr erreicht.
Im Ergebnis kann das bevorstehende Eintreten eines unerwünschten Ereignisses mit einer höheren Treffsicherheit vorhergesagt werden, so dass eine entsprechende Vorwarnzeit zur Verfügung steht, um Gegenmaßnahmen zu ergreifen. Beispielsweise können die Bediener des Geräts bzw. der Anlage durch eine Alarmeinrichtung zu Gegenmaßnahmen aufgefordert werden, so dass die Folgewirkungen des unerwünschten Ereignisses minimiert werden. Wenn beispielsweise eine Pumpe, mit der bei der Ölförderung produziertes Wasser in die Lagerstätte zurückgepumpt wird, ausfällt, so können die Reparatur und der Neustart mehrere Stunden Produktionsausfall verursachen. Es ist daher sinnvoll, beizeiten gegenzusteuern, um den Ausfall zu vermeiden. Wenn vor einem drohenden Stillstand einer Anlage, die einen unter Normbedingungen festen Stoff in flüssiger oder pastöser Form verarbeitet (wie etwa eine Metallschmelze), ausreichend Vorwarnzeit zur Verfügung steht, kann der Stoff noch aus der Anlage entfernt werden, bevor er sich verfestigt. Wenn sich der Stoff hingegen in der Anlage verfestigt, ist diese, wenn überhaupt, erst nach sehr aufwändigem manuellem Entfernen des Stoffes mit mechanischen Werkzeugen wieder nutzbar.
Das Machine Learning-Modell kann insbesondere beispielsweise dazu ausgebildet sein, Zeitreihen von Zustandsdaten zu verarbeiten und jedem Zeitpunkt dieser Zeitreihe eine Wahrscheinlichkeit für den Eintritt des unerwünschten Ereignisses zuzuordnen. Auf diese Weise können Datenströme von Messdaten, die üblicherweise in einem zeitdiskreten Raster abgetastet werden, unmittelbar genutzt werden. Derartige Zeitreihen können insbesondere beispielsweise von einem rekurrenten neuronalen Netzwerk, RNN, und/oder einem neuronales Netzwerk in der Architektur eines Long Short-Term Memory, LSTM, als Machine Learning-Modell ausgewertet werden.
Die Auswerteeinheit kann beispielsweise dazu ausgebildet sein, die Wahrscheinlichkeit mit einem vorgegebenen Schwellwert zu vergleichen und in Antwort darauf, dass der Schwellwert überschritten ist, den Betriebszustand des Geräts bzw. der Anlage dahingehend zu klassifizieren, dass das mindestens eine unerwünschte Ereignis bevorsteht. In dem Schwellwert liegt dann noch ein zusätzlicher Freiheitsgrad, mit dem beispielsweise feinjustiert werden kann, wie relevant bestimmte Basisereignisse für den Eintritt eines größeren unerwünschten Ereignisses sind.
Die Auswerteeinheit kann aber auch beispielsweise mindestens eine zusätzliche Schicht umfassen, die an ein als neuronales Netzwerk ausgebildetes Machine Learning-Modell angefügt ist. Diese zusätzliche Schicht kann insbesondere beispielsweise als Klassifikatorschicht ausgebildet sein. Auf diese Weise kann insbesondere auch das Zusammenwirken mehrerer Ereignisse und/oder Indikatoren auf den letztendlichen Eintritt eines unerwünschten Ereignisses gelernt werden. Dies ist ein Stück weit vergleichbar damit, dass Feuer nur dann entstehen kann, wenn Brennmaterial, Sauerstoff und Hitze an ein und demselben Ort kumulativ zusammenkommen.
In einer weiteren besonders vorteilhaften Ausgestaltung umfasst die Überwachungsvorrichtung zusätzlich eine Wirkeinrichtung. Diese Wirkeinrichtung ist dazu ausgebildet ist, in Antwort auf die Feststellung, dass das mindestens eine unerwünschte Ereignis bevorsteht,

• das überwachte Gerät bzw. die überwachte Anlage anzusteuern, um das Gerät bzw. die Anlage in einen Zustand zu überführen, in dem der Eintritt des unerwünschten Ereignisses weniger wahrscheinlich ist; und/oder
• mindestens ein anderes Gerät oder mindestens eine andere Anlage anzusteuern, die bei Eintritt des unerwünschten Ereignisses die Funktion des überwachten Geräts bzw. der überwachten Anlage zumindest teilweise zu übernehmen.

Auf diese Weise kann die Erkenntnis, dass ein unerwünschtes Ereignis bevorsteht, automatisiert genutzt werden, um den Eintritt des unerwünschten Ereignisses noch zu verhindern oder zumindest dessen Folgen abzumildern.
Wenn beispielsweise der Ausfall einer Pumpe droht, kann diese Pumpe etwa auf einen Arbeitspunkt umgesteuert werden, an dem sie mechanisch weniger stark belastet wird. So ist etwa die Belastung bei einer Drehfrequenz, die der Resonanzfrequenz der Pumpe entspricht, besonders groß.
In einem Stromnetz kann beispielsweise bei einem sich ankündigenden Ausfall eines Betriebsmittels eine Umleitung geschaltet werden, über die zumindest der größte Teil der angeschlossenen Verbraucher auch nach dem Ausfall weiterhin versorgt werden kann.
Wie zuvor erläutert, ist die Überwachungsvorrichtung besonders für Pumpen geeignet, wie sie beispielsweise in Anlagen zur Öl- und Gasförderung eingesetzt werden können. Daher stellt die Erfindung auch ein Pumpensystem bereit. Dieses Pumpensystem umfasst mindestens eine Pumpe zur Förderung mindestens eines Fluids als Gerät und/oder Anlage sowie die zuvor beschriebene Überwachungsvorrichtung.
Das in der Überwachungsvorrichtung genutzte Machine Learning-Modell muss vor Aufnahme des Wirkbetriebs auf seine Aufgabe trainiert werden. Daher stellt die Erfindung auch ein Trainingsgerät zum Trainieren eines Machine Learning-Modells für den Einsatz in der zuvor beschriebenen Überwachungsvorrichtung bereit.
Dieses Trainingsgerät weist mindestens eine Eingabe-Schnittstelle und/oder einen Speicher auf. Aus dieser Eingabe-Schnittstelle, und/oder aus diesem Speicher, bezieht das Trainingsgerät Lern-Zustandsdaten, die Betriebszustände des Geräts und/oder der Anlage charakterisieren, sowie zusätzlich Lern-Klassifikationen dahingehend, zu welchen Zeiten, bzw. in Verbindung mit welchen Betriebszuständen, mindestens ein unerwünschtes Ereignis eingetreten ist. Beispielsweise können die Lern-Zustandsdaten als Zeitreihe aus diskreten Zeitpunkten vorliegen, die jeweils mit Werten der Zustandsdaten sowie mit einer zugehörigen Lern-Klassifikation (unerwünschtes Ereignis oder nicht) belegt sind.
Das Trainingsgerät weist weiterhin eine Verarbeitungseinheit auf. Diese Verarbeitungseinheit ist dazu ausgebildet, in Antwort darauf, dass eine Lern-Klassifikation den Eintritt eines unerwünschten Ereignisses anzeigt, Lern-Zustandsdaten, die sich auf ein vorgegebenes zeitliches Fenster vor diesem Ereignis beziehen, mit von Null verschiedenen Lern-Wahrscheinlichkeiten für den Eintritt des unerwünschten Ereignisses zu labeln.
Weiterhin ist eine Trainingslogik vorgesehen. Diese Trainingslogik ist dazu ausgebildet, dem zu trainierenden Machine Learning-Modell Lern-Zustandsdaten zuzuführen. Das Machine Learning-Modell liefert daraufhin Wahrscheinlichkeiten für den Eintritt mindestens eines unerwünschten Ereignisses. Abweichungen dieser Wahrscheinlichkeiten von den zugehörigen Lern-Wahrscheinlichkeiten werden von der Trainingslogik mit einer vorgegebenen Kostenfunktion bewertet. Die Trainingslogik ist nun dazu ausgebildet, Parameter, die das Verhalten des Machine Learning-Modells charakterisieren, dahingehend zu optimieren, dass bei weiterer Verarbeitung von Lern-Zustandsdaten die Bewertung durch die Kostenfunktion voraussichtlich verbessert wird.
Über die konkrete Auswahl und Lage des zeitlichen Fensters sowie über die konkrete Belegung von Zeitpunkten in diesem Fenster mit Wahrscheinlichkeiten kann das Training an die Aufgabenstellung angepasst werden, für die die Überwachungsvorrichtung eingesetzt werden soll. Beispielsweise können die Trainingsdaten auf der Zeitachse in eine Folge zeitlicher Fenster unterteilt werden. Ein Fenster mit ausschließlich normalen Zustandsdaten kann dann beispielsweise die in Tabelle 1 gezeigte Form annehmen: Tabelle 1: Labels L für ein Zeitfenster mit lediglich normalen Zustandsdaten

t 00:01 00:02 00:03 00:04 00:05 00:06 00:07 00:08 00:09 00:10

E Nein Nein Nein Nein Nein Nein Nein Nein Nein Nein

L 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
Hierin bezeichnet t den jeweiligen diskreten Zeitpunkt, der hier im Format Stunden:Minuten angegeben ist. E bezeichnet, ob zum jeweiligen Zeitpunkt t ein unerwünschtes Ereignis eingetreten ist oder nicht. L ist das daraufhin von der Verarbeitungseinheit vergebene Label, also die Wahrscheinlichkeit für den Eintritt eines unerwünschten Ereignisses.
Wenn das Auftreten unerwünschter Ereignisse eher erkannt als vorhergesagt werden soll, können die Fenster nun so gewählt werden, dass ein unerwünschtes Ereignis immer am Ende eines Fensters liegt, wie es beispielhaft in Tabelle 2 dargestellt ist: Tabelle 2: Labels L für ein Zeitfenster mit unerwünschtem Ereignis am Ende

t 00:01 00:02 00:03 00:04 00:05 00:06 00:07 00:08 00:09 00:10

E Nein Nein Nein Nein Nein Nein Nein Nein Nein Ja

L 0.000 0.111 0.222 0.333 0.444 0.556 0.667 0.778 0.889 1.000
Ein gewisser Vorhersagehorizont kann gelernt werden, indem das Fenster von Zeitpunkten, die mit von Null verschiedenen Wahrscheinlichkeiten gelabelt werden, entsprechend vor dem Zeitpunkt des unerwünschten Ereignisses endet.
Es können auch beispielsweise in einem Zeitfenster ohne unerwünschtes Ereignis, das sich mit einem Zeitfenster mit unerwünschtem Ereignis überlappt, Zeitpunkte mit von Null verschiedenen Wahrscheinlichkeiten gelabelt werden. Die hierbei maximal vergebene Wahrscheinlichkeit kann sich beispielsweise nach dem Grad der Überlappung der Zeitfenster richten. Auf diese Weise kann es beispielsweise auch abgebildet werden, wenn ein unerwünschtes Ereignis durch ein Eingreifen eines Bedieners abgewendet wurde. Tabelle 3 gibt beispielhafte Labels für eine Situation an, in der ein unerwünschtes Ereignis zum Zeitpunkt t=0:15 eingetreten ist: Tabelle 3: Labels L für ein Zeitfenster, wenn ein Ereignis E bei t=0:15 eintritt

t 00:01 00:02 00:03 00:04 00:05 00:06 00:07 00:08 00:09 00:10

E Nein Nein Nein Nein Nein Nein Nein Nein Nein Nein

L 0.000 0.000 0.000 0.000 0.000 0.111 0.222 0.333 0.444 0.556
Wie an diesen Beispielen ersichtlich ist, kann die Verarbeitungseinheit insbesondere dazu ausgebildet sein, Lern-Zustandsdaten mit umso höheren Lern-Wahrscheinlichkeiten zu labeln, je näher die Zeitpunkte, auf die sich diese Lern-Zustandsdaten beziehen, am Zeitpunkt des unerwünschten Ereignisses liegen. Dies bildet die aus der Beobachtung vieler realer unerwünschter Ereignisse gewonnene Erkenntnis ab, dass die meisten Ereignisse sich erstmals durch vergleichsweise unspezifische und wenig stark ausgeprägte Symptome ankündigen, diese Symptome jedoch meistens progressiv immer spezifischer und immer stärker ausgeprägt werden. Ursache hierfür ist, dass viele Ausfälle mit einer physischen Degradation irgendwo im Gerät bzw. in der Anlage einhergehen und diese Degradation sich mit der Zeit verschlimmert. Je näher der Zeitpunkt des unerwünschten Ereignisses rückt, desto eher kann von dem Machine Learning-Modell erwartet werden, dass es den Eintritt dieses Ereignisses richtig vorhersagt.
Die Lern-Wahrscheinlichkeiten, die den Lern-Zustandsdaten zugeordnet werden, können insbesondere beispielsweise linear oder aber exponentiell ansteigen. Letzteres ist besonders geeignet, um eine stark verspätete oder ganz unterbliebene Erkennung im Training in besonderem Maße zu „bestrafen“.

Wie Tabelle 4 zeigt, können auch mehrere Wahrscheinlichkeiten für den Eintritt unterschiedlicher Ereignisse E1 und E2 als Labels L gemeinsam ermittelt werden. Tabelle 4: gemeinsam ermittelte Labels L für unterschiedliche Ereignisse E1 und E2

t	00:01	00:02	00:03	00:04	00:05	00:06	00:07	00:08	00:09	00:10
E1	Nein	Nein	Nein	Nein	Nein	Nein	Nein	Nein	Nein	Nein
E2	Nein	Nein	Nein	Nein	Nein	Nein	Nein	Nein	Nein	Ja
L	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000
L	0.000	0.111	0.222	0.333	0.444	0.556	0.667	0.778	0.889	1.000

Die Funktionalität der Überwachungsvorrichtung und/oder des Trainingsgeräts kann insbesondere beispielsweise ganz oder teilweise in Software implementiert sein. Daher stellt die Erfindung auch ein Computerprogramm bereit. Dieses Computerprogramm enthält maschinenlesbare Anweisungen, die, wenn sie auf einem oder mehreren Computern ausgeführt werden, den oder die Computer zu der zuvor beschriebenen Überwachungsvorrichtung, und/oder zu dem zuvor beschriebenen Trainingsgerät, aufwerten. In diesem Zusammenhang sind auch Steuergeräte, Prozessregler und andere Hardware sowie auch Compute-Instanzen in einer Cloud, die zur Ausführung maschinenlesbarer Anweisungen geeignet sind, als Computer anzusehen.
Weiterhin stellt die Erfindung auch einen maschinenlesbaren Datenträger und/oder ein Downloadprodukt mit dem Computerprogramm bereit.
Weiterhin können ein oder mehrere Computer mit dem Computerprogramm, mit dem maschinenlesbaren Datenträger, und/oder mit dem Downloadprodukt, ausgerüstet sein.
Figurenliste
Nachfolgend wird der Gegenstand der Erfindung anhand von Figuren erläutert, ohne dass der Gegenstand der Erfindung hierdurch beschränkt wird. Es zeigen:

1: Ausführungsbeispiel der Überwachungsvorrichtung 2 für ein Gerät und/oder eine Anlage 1;
2: Ausführungsbeispiel des Trainingsgeräts 3 zum Trainieren eines Machine Learning-Modells 22 für den Einsatz in der Überwachungsvorrichtung 2.

1 ist ein Blockschaltbild eines Ausführungsbeispiels der Überwachungsvorrichtung 2 für ein Gerät und/oder eine Anlage 1.
Die Überwachungsvorrichtung 21 umfasst mindestens eine Schnittstelle 21 zum Einlesen von Zustandsdaten 1a, die den aktuellen Betriebszustand des Geräts und/oder der Anlage 1 charakterisieren.
Weiterhin ist mindestens ein Machine Learning-Modell 22 vorgesehen. Dieses Machine Learning-Modell 22 ist darauf trainiert, die Zustandsdaten 1a auf mindestens eine Wahrscheinlichkeit 1b für den Eintritt mindestens eines unerwünschten Ereignisses im Gerät bzw. in der Anlage 1 zu einem vorgegebenen zukünftigen Zeitpunkt, und/oder in einem vorgegebenen zukünftigen Zeitfenster, abzubilden.
Mindestens eine Auswerteeinheit ist dazu ausgebildet, aus der vom Machine Learning-Modell 22 ermittelten mindestens einen Wahrscheinlichkeit 1b den Betriebszustand des Geräts bzw. der Anlage 1 binär dahingehend zu klassifizieren, ob das mindestens eine unerwünschte Ereignis mit einer für den Betrieb des Geräts bzw. der Anlage 1 relevanten Wahrscheinlichkeit bevorsteht. Das Ergebnis dieser Klassifikation ist mit dem Bezugszeichen 1c bezeichnet.
Eine Wirkeinrichtung 24 ist dazu ausgebildet, in Antwort auf die Feststellung, dass das mindestens eine unerwünschte Ereignis bevorsteht,

• das überwachte Gerät bzw. die überwachte Anlage 1 anzusteuern, um das Gerät bzw. die Anlage 1 in einen Zustand zu überführen, in dem der Eintritt des unerwünschten Ereignisses weniger wahrscheinlich ist; und/oder
• mindestens ein anderes Gerät oder mindestens eine andere Anlage 1' anzusteuern, die bei Eintritt des unerwünschten Ereignisses die Funktion des überwachten Geräts bzw. der überwachten Anlage 1 zumindest teilweise zu übernehmen.

2 ist ein Blockschaltbild eines Ausführungsbeispiels des Trainingsgeräts 3 zum Trainieren eines Machine Learning-Modells 22 für den Einsatz in der Überwachungsvorrichtung 2.
Das Trainingsgerät 3 umfasst mindestens einen Eingabe-Schnittstelle 31a, und/oder mindestens einen Speicher 31b. Aus diesen Quellen bezieht eine Verarbeitungseinheit 32 des Trainingsgeräts 3 Lern-Zustandsdaten 1a*, die Betriebszustände des Geräts und/oder der Anlage 1 charakterisieren, sowie Lern-Klassifikationen 1c* dahingehend, zu welchen Zeiten, bzw. in Verbindung mit welchen Betriebszuständen, mindestens ein unerwünschtes Ereignis eingetreten ist.
Die Verarbeitungseinheit 32 ist dazu ausgebildet, in Antwort darauf, dass eine Lern-Klassifikation 1c* den Eintritt eines unerwünschten Ereignisses anzeigt, Lern-Zustandsdaten 1a*, die sich auf ein vorgegebenes zeitliches Fenster vor diesem Ereignis beziehen, mit von Null verschiedenen Lern-Wahrscheinlichkeiten 1b* für den Eintritt des unerwünschten Ereignisses zu labeln.
Weiterhin ist eine Trainingslogik 33 vorgesehen. Diese Trainingslogik 33 führt dem Machine Learning-Modell 22 Lern-Zustandsdaten 1a* zu und vergleicht die daraufhin vom Machine Learning-Modell 22 gelieferten Wahrscheinlichkeiten 1b für den Eintritt mindestens eines unerwünschten Ereignisses mit den zugehörigen Lern-Wahrscheinlichkeiten 1b*. Die Trainingslogik 33 bewertet bei diesem Vergleich zu Tage tretende Abweichungen mit einer vorgegebenen Kostenfunktion und optimiert Parameter 22a, die das Verhalten des Machine Learning-Modells 22 charakterisieren, dahingehend, dass bei weiterer Verarbeitung von Lern-Zustandsdaten 1a* die Bewertung durch die Kostenfunktion voraussichtlich verbessert wird.
Bezugszeichenliste

1: Gerät und/oder Anlage
1a: Zustandsdaten des Geräts/der Anlage 1
1a*: Lern-Zustandsdaten
1b: Wahrscheinlichkeit für unerwünschtes Ereignis
1b*: Lern-Wahrscheinlichkeit
1c: binäre Klassifikation, ob unerwünschtes Ereignis bevorsteht
1c*: Lern-Klassifikation
2: Überwachungsvorrichtung
21: Schnittstelle der Überwachungsvorrichtung 2
22: Machine Learning-Modell der Überwachungsvorrichtung 2
22a: Parameter, charakterisieren Verhalten des Machine Learning-Modells 22
23: Auswerteeinheit der Überwachungsvorrichtung 2
24: Wirkeinrichtung der Überwachungsvorrichtung 2
3: Trainingsgerät zum Trainieren des Machine Learning-Modells 22
31a: Eingabe-Schnittstelle des Trainingsgeräts 3
31b: Speicher des Trainingsgeräts 3
32: Verarbeitungseinheit des Trainingsgeräts 3
33: Trainingslogik des Trainingsgeräts 3

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 2010161275 A1 [0003]

Claims

Überwachungsvorrichtung (2) für ein Gerät und/oder eine Anlage (1), umfassend: • mindestens eine Schnittstelle (21) zum Einlesen von Zustandsdaten (1a), die den aktuellen Betriebszustand des Geräts und/oder der Anlage (1) charakterisieren; • mindestens ein Machine Learning-Modell (22), das darauf trainiert ist, die Zustandsdaten (1a) auf mindestens eine Wahrscheinlichkeit (1b) für den Eintritt mindestens eines unerwünschten Ereignisses im Gerät bzw. in der Anlage (1) zu einem vorgegebenen zukünftigen Zeitpunkt, und/oder in einem vorgegebenen zukünftigen Zeitfenster, abzubilden; sowie • mindestens eine Auswerteeinheit (23), die dazu ausgebildet ist, aus der vom Machine Learning-Modell (22) ermittelten mindestens einen Wahrscheinlichkeit (1b) den Betriebszustand des Geräts bzw. der Anlage (1) binär dahingehend zu klassifizieren, ob das mindestens eine unerwünschte Ereignis mit einer für den Betrieb des Geräts bzw. der Anlage (1) relevanten Wahrscheinlichkeit bevorsteht (1c).
Überwachungsvorrichtung (2) nach Anspruch 1, wobei das Machine Learning-Modell (22) ein rekurrentes neuronales Netzwerk, RNN, und/oder ein neuronales Netzwerk in der Architektur eines Long Short-Term Memory, LSTM, umfasst.
Überwachungsvorrichtung (2) nach einem der Ansprüche 1 bis 2 , wobei die Auswerteeinheit (23) dazu ausgebildet ist, die Wahrscheinlichkeit (1b) mit einem vorgegebenen Schwellwert zu vergleichen und in Antwort darauf, dass der Schwellwert überschritten ist, den Betriebszustand des Geräts bzw. der Anlage (1) dahingehend zu klassifizieren (1c), dass das mindestens eine unerwünschte Ereignis bevorsteht.
Überwachungsvorrichtung (2) nach einem der Ansprüche 1 bis 3, wobei die Auswerteeinheit (23) mindestens eine zusätzliche Schicht umfasst, die an ein als neuronales Netzwerk ausgebildetes Machine Learning-Modell (22) angefügt ist.
Überwachungsvorrichtung (2) nach einem der Ansprüche 1 bis 4, weiterhin umfassend eine Wirkeinrichtung (24), die dazu ausgebildet ist, in Antwort auf die Feststellung, dass das mindestens eine unerwünschte Ereignis bevorsteht, • das überwachte Gerät bzw. die überwachte Anlage (1) anzusteuern, um das Gerät bzw. die Anlage (1) in einen Zustand zu überführen, in dem der Eintritt des unerwünschten Ereignisses weniger wahrscheinlich ist; und/oder • mindestens ein anderes Gerät oder mindestens eine andere Anlage (1') anzusteuern, die bei Eintritt des unerwünschten Ereignisses die Funktion des überwachten Geräts bzw. der überwachten Anlage (1) zumindest teilweise zu übernehmen.
Pumpensystem, umfassend mindestens eine Pumpe zur Förderung mindestens eines Fluids als Gerät und/oder Anlage (1) sowie eine Überwachungsvorrichtung (2) nach einem der Ansprüche 1 bis 5.
Trainingsgerät (3) zum Trainieren eines Machine Learning-Modells (22) für den Einsatz in der Überwachungsvorrichtung (2) nach einem der Ansprüche 1 bis 5, umfassend • mindestens eine Eingabe-Schnittstelle (31a) und/oder einen Speicher (31b) zum Beschaffen von Lern-Zustandsdaten (1a*), die Betriebszustände des Geräts und/oder der Anlage (1) charakterisieren, sowie von Lern-Klassifikationen (1c*) dahingehend, zu welchen Zeiten, bzw. in Verbindung mit welchen Betriebszuständen, mindestens ein unerwünschtes Ereignis eingetreten ist; • eine Verarbeitungseinheit (32), die dazu ausgebildet ist, in Antwort darauf, dass eine Lern-Klassifikation (1c*) den Eintritt eines unerwünschten Ereignisses anzeigt, Lern-Zustandsdaten (1a*), die sich auf ein vorgegebenes zeitliches Fenster vor diesem Ereignis beziehen, mit von Null verschiedenen Lern-Wahrscheinlichkeiten (1b*) für den Eintritt des unerwünschten Ereignisses zu labeln; sowie • eine Trainingslogik (33), die dazu ausgebildet ist, ◯ dem Machine Learning-Modell (22) Lern-Zustandsdaten (1a*) zuzuführen, ◯ Abweichungen der vom Machine Learning-Modell (22) gelieferten Wahrscheinlichkeiten (1b) für den Eintritt mindestens eines unerwünschten Ereignisses von den zugehörigen Lern-Wahrscheinlichkeiten (1b*) mit einer vorgegebenen Kostenfunktion zu bewerten; und ◯ Parameter (22a), die das Verhalten des Machine Learning-Modells (22) charakterisieren, dahingehend zu optimieren, dass bei weiterer Verarbeitung von Lern-Zustandsdaten (1a*) die Bewertung durch die Kostenfunktion voraussichtlich verbessert wird.
Trainingsgerät (3) nach Anspruch 7, wobei die Verarbeitungseinheit (32) dazu ausgebildet ist, Lern-Zustandsdaten (1a*) mit umso höheren Lern-Wahrscheinlichkeiten (1b*) zu labeln, je näher die Zeitpunkte, auf die sich diese Lern-Zustandsdaten (1a*) beziehen, am Zeitpunkt des unerwünschten Ereignisses liegen.
Trainingsgerät (3) nach Anspruch 8, wobei die Verarbeitungseinheit (32) dazu ausgebildet ist, den Lern-Zustandsdaten (1a*) Lern-Wahrscheinlichkeiten (1b*) zuzuordnen, die mit der Zeit linear oder exponentiell ansteigen.
Überwachungsvorrichtung (2) nach einem der Ansprüche 1 bis 5, Pumpensystem nach Anspruch 6 oder Trainingsgerät (3) nach einem der Ansprüche 7 bis 9, wobei die Zustandsdaten (1a) bzw. Lern-Zustandsdaten (1a*) einen Druck, eine Temperatur, einen Massenfluss, eine elektrische Spannung, einen elektrischen Strom, eine Viskosität, einen Füllstand, einen Öffnungszustand eines Ventils, einen sonstigen Einschalt- und/oder Betriebszustand eines Betriebsmittels. und/oder eine Anzeige mindestens eines Ereignisses im Gerät bzw. der Anlage (1), beinhalten.
Überwachungsvorrichtung (2) nach einem der Ansprüche 1 bis 5, Pumpensystem nach Anspruch 6 oder Trainingsgerät (3) nach einem der Ansprüche 7 bis 9, wobei das Machine Learning-Modell (22) dazu ausgebildet ist, Zeitreihen von Zustandsdaten (1a) zu verarbeiten und jedem Zeitpunkt in dieser Zeitreihe eine Wahrscheinlichkeit (1b) für den Eintritt des unerwünschten Ereignisses zuzuordnen.
Computerprogramm, enthaltend maschinenlesbare Anweisungen, die, wenn sie auf einem oder mehreren Computern ausgeführt werden, den oder die Computer zu einer Überwachungsvorrichtung (2) nach einem der Ansprüche 1 bis 5, und/oder zu einem Trainingsgerät (3) nach einem der Ansprüche 7 bis 9, aufwerten.
Maschinenlesbarer Datenträger und/oder Downloadprodukt mit dem Computerprogramm nach Anspruch 12.
Ein oder mehrere Computer mit dem Computerprogramm nach Anspruch 11, und/oder mit dem maschinenlesbaren Datenträger und/oder Downloadprodukt nach Anspruch 13.