DE4447288A1 - Maschinenfehlerdiagnosesystem und -verfahren - Google Patents

Description

Technisches Gebiet

Die vorliegende Erfindung bezieht sich allgemein auf das Gebiet der Maschinenfehlerdiagnose und insbesondere auf ein System und ein Verfahren, das voraussagende Wartung verwendet für On-Line-Echtzeit-Überwachung mechanischer Bauteile oder Komponenten auf mögliche Ausfälle oder Betriebsstörungen.

Verwandte Technik

Während der letzten Jahrzehnte hat die Industrie ver­ schiedene Schritte unternommen, um die Produktivität und Qualität zu verbessern. Jedoch wurde dem Bereich der Wartung wenig Aufmerksamkeit geschenkt. Wartung im weiteren Sinne beschäftigt sich mit der Kontrolle des Zustands der (Maschinen-)Ausrüstung. Obwohl es Wartung in praktisch jeder Herstellungs- oder Produktionsfirma gibt, wird sie häufig als eine Unterstützungsfunktion eines Herstellungsprozesses betrachtet. Erst in den letzten Jahren wurde Wartung als ein integraler Teil des Her­ stellungsprozesses anerkannt, der in der Lage ist, die Produktivität und Qualität zu erhöhen.

Wegen der vermehrten Verwendung von Robotern, Auto­ matisierung und höher entwickelten Maschinen beim Her­ stellungsprozeß wäre es angemessener zu sagen, daß die Produktivität und Qualität mehr von Maschinen abhängt als von der Person, die die Maschine bedient. Roboter zum Beispiel haben Arbeiter oder Bedienungspersonen bei Auf­ gaben wie Zusammenbau, Be- und Entladen, Punktschweißen und Inspektion bzw. Überprüfung ersetzt. Hält man diese hochentwickelte Ausrüstung in einem zufriedenstellenden Zustand, so erhöht sich sowohl der Anfall als auch die Komplexität der Wartung. Daher werden mehr Reparaturzeit und mehr hochqualifizierte, teuere Wartungstechniker und Ingenieure gebraucht. Dies ergibt natürlich höhere Wartungskosten.

Wenn sich der Automatisierungsgrad erhöht, erhöhen sich auch die Wartungskosten. Bei vielen Firmen repräsentieren Wartungskosten einen der größeren Anteile der gesamten Betriebskosten - häufig mehr als die direkten Arbeits­ kosten. Daher ist eine Wartungsstrategie, die in wirk­ samer Weise Wartungskosten vermindert, wichtig für eine moderne Industrie, um wettbewerbsfähig zu bleiben.

Die drei üblichsten Wartungsstrategien sind Ausfallwar­ tung oder korrigierende Wartung (d. h. repariere die Maschine, wenn sie ausfällt), präventive Wartung oder Wartung auf Zeitbasis (d. h. warte die Maschine basierend auf einer geplanten oder vorgegebenen Zeit) und voraus­ sagende Wartung oder Wartung auf Zustandsbasis (d. h. warte die Maschine, bevor sie ausfällt).

Seit vielen Jahren haben die meisten Herstellungsfirmen entweder Ausfallwartung oder präventive Wartung ange­ wandt. In einem solchen Fall wird entweder gestattet, daß die Maschine ausfällt, oder routinemäßige Wartung wird durchgeführt, um das Risiko des Ausfalls von Maschinen zu vermindern. Nichtsdestoweniger ist Ausfallwartung nur dann geeignet, wenn eine Maschine nicht wichtig und kostengünstig zu ersetzen ist. Wenn die Kosten des Produktionsausfalls, der mögliche Sekundär- oder Folge­ schaden am Maschinenpark und die möglichen Sicherheits­ risiken hoch sind, dann ist diese Strategie nicht akzep­ tabel. Eine anscheinende Verbesserung dieser Strategie ist, präventive Wartung zu verwenden.

Obwohl präventive Wartung das Auftreten von Maschinen­ ausfällen verringern kann, gibt es auch hier einige Probleme. Erstens ist es sehr schwierig, die Zeitspanne oder -periode zwischen Überholungen zu bestimmen, weil Maschinen und ihre Bauteile bzw. Komponenten nicht not­ wendigerweise in regelmäßigen Zeitabständen versagen oder kaputt gehen. Zweitens geht wertvolle Produktionszeit verloren, da es klug ist, so viele Bauteile oder Kompo­ nenten wie möglich bei der Überholung zu untersuchen oder überprüfen. Drittens werden Teile in annehmbarem Zustand häufig unnötigerweise ausgetauscht.

Daher erscheint die beste Strategie zu sein, eine voraus­ sagende Wartungsstrategie zu übernehmen, die den Zustand, die Leistung und die Zuverlässigkeit von Maschinen vor­ hersagt, so daß Wartung vom voraus geplant werden kann. In letzter Zeit haben wegen der erhöhten Ansprüche an Produktqualität und Herstellungsautomatisierung mehr und mehr Herstellungsfirmen die voraussagende Wartungsstrate­ gie als Teil ihres Wartungsprogramms übernommen, um die Zuverlässigkeit, Produktivität und Verfügbarkeit zu er­ höhen, während sie die Wartungskosten und die Gesamt­ betriebskosten minimieren.

Maschinenüberwachung und -diagnose kann als ein ent­ scheidungsstützendes Werkzeug angesehen werden, das in der Lage ist, aus einem Symptom den Grund des Ausfalls in einem Maschinenbauteil oder -system zu erkennen oder zu identifizieren sowie das Auftreten des Ausfalls vorher­ zusagen. Ohne genaue Leitung zum Maschinenschaden und Identifizieren des Maschinenschadens kann eine (Zeit-) Planung der Wartung und der Produktion nicht wirksam durchgeführt werden und die notwendige Reparatur(-auf­ gabe) kann nicht rechtzeitig ausgeführt werden. Daher ist Maschinenüberwachung und -diagnose wesentlich für ein effektives voraussagendes Wartungsprogramm.

Das letztendliche Ziel der Verwendung von Maschinen­ überwachung und -diagnose ist, die Verfügbarkeit der Ausrüstung zu erhöhen und zusätzlich die Kosten für Wartung und unerwarteten Maschinenausfall zu vermindern. Um die Verfügbarkeit zu maximieren, muß man die Zuver­ lässigkeit erhöhen durch Maximieren der mittleren bzw. durchschnittlichen Zeit zwischen Ausfällen (mean time between failures) und gleichzeitig die Wartungsfreund­ lichkeit bzw. -fähigkeit erhöhen durch Minimieren der mittleren bzw. durchschnittlichen Reparaturzeit. Als ein Ergebnis konstanter Überwachung und Diagnose wird die Frequenz bzw. Häufigkeit unerwarteten Maschinenausfalls erheblich vermindert und ein Maschinenausfall kann sofort ausfindig gemacht bzw. aufgezeigt werden. Als ein Ergeb­ nis davon werden die Zuverlässigkeit und die Wartungs­ freundlichkeit erhöht.

Maschinenüberwachung und -diagnose kann durchgeführt werden durch einfaches Hören auf das Geräusch oder den Klang, das bzw. der während des Maschinenbetriebs erzeugt wird, oder durch visuelles Untersuchen der Qualität der (maschinen-) bearbeiteten Teile, um den Maschinenzustand zu bestimmen. In einer solchen Situation ist die Identi­ fizierung bzw. das Erkennen eines Maschinenschadens je­ doch völlig abhängig von der Erfahrung der Bedienungs­ person oder des Ingenieurs. Außerdem werden viele Ma­ schinenschäden nicht genau bestimmt oder akkurat ein­ geschätzt, indem man sich nur auf sicht- oder hörbare Beobachtungen verläßt, und zwar insbesondere nicht während des Betriebs (z. B. Abnutzung oder Brüche in Lagern oder Getrieben). Daher wurden höher entwickelte Signalverarbeitungstechniken, wie Vibrations- oder Schwingungsanalyse, Ölanalyse, akustische Emissions­ analyse, Infrarot- und Ultraschallanalyse, entwickelt, um dem Wartungstechniker oder -Ingenieur zu helfen, Maschi­ nenschäden zu detektieren und zu diagnostizieren.

Die Art von Signalverarbeitungstechnik, die zur Maschi­ nenüberwachung und -diagnose verwendet wird, hängt ab von der Art der zu überwachenden Maschinenparameter sowie von der Art des zu suchenden Fehlers oder Schadens. Es gibt eine Anzahl von Maschinenparametern, die überwacht werden können, wie Vibration oder Schwingungen, Schall, Tempera­ tur, Kraft, Druck, Motorstrom, Schmieröl etc. Viele Stu­ dien wurden durchgeführt um zu bestimmen, welche die effektivsten Parameter sind. Unglücklicherweise kann kein Parameter den gesamten Bereich von Maschinenschäden anzeigen.

Es ist bekannt, daß die Verwendung einer Anzahl von Maschinenparametern in Kombination eine genauere und zuverlässigere Anzeige des Maschinenzustands erzeugen kann. In einem solchen Fall muß das Wartungspersonal mit einer Anzahl verschiedener Signalverarbeitungstechniken sowie ihrer Fähigkeit, gewisse Arten von Fehlern oder Schäden zu detektieren, vertraut sein. Zusätzlich muß eine große Anzahl von Daten gesammelt, analysiert und verstanden werden. Dies bedeutet, daß mehr Zeit und Wissen des Wartungspersonals erforderlich ist, um eine korrekte Diagnose zu erstellen.

Während der letzten zwei Jahrzehnte haben die meisten Maschinenüberwachungs- und -diagnosesysteme off-line (nicht direkt verbunden) gearbeitet unter Verwendung von Signalverarbeitungstechniken. Der Erfolg diese Systeme lag nicht an irgendeiner Signalverarbeitungstechnik, sondern an der großen Menge von bzw. dem hohen Grad an Redundanz, die mit mehrfacher Signalverarbeitung assoziiert wird bzw. einhergeht.

Jedoch sind diese Signalverarbeitungstechniken sehr schwierig zu verwenden; zusätzlich müssen sie durch einen hochqualifizierten und erfahrenen (menschlichen) Analysierer durchgeführt werden, um eine akkurate Diagnose zu erstellen. Akkurate Fehlerdiagnose ist wesentlich bzw. sehr wichtig, insbesondere beim Vermindern der Produkttaktzeit oder Produktzykluszeit. Infolge korrekter und schneller Fehlerdiagnose kann die Ausrüstungswartungsfreundlichkeit und -verfügbarkeit erheblich verbessert werden, wodurch die Produkttaktzeit vermindert wird. Obwohl viele neue Technologien, wie Expertensysteme, mehrwertige Mengen (fuzzy sets), Muster­ erkennung und künstliche Neuralnetzwerke, vorgeschlagen wurden, um bei der Erreichung dieses Ziels zu helfen, ist immer noch kein universelles Verfahren verfügbar, da jedes Verfahren verschiedene Fähigkeiten und Beschränkungen besitzt.

Im weiteren folgt eine Diskussion der vier am meisten vorherrschenden Techniken zur Maschinenüberwachung und -diagnose, und zwar Signalverarbeitung (z. B. Vibrations- oder Schwingungsanalyse und Parametermodelle), künstliche Intelligenz, künstliche Neuralnetzwerke und Sensorfusion (Sensorenverschmelzung oder -vereinigung).

Über die Jahre hinweg haben die meisten Maschinen­ überwachungs- und -diagnosesysteme so gearbeitet, daß sensorische Daten (Sensordaten) von dem Prozeß gesammelt bzw. erhalten wurden und daß dann die Daten off-line mit einer Signalverarbeitungstechnik analysiert wurden. Eine der am weitesten verbreiteten Signalverarbeitungs­ techniken ist die Vibrations- oder Schwingungsanalyse. Dies ist so, weil kein anderer Parameter einen so breiten Bereich von Maschinenfehlertypen aufzeigen kann wie Vibration oder Schwingung.

Vibrations- oder Schwingungsanalyse handelt von dem Herausziehen von Informationen aus gemessenen Vibrations- oder Schwingungssignalen. Es ist anerkannt, daß sich die Schwingungseigenschaften ändern, wenn sich ein Maschinen­ zustand ändert. Abnutzung oder Schäden an drehenden Elementen, Unausgeglichenheit bzw. Unwucht und Resonanz können übermäßige Schwingungen erzeugen.

Im allgemeinen können Schwingungsdaten in zwei unter­ schiedlichen Bereichen (Domänen) analysiert werden: Zeit und Frequenz (J. Tranter, "The Fundamentals of, and The Application of Computer to, Condition Monitoring and Predictive Maintenance", Proceedings of the 1st Inter­ national Machinery Monitoring and Diagnostics Conference and Exhibit, Las Vegas, NV, September 1989, S. 394-401, und C.J. Li und S.M. Wu, "On-Line Detection of Localized Defects in Bearings by Pattern Recognition Analysis", Journal of Engineering of industry, Bd. 111, November 1989, S. 331-336). Zeitbereichsanalyse umfaßt das Ent­ werfen oder Konstruieren von Indices, die empfindlich sind auf die Größe impulsiver Schwingungen, die beob­ achtet werden. Diese Technik umfaßt Gesamtpegelmessungen (RMS-Messungen, RMS = root mean square = quadratischer Mittelwert), Spitzenpegeldetektierung, Scheitel- oder Crestfaktor (crest factor = Verhältnis von Spitzen- zu Effektivwert), Schockimpuls, Spitzenenergie, Kurtosis­ analyse (Völligkeitsgrad-, Blockkoeffizient- oder Wölbungsanalyse), Zeitwellenform und Orbits (Transivi­ tätssysteme). Frequenzberichs- bzw. -domänenanalyse umfaßt die Umwandlung der Schwingungswellenform, um eine Folge von Impulsen bei unterschiedlichen Frequenzen zu zeigen. Diese Technik umfaßt Spektralanalyse, Wasserfall- oder Kataraktplot (waterfall plot), Cepstrumanalyse, Differenzspektren, RMS der Spektraldifferenz, Umhüllen­ den- oder Envelope-Analyse, Hochfrequenzresonanzanalyse (HFRT) und angepaßte Filter.

Eine der leistungsfähigsten Schwingungsanalysetechniken ist die Spektralanalyse, die das Spektrum oder die Leistungsspektraldichte (PSD = power spectral density) aus einem Schwingungssignal schätzt durch Ausführen einer Schnellen Fouriertransformation (FFT = Fast Fourier Transform). Der Grund für die Popularität der auf FFT basierenden Technik liegt in ihrer hohen Computer- oder Rechnungsgeschwindigkeit. Zusätzlich kann eine Analyse des Maschinenschwingungsspektrums wichtige Informationen liefern über den Zustand der Maschinenbauteile oder -komponenten, weil jedes drehende Bauteil in einer Maschine identifizierbare Frequenzen erzeugt; somit können Veränderungen in einem gegebenen Frequenzbereich direkt mit einem bestimmten Bauteilfehler oder -ausfall in Verbindung gebracht werden. Jedoch gibt es einige Probleme mit dieser auf FFT basierenden Technik, ein­ schließlich niedriger Frequenzauflösung, impliziter Fensterbildung der Daten und keiner erheblichen Datenreduktion oder -Verminderung.

Zusätzlich zur Spektralanalyse wurde die Parameter­ modelltechnik verwendet zum Abschätzen des Schwingungs­ spektrums. Durch Verwendung dieser Technik wurde ver­ sucht, die natürlichen oder inhärenten Beschränkungen der obengenannten FFT-Technik zu überwinden bzw. zu umgehen. Zwei Hauptvorteile der Verwendung einer Parametermodell­ technik sind: die Verbesserung der Frequenzauflösung gegenüber FFT durch Unterdrücken des Rauschens von dem echten Signal, und Datenreduzierung durch Verwendung einiger weniger Parameter zur globalen Beschreibung des Signals.

Es wurde berichtet, daß eine Anzahl Parametermodell­ techniken das Schwingungsspektrum abschätzen, bei­ spielsweise das autoregressive (AR) Verfahren, das autoregressive Verfahren mit gleitendem Durchschnitt (AMMA = autoregressive and moving average), das Verfahren nach Prony (Prony′s method), das Verfahren der minimalen Varianz und das Kovarianzverfahren. Eine detaillierte Übersicht über diese Techniken ist angegeben in S.M. Kay und S.L. Marple, "Spectrum Analysis - A Modern Per­ spective", Proceedings of the IEEE, Bd. 69, Nr. 11, November 1981, S. 1380-1419, und S. Braun, Mechanical Signature Analysis: Theory and Applications, Academic Press, London, 1986.

Die oben beschriebenen parametrischen Verfahren wurden im Bereich der Fehlerdetektion bzw. des Fehleraufspürens angewandt (siehe z. B. Matsushima et al., "In-Process Detection of Tool Breakage by Monitoring the Spindle Current of a Machine Tool", Proceedings of ASME Winter Annual Meeting, Phoenix, AZ, 1982, S. 145-154; M. Sidahmed, "Contribution of Parametric Signal Processing Techniques to Machinery Condition Monitoring", Pro­ ceedings of the Ist International Machinery Monitoring and Diangostics Conference and Exhibit, Las Vegas; NV, September 1989, S. 190-195; S.Y. Liang und D.A. Dornfeld, "Tool Wear Detection Using Time Series Analysis of Acoustic Emission", Journal of Engineering for Industry, Bd. 111 August 1989, S. 199-205; Wu et al., "Signature Analysis for Mechanicla Systems via Dynamic Data System (DDS) Monitoring Technique", Journal of Mechanical Design, Bd. 102, April 1980, S. 217-221).

Der Nachteil der Parametermodelle ist der, daß es nicht leicht ist, eine optimale Ordnung für das Modell zu finden. Die allgemeine Richtlinie bei der Auswahl der Modellordnung basiert auf der Minimierung der Summe von Quadratfehlern. H. Akaike schlug (in "Power Spectrum Estimation through Autoregression Model Fitting", Ann. Inst. Stat. Math., Bd. 21, 1969, S. 407-419, und in "A New Look at the Statistical Model Identification", IEEE Trans. Autom. Control, Bd. AC-19, Dezember 1974, S. 716-723) zwei Kriterien vor, und zwar FPE (FPE = final prediction error = letzter Vorhersagefehler) und AIC (AIC = Akaike information criterion = Akaike-Informations­ kriterium), die als die Zielfunktion (objective function) zur Ordnungsauswahl verwendet werden können. In dem neueren Werk von C.C. Lin, "Classification of Auto­ regressive Spectral Estimated Signal Patterns Using an Adaptive Resonace Theory (ART)", Master′s Thesis, Fakultät der industriellen Ingenieurwissenschaften, Universität von Iowa, Iowa City, August 1992, wurde die Ordnung mit dem höchsten FPE- und AIC-Niveau als optimale Ordnung gewählt.

Beide obengenannten Parametermodelle funktionierten gut beim frühzeitigen Detektieren oder Aufspüren von Maschi­ nenfehlern. Jedoch waren sie nicht in der Lage, die Ursache des Fehlers zu identifizieren. Diese Fehler­ erkennungsaufgabe wird üblicherweise durch den Analy­ sierer durchgeführt, der die Ursache des Fehlers durch visuelle Inspektion oder Überprüfung des Spektrums identifiziert. Dies ist keine leichte Aufgabe, weil sie Erfahrung und Kenntnisse erfordert, um eine korrekte Diagnose zu erstellen.

Obwohl die Schwingungsanalysetechnik und die Parameter­ modelltechnik sich als zweckmäßig für die Überwachung und Diagnose von Maschinen erwiesen haben, sind sie auch wissens- bzw. kenntnisintensive Techniken. In anderen Worten müssen sie von einem hochqualifizierten und erfahrenen Ingenieur durchgeführt werden, um die Quelle eines Maschinenfehlers korrekt zu identifizieren. Um dieses Problem zu überwinden, wurde eine Technik unter Verwendung künstlicher Intelligenz vorgeschlagen. In den letzten paar Jahren wurde der Anwendung künstlicher Intelligenz auf Fehlerdiagnose viel Aufmerksamkeit gewidmet. Zwei der populärsten Techniken der Verwendung künstlicher Intelligenz sind Expertensysteme und "Urteilen bzw. Entscheiden auf Modellbasis" (model-based reasoning).

Einer der größten Erfolge im Bereich künstlicher Intelligenz sind Expertensysteme. Ein Expertensystem ist ein Computersystem, das so programmiert ist, daß es beim Lösen eines Problems in einem bestimmten Bereich Expertenwissen zeigt. Ein typisches Expertensystem besteht aus den folgenden Komponenten:

• - Wissensbasis (knowledge base; enthält Wissen bzw. Kenntnisse über das Problem, d. h. Regeln und Fakten bzw. Tatsachen)
• - Schlußmotor oder -maschine (inference engine; ist das Verfahren zum Kombinieren der Regeln und Fakten, um Schlüsse zu ziehen)
• - Erklärungskomponente (explanation component; erklärt, warum und wie zu den Schlüssen gekommen wird)
• - Verwenderschnittstelle (user interface; umfaßt Wissen und Datenerfassung).

Allgemein wird das Wissen in Form einer "Wenn-dann"-Regel dargestellt bzw. repräsentiert. Diese Regel basiert auf Problemlösungsheuristik, die vom Experten erstellt bzw. erzeugt wurde. Der Schlußmotor steuert die Verwendung der Wissensbasis. Seine Steuerstrategie kann von Fakten oder Symptomen ausgehen, um zu einem Schluß zu kommen (forward chaining = Vorwärtsverkettung), oder sie kann von einem möglichen Schluß ausgehen und die Fakten durchsuchen, um den Schluß zu bestätigen (backward chaining = Rückwärts­ verkettung).

Viele Expertensysteme wurden während der letzten Jahre für die Maschinendiagnose entwickelt. Eine detaillierte Übersicht über Fehlerdiagnose-Expertensysteme ist ange­ geben in S.G. Tzafestas, "System Fault Diagnosis Using the Knowledge-Based Methodology", Fault Diagnostics in Dynamic Systems: Theory and Applications, herausgegeben von R. Patton, P. Frank und R. Clark, Prentice-Hall, New York, 1989.

Obwohl Expertensysteme leicht zu verwenden sind und in der Lage sind, ein Problem in einem bestimmten Bereich zu lösen, gibt es viele Probleme bei der Anwendung dieser Technik (J.M. David und J.P. Krivine, "Three Artificial Intelligence Issues in Fault Diagnosis: Declarative Programming, Expert Systems, and Model-Based Reasoning", Proceedings of the Second European Workshop on Fault Diagnosis, Reliability and Related Knowledge Based Approaches, UMIST, Manchester, 6.-8. April 1987, S. 19-196), wie: Schwierigkeiten beim Formalisieren des Problems, Schwierigkeiten bei der Erlangung von Wissen und Schwierigkeiten beim Bestätigen bzw. Prüfen des Systems. Zusätzlich gibt es viele Nachteile beim Bauen eines Expertensystems zur Maschinenüberwachung und -diagnose. Einer der Hauptnachteile ist seine lange Ausführungszeit. Dies gilt insbesondere dann, wenn komplexe Beziehungen und eine große Wissensbasis beim Entscheidungsprozeß (reasoning process) beteiligt sind. Da Expertensysteme sich durch komplizierte Entscheidungs­ ketten arbeiten müssen, um zu einem Schluß zu kommen, wird mehr Verarbeitungs- bzw. Rechnerzeit benötigt. Daher macht die kurze Ansprechzeit, die benötigt wird, um Ma­ schinenüberwachung und -diagnose on-line durchzuführen, die Anwendung von Expertensystemen in diesem Bereich schwierig und unpraktisch.

Als Alternative zu Expertensystemen wurde Model-Based Reasoning (Entscheidung(-sfindung) auf Modellbasis) vorgeschlagen, um diagnostische Reasoning- oder Entscheidungsprobleme zu lösen. Eine der vielver­ sprechendsten Techniken des Model-Based Reasoning ist "Entscheidungsfindung aus Struktur und Verhalten" ("reasoning from structure and behaviour"; R. Davis, "Diagnostic Reasoning based on Structure and Behaviour", Artificial Intelligence, Bd. 24, 1984, S. 347-410). Diese Technik beginnt mit einer Beschreibung des Systems zusammen mit der Beobachtung/den Beobachtungen des Systemverhaltens. Wenn die Beobachtung mit der Weise, wie sich das System verhalten soll, in Konflikt gerät, dann wird daraus geschlossen, daß ein Systemfehler aufgetreten ist. Bei gegebenen Fehlverhaltenssymptomen werden mög­ liche Fehlerkandidaten identifiziert unter Verwendung des Strukturmodells, und zwar durch Zurückverfolgen einer Abhängigkeitskette von einer nicht eingetretenen bzw. verletzten Vorhersage zu jeder Komponente, die zu dieser Vorhersage beigetragen hat.

Viele der bemerkenswerten Anwendungen von Model-Based Reasoning auf diagnostische Probleme bewegten sich im Bereich der digitalen Elektronik. Dies kommt daher, daß die Struktur digitaler Schaltungen in einer ziemlich offensichtlichen Weise dargestellt bzw. repräsentiert werden kann, und daß das beabsichtigte Verhalten der Schaltung durch seine Struktur stark beeinflußt bzw. im wesentlichen vorgegeben ist.

Verglichen mit der Technik der Expertensysteme ist die Erlangung bzw. Erfassung von Wissen für das System auf Modellbasis leichter. Zusätzlich ist das System auf Modellbasis robuster und leichter aufrechtzuerhalten bzw. zu warten. Es ist in der Lage, mehrfache Fehler zu dia­ gnostizieren, wobei das exponentielle Wachstum der Modellgröße vermieden wird. Jedoch stellt es immer noch Probleme für Echtzeitdiagnose, weil das System nach allen möglichen Fehlerkandidaten suchen muß und diese dann einzeln gemäß ihrer Wahrscheinlichkeit klassifizieren muß, was bedeutet, daß mehr Entscheidungszeit benötigt wird.

Die Identifikation eines Maschinen- oder Bauteilfehlers ist tatsächlich ein Mustererkennungsproblem. In der Vergangenheit wurde eine Anzahl von Mustererkennungs­ techniken, wie lineare Diskriminantenfunktion (linear discriminant function) und mehrwertige Mengen (fuzzy sets), angewandt, um diese Art von Problem zu lösen. Normalerweise klassifizieren diese Techniken einen Maschinen- oder Bauteilzustand in eine Zwei-Zustands- Situation, d. h. normal oder abnormal. In letzter Zeit wurden künstliche Neuralnetzwerke erfolgreich im Bereich der Maschinenüberwachung und -diagnose angewandt. Siehe hierzu beispielsweise Dietz et al., "Jet and Rocket Engine Fault Diagnosis in Real Time", Journal of Neural Network Computing, 1989, S. 5-18; Marko et al., "Auto­ motive Control System Diagnostics Using Neural Nets for Rapid Pattern Classification of Large Data Sets", Pro­ ceedings of International Joint Conference on Neural Networks (ICJNN), Bd. II, 1989, S. 13-15; Sunil et al., "Machining Condition Monitoring for Automation Using Neural Networks", Monitoring and Control for Manu­ facturing Processes, präsentiert auf dem Winter Annual Meeting of the ASME, Dallas, TX, 25.-30. November 1990, S. 101-110; Y. Guo und K.J. Dooley, "The Application of Neural Networks to a Diagnostic Problem in Quality Control", Monitoring and Control for Manufacturing Processes, präsentiert auf dem Winter Annual Meeting of the ASME, Dallas, TX, 25.-30. November 1990, S. 111-119; T.I. Liu und J.M. Mengel, "Detection of Ball Bearing Conditions by an A.I. Approach", Proceedings of the Winter Annual Meeting fo the ASME, Atlanta, GA, 1.-6. Dezember 1991, S. 13-21; und G.M. Knapp und H.-P. Wang, "Machine Fault Classification: A Neural Network Approach", International Journal of Production Research, Bd. 30, Nr. 4, 1992, S. 811-823.

Eines der größten Probleme mit künstlichen Neuralnetz­ werken ist, daß sich Neuralnetzwerke niemals selbst erklären. Um diese sogenannte "Black Box"-Technik bei Neuralnetzwerkanwendungen zu beseitigen, ist es nötig, eine Erklärungsfähigkeit in ein Neuralnetzwerksystem einzubauen. Eine augenscheinliche Technik besteht darin, Expertensysteme und Neuralnetzwerke in einem Hybridsystem zu kombinieren. Beispiele für die Kombination von Ex­ pertensystemen und Neuralnetzwerken können gefunden werden in: M. Caudill, "Using Neural nets: Hybrid Expert Systems", AI Expert, Juni 1990, S. 54-59; Kraft et al., "Hybrid Nerual net and Rule Based System for Boiler Monitoring and Diagnosis", Prodeedings of the 53rd Annual Meeting for the American Power Conference, Chicago, IL, 29. April-1. Mai 1991, S. 952-957; und Rabelo et al., "Synergy of Artificial Neural Networks and Knowledge­ Based Expert Systems for Intelligent FMS Scheduling", Proceedings of the International Joint Conference on Neural Networks (IJCNN), Bd. 1, 1990, S. 359-366.

Sensorfusion, die manchmal auch als Multisensor­ integration bezeichnet wird, ist ein Integrations­ verfahren für Informationen, die von verschiedenen Sensoren erhalten werden. Sie wird verwendet in der Hoffnung, beim Treffen von Entscheidungen menschen­ ähnliche Leistung zu erreichen (d. h. die Fähigkeit, effektiv Informationen von seinen oder ihren Sinnen zu kombinieren), und zwar insbesondere bei Bild- oder Signalverarbeitungsanwendungen, wo die Informationen von den einzelnen Sensoren im allgemeinen verrauscht, ungenau und unzureichend sind.

Die Verwendung von Sensorfusion birgt vier Hauptvorteile. Erstens kann die Fusion bzw. Verschmelzung redundanter Informationen, die von einer Gruppe von Sensoren (oder von einem einzelnen Sensor über die Zeit hinweg) betref­ fend das gleiche Merkmal erhalten wurden, die Genauigkeit erhöhen sowie die Zuverlässigkeit verbessern im Falle eines Sensorfehlers oder -ausfalls. Zweitens kann die komplementäre Information aufgedeckt werden durch Ver­ wendung mehrfacher Sensoren, um verschiedene Aspekte des Merkmals zu messen, wenn die benötigte Information nicht dadurch erhalten werden könnte, daß einzelne Sensoren allein wirken bzw. arbeiten. Drittens können mehrfache Sensoren rechtzeitigere Information liefern verglichen mit der Geschwindigkeit, mit der sie von einem einzelnen Sensor geliefert werden könnte, insbesondere wenn in dem Integrationsprozeß Parallelität verwendet wird. Viertens können mehrfache Sensoren die benötigte Information bei niedrigeren Kosten liefern verglichen mit der von indivi­ duellen Sensoren erhaltenen, äquivalenten Information. (Siehe J.M. Fildes, "Sensor Fusion for Manufacturing", Sensors, Januar 1992, S. 11-15; und R.C. Luo und M.G. Kay, "Multisensor Integration and Fusion: Issues and Approaches", Sensor Fusion: Proceedings of the SPIE, Bd. 931, 1988, S. 42-49).

Das Ziel der Sensorfusion ist, individuelle Informationen zu einem repräsentativen Muster zu kombinieren, das einen höheren Grad bzw. ein höheres Niveau von Information liefert als die Summe der Informationen von den einzelnen Sensoren. Die Information von den einzelnen Sensoren können Rohdaten oder verarbeitete Daten sein. Die verar­ beiteten Daten werden normalerweise durch ein Vorverar­ beitungsverfahren erzeugt, das Mustererkennung, Rausch­ filtern oder Datenreduktion durchführt. Sie können ent­ weder in Form von Parameterschätzungen (wie die Parameter beim autoregressiven Modell) oder in Form von Beweisen (Evidenz), die gewisse Vorschläge stützen, oder in Form von Entscheidungen vorliegen, die gewisse Hypothesen begünstigen.

Die Bestimmung eines Verfahrens zum Integrieren verschie­ dener Arten oder Typen von Sensoren, um zuverlässige und beständige Informationen zu liefern, ist die größte Herausforderung der Sensorfusion. Jedoch ist eine große Anzahl von Verfahren zur Erreichung dieses Ziels verfüg­ bar. Diese Verfahren reichen von Wahrscheinlichkeits­ verteilungen für statistische Schlüsse auf niedrigem Niveau bis zu Produktions- oder Herstellungsregeln für logische Schlüsse auf hohem Niveau. Siehe R.C. Luo und M.G. Kay, "Multisensor Integration and Fusion: Issues and Approaches", Sensor Fusion: Proceedings of the SPIE, Bd. 931, 1988, S. 42-49, bezüglich einer Abhandlung von sechs allgemeinen Verfahren der Sensorfusion. Zusätzlich liefern G. Chryssolouris und M. Domroese, "Sensor Integration for Tool Wear Estimation in Machining", Sensors and Controls for Manufacturing, präsentiert auf dem Winter Annual Meeting of the ASME, Chicago, IL, 27. November-2. Dezember 1988, S. 115-123, und "An Experimental Study of Strategies for Integrating Sensor Information in Machining", Annals of the CIRP, Bd. 38, Nr. 1, 1989, S. 425-428, einen Überblick und einen Vergleich der vier verschiedenen Verfahren für Sensor­ fusion und schließen daraus, daß eine Neuralnetzwerk­ technik effektiver bzw. wirksamer ist beim Erlernen einer Beziehung zum Vorsehen von Parameterschätzungen, ins­ besondere wenn die Beziehung zwischen der Information auf Sensorbasis und dem tatsächlichen Parameter nichtlinear ist; auch ist eine Neuralnetzwerktechnik weniger emp­ findlich auf deterministische Fehler in der Information auf Sensorbasis als die anderen drei Techniken.

Einige populäre Techniken im Bereich der Maschinen­ überwachung und -diagnose wurden oben beschrieben. Jede Technik hat ihre Stärken und Schwächen. Beträchtliche Forschungsanstrengungen wurden auf die Entwicklung und Anwendung jeder einzelnen Technik verwandt. Jedoch wurde wenig dafür getan, diese verschiedenen Techniken in einem intelligenten System zu verkörpern bzw. zu vereinigen.

Zusammenfassung der Erfindung

Die vorliegende Erfindung sieht eine On-Line-Echtzeit­ überwachung von Maschinenbauteilen oder -komponenten auf mögliche Fehler hin vor. Ein Maschinendiagnosesystem ist gezeigt, das mehrere verschiedene Technologien integ­ riert, um mögliche Fehlerzustände in einer physischen oder physikalischen bzw. gegenständlichen Maschine oder einem Prozeß zu detektieren oder aufzuspüren und Wartungs­ personal zu alarmieren. Das Maschinendiagnosesystem umfaßt die Integration von Neuralnetzwerken, Experten­ systemen, physischen oder physikalischen Modellen und Fuzzy Logic (unklare Logik).

Die Haupttechnik, die zur Fehlerdiagnose verwendet wird, ist ein Fehlerdiagnosenetzwerk (FDN = fault diagnostic network), das auf einer modifizierten ARTMAP-Neuralnetz­ werkarchitektur basiert. Das modifizierte ARTMAP-Netzwerk ist ein effizientes und robustes Paradigma (Beispiel), das die einzigartige Eigenschaft des inkrementellen Ler­ nens besitzt. Anders als andere populäre Neutralnetz­ werke, wie beispielsweise Zurückverfolgung bzw. Zurück­ fortpflanzung (back propagation), muß das modifizierte ARTMAP-Netzwerk nicht jedes Mal mit all den alten und neuen Mustern trainiert werden, wenn ein neues Muster entdeckt wird.

Das modifizierte ARTMAP-Netzwerk umfaßt ein ART-Modul, das ein Eingangs- oder Eingabemuster annimmt bzw. akzep­ tiert. Ein ART-2-Neuralnetzwerk wird als das zugrunde­ liegende ART-Modul verwendet. Das ART-Modul ist mit einem Kartenfeld (map field) verbunden, das eine Eingabe als ein Zielausgabemuster akzeptiert. Das Kartenfeld führt ein Mapping durch zwischen einer Erkennungskategorie, die durch das ART-Modul geliefert wird, und dem Zielausgabe­ muster. Das Kartenfeld löst auch einen Vigilanz- oder Wachsamkeitstest aus, der die Nähe bzw. Übereinstimmung zwischen der Erkennungskategorie und dem Zielausgabemuster bestimmt. Während des Trainings des modifizierten ARTMAP- Netzwerks werden sowohl die Eingabemuster als auch die gewünschten Ausgabemuster dem modifizierten ARTMAP-Netz­ werk präsentiert. Während der Netzwerktestphase wird nur das Eingabemuster vorgesehen.

Zusätzlich weist diese Erfindung ein Hypothese- und Testverfahren auf, das physische oder physikalische bzw. gegenständliche Modelle und Fuzzy Logic verwendet, um weitere diagnostische Fähigkeiten vorzusehen. Das Hypothese- und Testverfahren ergänzt das FDN. Physische bzw. gegenständliche Modelle und Fuzzy Logic verbessern in großem Maße die diagnostischen Fähigkeiten des Diagnosesystems, da das FDN nicht das tiefe Wissen oder die Entscheidungsfähigkeit besitzt, die notwendig sind, zum Analysieren und Ausfindigmachen aller unbekannten Fehlersituationen. Als solche werden die physischen bzw. gegenständlichen Modelle und Fuzzy Logic auf zweierlei Arten verwendet: 1) Als Mittel zum Vorsehen eines vor­ läufigen Trainings für das Diagnosenetzwerk für übliche Fehler, und zwar basierend auf theoretischen Vorhersagen, und 2) zum Vorsehen einer hochentwickelten Off-Line- Diagnosefähigkeit für selten vorkommende und komplizierte Fehlerzustände.

In einem bevorzugten Ausführungsbeispiel ist das Maschi­ nendiagnosesystem ausgeführt oder implementiert durch ein Fehlerentscheidungsexpertensystem (FRES = Fault Reasoning Expert System). Jeder Datensatz bzw. jede Datenprobe (data sample) mit einem vermuteten abnormalen Zustand, der durch das modifizierte ARTMAP-Netzwerk nicht mit letzter Sicherheit detektiert wurde, wird an das FRES geschickt zur Analyse. Wenn das modifizierte ARTMAP- Netzwerk mehr als eine Art von Fehler (zum Beispiel Fehlausrichtung und Verschmutzung) vermutet, dann wird der Datensatz bzw. die Datenprobe in ähnlicher Weise an das FRES gesandt. Das FRES überprüft bzw. vergleicht den oder die identifizierbaren Fehler mit seinen Regeln in seiner Wissensbasis, seiner Schadens- oder Reparatur­ geschichte und der Maschinengebrauchsinformation, um wahrscheinliche Fehler zu bestimmen.

Das Erfordernis schneller Verarbeitung in einem On-Line- System war Anlaß für die Verwendung paralleler Verarbei­ tung. Als solche ist eine parallele Verarbeitungstechnik auf Transputerbasis gezeigt. Das FDN ist ausgeführt oder implementiert in einem Netzwerk von vier T800-25-Trans­ putern.

Kurze Beschreibung der Figuren

Die oben genannten und weitere Vorteile dieser Erfindung können besser verstanden werden bei Bezugnahme auf die folgende Beschreibung in Verbindung mit der beigefügten Zeichnung, in der:

Fig. 1 eine Neuralnetzwerkarchitektur darstellt, die voraussagende adaptive Resonanztheorie (ART - predictive Adaptive Resonance Theory) oder ARTMAP genannt wird;

Fig. 2 stellt ein modifiziertes ARTMAP-Netzwerk dar, das verwendet wird zur Durchführung überwachten Er­ lernens;

Fig. 3 zeigt einen Rahmen, der die drei Phasen der vor­ liegenden Erfindung zeigt;

Fig. 4 zeigt ein Blockdiagramm eines integrierten Ma­ schinenüberwachungsdiagnosesystems auf hohem Niveau;

Fig. 5A und 5B zeigen ein Flußdiagramm eines Trainings­ verfahrens für das modifizierte ARTMAP-Netzwerk;

Fig. 6 stellt ein Netzwerkdiagnoseverfahren dar;

Fig. 7 stellt drei Ebenen oder Niveaus der Fehler­ diagnose dar, die durch die vorliegende Erfindung verwendet werden;

Fig. 8 ist eine genauere Darstellung der F₁-Lage oder -Ebene des modifizierten ARTMAP-Netzwerks;

Fig. 9 zeigt ein auf Fuzzy Logic basierendes Hypothese- und Testverfahren, das gemäß des bevorzugten Aus­ führungsbeispiels der vorliegenden Erfindung aus­ geführt oder implementiert wurde;

Fig. 10 zeigt die physischen oder tatsächlichen Ver­ bindungen der vier Transputer auf einer Quadpu­ terplatte (Quadputer board);

Fig. 11 zeigt eine Transputerausführung oder -implemen­ tierung der Fehlerdiagnosenetzwerktrainings­ vorgehensweise;

Fig. 12 zeigt eine Transputerausführung oder Implementie­ rung des Hypothese- und Testverfahrens unter Ver­ wendung eines Transputers und dreier Transputer;

Fig. 13 zeigt das Architekturdiagramm der Technik auf Transputerbasis, die das Softwarepaket Express umfaßt;

Fig. 14 zeigt eine Transputerausführung oder -implemen­ tierung einer Fehlerdiagnosevorgehensweise;

Fig. 15A und 15B zeigen ein Flußdiagramm für ein Feh­ lerdiagnoseverfahren für ein integriertes System, das gemäß der vorliegenden Erfindung konstruiert ist;

Fig. 16 zeigt ein ART-2-Netzwerk mit einem Beispiel eines Eingabevektors;

Fig. 17 zeigt ein Parametermodellschema, das mit ankommen­ den Daten oder Autokorrelationsschätzungen (auto­ correlation estimates) arbeitet;

Fig. 18 zeigt eine Zeichnung-oder Darstellung der antizi­ pierten Zufallsverteilung von Restfehlern (residuals), die einen normalen Maschinenzustand darstellt oder repräsentiert;

Fig. 19 ist ein detailliertes Flußdiagramm der Verfah­ rensweise oder Methodenlehre, die verwendet wird zum Berechnen eines EWMA (= exponentially weighted moving average = exponentiell gewich­ teter gleitender Durchschnitt) gemäß der vor­ liegenden Erfindung;

Fig. 20 zeigt das Empfindlichkeitsansprechen (Amplitude) eines Beschleunigungsmessers gegen Frequenzen;

Fig. 21 ist ein Flußdiagramm eines Diagnose- und Überwa­ chungsverfahrens, das einen exponentiell gewich­ teten gleitenden Durchschnitt (EWMA = exponen­ tially weighted moving average) verwendet;

Fig. 22 ist ein EWMA-Diagramm, das drei abnormale Zustände zeigt.

Genaue Beschreibung bevorzugter Ausführungsbeispiele 1. Übersicht

Die vorliegende Erfindung sieht eine On-Line-Echtzeit­ überwachung von Maschinenbauteilen auf mögliche Fehler hin vor. Ein Maschinendiagnosesystem ist gezeigt, daß Neuralnetzwerke, Expertensysteme, physische bzw. gegen­ ständliche Modelle und Fuzzy Logic verwendet, um mögliche Fehlerzustände zu detektieren oder aufzuspüren, und Wartungspersonal zu alarmieren.

Fig. 4 zeigt ein Blockdiagramm eines integrierten Ma­ schinenüberwachungsdiagnosesystems 400 auf hohem Niveau. Das Diagnosesystem 400 besteht aus sechs Modulen: ein Datenerfassungsmodul 410, eine Diagnosetechnologiemodul 420, ein Maschinenmodellmodul 430, ein Datenbankmodul 440, eine Verwenderschnittstelle (user interface) 450 und ein Systemsteuermodul 460.

Das Datenerfassungsmodul 410 sammelt sensorische Signale bzw. Sensorsignale, wie beispielsweise Schwingung bzw. Vibration, Druck und Temperatur, von der Maschine. Es besteht aus einer Anzahl von Sensoren (zum Beispiel Beschleunigungsmesser, akustische Emissionssensoren, Druckwandler, Thermoelemente bzw. Thermopaare etc.) und Datenerfassungshardware und Softwareprogramme zur Echt­ zeitdatensammlung. Das Diagnosetechnologiemodul 420 führt eine On-Line-Fehlerdetektierung und -Fehlerdiagnose durch und liefert Expertenempfehlungen durch Verwenden einer Anzahl verschiedener Technologien, wie beispielsweise Parametermodelle bzw. parametrisches Modellieren, ein Neuralnetzwerk, Fuzzy Logic und ein Expertensystem. Das Maschinenmodellmodul 430, das physische bzw. gegenständ­ liche Modelle für Lager und Zahnräder bzw. Getriebe umfaßt, liefert Daten zum vorläufigen Training des Neuralnetzwerks bezüglich üblicher Lager- und Zahnrad­ bzw. Getriebefehler. Zusätzlich sieht das Maschinen­ modellmodul 430 einen Tiefenfehlerentscheidungsmechanis­ mus (deep fault reasoning mechanism) vor zum Identifi­ zieren komplizierter oder mehrfacher Fehlerzustände.

Das Datenbankmodul 440 enthält wichtige Systeminformation einschließlich der Schadens- oder Reparaturgeschichte, Neuralnetzwerktrainingsaufzeichnungen, Betriebsbedin­ gungen oder -zustände und Maschinengebrauch. Das Verwen­ derschnittstellenmodul 450 liefert eine verwenderfreund­ liche Umgebung zum interaktiven Arbeiten mit dem System. Diese Funktion umfaßt eine Anzeige des Maschinenzustands oder -status und von Maschineninformation, die Annahme der Eingabe des Verwenders, etc. Das Systemsteuermodul 460 steuert und koordiniert die Aktivitäten zwischen bzw. unter den Modulen. Es steuert auch die Datenbank­ managementaktivität.

Das Diagnosesystem 400 vorverarbeitet Sensor-Eingaben, wie Schwingungen bzw. Vibration und Schall, unter Ver­ wendung eines autoregressiven Modells (AR). Sobald die Daten verarbeitet sind, kann die Fehlerdiagnose auf drei verschiedenen Ebenen ausgeführt werden, wie es in Fig. 7 gezeigt ist. Auf der Fehlerdetektierungsebene 710 werden auf einer Gesamt-Quadratmittelwert (RMS = root mean square)-Messung basierende Indices und eine Kovarianz­ statistik eines Verfahrens mit exponentiell gewichtetem gleitendem Durchschnitt (EWMA = exponentially weighted moving average) verwendet, um einen abnormalen Maschinen­ zustand on-line (direkt verbunden) zu detektieren. Eine Steuer- oder Kontrollgrenze wird für jeden RMS- oder EWMA-Index gesetzt. Ein abnormaler Zustand wird immer dann detektiert, wenn die RMS- oder EWMA-Messung der neuen Sensordaten eine jeweilige Kontrollgrenze über­ schreitet. Die Sensordaten werden dann auf die Fehler­ identifikationsebene 720 zur weiteren Analyse übertragen. EWMA wird im weiteren genauer beschrieben sowie in: J. K. Spoerre, "Machine Performance Monitoring and Fault Classification Using an Exponentially Moving Average Scheme", Masters Thesis, Universität von Iowa, Mai 1993. RMS ist in der Technik bekannt und wird aus Gründen der Kürze hier nicht in Einzelheiten beschrieben.

Auf der Fehleridentifikationsebene 720 wird ein Fehler­ diagnosenetzwerk (FDN = fault diagnostic network) ver­ wendet zum Identifizieren von Maschinenfehlern aus den Sensordaten. Zusätzliche Sensordaten können eingeholt werden, um die Diagnosegenauigkeit zu verbessern. Wenn das Fehlerdiagnosenetzwerk nicht in der Lage ist, irgendeine Hypothese zu erzeugen, wird eine Entschei­ dungstechnik auf Modellbasis (model-based reasoning) angewandt, um durch Maschinenmodelle zu entscheiden, um mögliche Fehler zu finden. Die Fehlerentscheidung bzw. -einschätzung der Maschinenmodelle wird erreicht durch Verwendung von Fuzzy-Logic-Verfahren (FL). Die Ausgabe bzw. das Ergebnis dieses Entscheidungsprozesses sind identifizierbare Fehler und ihre Möglichkeiten.

Auf der Verifizierungs- (bzw. Bestätigungs-) und Empfeh­ lungsebene 730 werden alle identifizierbaren Fehler durch das Fehlerentscheidungs-Expertensystem (FRES = fault reasoning expert system) verifiziert bzw. bestätigt. Das FRES überprüft bzw. vergleicht die Fehler mit seinen Regeln in der Wissensbasis, der Schadens- oder Reparatur­ geschichte und Maschinengebrauchsinformation, um die wahrscheinlichsten Fehler zu bestimmen. Schließlich werden Empfehlungen zum Korrigieren bzw. Beheben der identifizierten Maschinenfehler von dem FRES an den Verwender geliefert. Der Verwender kann dann die Maschine entsprechend der Empfehlungen des Systems untersuchen und die Diagnoseinformation in der Datenbank 440 speichern. Das Fehlerdiagnoseverfahren für dieses integrierte System ist in Einzelheiten in einem Flußdiagramm gezeigt, das in den Fig. 15A und 15B dargestellt ist; die Fig. 15A und 15B sind im Abschnitt 4.5 in Einzelheiten beschrieben.

Mit Bezug auf Fig. 1 verwendet die vorliegende Erfindung eine Neuralnetzwerkarchitektur 100, die Vorhersagende Adaptive Resonanztheorie (Predictive Adaptive Resonance Theory; ART) oder ARTMAP genannt wird und die autonom bzw. selbständig lernt, zufällig geordnete Vektoren in Erkennungskategorien zu klassifizieren, und zwar basie­ rend auf Vorhersageerfolg. Siehe G.A. Carpenter, S. Grossberg und J. Reynold, "ARTMAP: Supervised Real-Time Learning and Classification of Nonstationary Data by a Self-Organizing Neural Network", Neural Networks, Bd. 4, 1991, S. 569-588. Dieses überwachte Lernsystem 100 ist aus einem Paar von ART-Modulen (ART_a 110 und ART_b 120) aufgebaut, die in der Lage sind, stabile Erkennungs­ kategorien selbst zu organisieren ansprechend auf zu­ fällige Folgen (Sequenzen) von Eingabemustern.

Zwei Klassen von ART-Modulen wurden von Carpenter und Grossberg entwickelt (G.A. Carpenter und S. Grossberg, "A Massively Parallel Architecture for a Self-Organizing Neural Pattern Recognition Machine", Computer Vision, Graphics, and Image Processing, Bd. 37, 1987, S. 54-115; und G.A. Carpenter und S. Grossberg, "ART 2: Self Organization of Stable Category Recognition Codes for Analog Input Patterns", Applied Optics, Bd. 26, Nr. 23, 1987, S. 1919-1930). ART 1 kann zufällige Sequenzen von binären Eingabemustern verarbeiten, während ART 2 entweder binäre oder analoge Eingabemuster handhaben kann. Diese ART-Module sind durch ein Kartenfeld (map field) 130 und eine (nicht gezeigte) interne Steuer­ einheit verbunden, die autonomen bzw. selbständigen Systembetrieb in Echtzeit gewährleisten. Das Kartenfeld 130 steuert das Erlernen einer assoziativen Karte (map) aus ART_a-Erkennungskategorien in ART_b-Erkennungs­ kategorien sowie einhergehendes Verfolgen des ART_a- Vigilanz- bzw. -Wachsamkeitsparameters 140 (ρ′). Der Vigilanzparameter 140 bestimmt die Nähe bzw. Überein­ stimmung zwischen der ART_a-Erkennungskategorie und der ART_b-Erkennungskategorie.

Eine Neuralnetzwerkarchitektur und ein Trainingsverfahren ist gezeigt, das eine Modifizierung einer ARTMAP- Architektur ist. Fig. 2 zeigt ein modifiziertes ARTMAP- Netzwerk 200. Das modifizierte ARTMAP-Netzwerk 200 ist ein effizientes und robustes Paradigma (Beispiel), das die einzigartige Fähigkeit des inkrementellen Lernens besitzt. Anders als andere populäre Neuralnetzwerke, wie Zurückverfolgung bzw. Zurückfortpflanzung (back propagation), braucht das modifizierte ARTMAP-Netzwerk 200 nicht jedesmal mit all den neuen und alten Mustern trainiert zu werden, wenn ein neues Muster entdeckt wird.

Das modifizierte ARTMAP-Netzwerk 200 umfaßt ein ART-Modul 225, das ein Eingabemuster 210 (auch als Eingabevektor 210 bezeichnet) annimmt bzw. akzeptiert. Ein ART-2- Neuralnetzwerk wird als das grundlegende ART-Modul 225 verwendet. Das ART-Modul 225 ist mit einem Kartenfeld (map field) 230 verbunden, das als Eingabe ein Ziel­ ausgabemuster 220 (auch als Zielausgabevektor 220 be­ zeichnet) annimmt bzw. akzeptiert. Das Kartenfeld 230 führt ein Mapping zwischen einer von dem ART-Modul 225 gelieferten Erkennungskategorie und dem Zielausgabemuster 220 durch. Das Kartenfeld 230 löst auch einen Vigilanz- oder Wachsamkeitstest 240 aus, der die Nähe bzw. Über­ einstimmung zwischen der Erkennungskategorie und dem Zielausgabemuster 220 bestimmt.

Während des Trainings des modifizierten ARTMAP-Netzwerks 200 werden sowohl ein Eingabemuster 210 als auch ein gewünschtes oder Soll-Ausgabemuster 220 dem Netzwerk 200 dargeboten bzw. präsentiert. Bei einem bevorzugten Aus­ führungsbeispiel besteht das Eingabemuster 210 aus zwei­ hundert (200) Datenpunkten. Das gewünschte oder Soll- Ausgabemuster 220 ist ein Binärvektor, wobei jeder Knoten (node) des Vektors einem bestimmten Maschinenzustand entspricht. Während der Netzwerktestphase wird nur das Eingabemuster 210 an das modifizierte ARTMAP-Netzwerk 200 geliefert.

2. Exponentiell gewichteter gleitender Durchschnitt A. Theoretischer Hintergrund und Modellbildung (a) Parametermodellverfahren

Parametermodellverfahren bearbeiten ankommende Daten oder Autokorrelationsschätzungen (autocorrelation estimates), um eine Menge oder einen Satz von Parametern zu be­ rechnen, die einem "a priori"-Modell der Datenstatistik entspricht. Dieses Konzept kann in Fig. 17 gezeigt werden, wo die lineare Voraussage von y_t

_t = a₁y_t-1 + a₂y_t-2 + . . . a_py_t-p (1)

ist, und p ist die Anzahl autoregressiver Parameter in dem Modell.

(b) Autoregressiver Prozeß

Ein autoregressiver Prozeß wird durch eine Differenzgleichung in der Form dargestellt bzw. repräsentiert:

wobei X(n) die echte Zufallsfolge Φ_i, i = 1, . . . ist, ρ sind Parameter, und e(n) ist eine Folge unabhängiger und identisch verteilter Gauss′scher Null-Mittel-Zufalls­ variablen mit konstanter Varianz, das heißt

Die Folge e(n) wird weißes Gauss′sches Rauschen genannt. Somit ist ein autoregressiver Prozeß ein Lineardifferenz­ gleichungsmodell, wenn die Eingabe- oder Zwangsfunktion weißes Gauss′sches Rauschen ist (siehe S. Jangi et al., "Embedding Spectral Analysis in Equipment", IEEE Spectrum, Februar 1991, S. 42).

Somit kann für eine unter normalen Bedingungen arbeitende Maschine der Vibrations- oder Schwingungszustand der Maschine durch einen AR-Prozeß beschrieben werden, wobei die Werte von e(n) weißes Gauss′sches Rauschen sind.

(c) Modellbestätigung

Wenn das Modell geeignet ist, wird das Schwingungssignal weitgehend durch das Modell beschrieben oder definiert und die Abweichungen (deviations) oder die Restfehler bzw. Reste (residuals) des vorausgesagten Signals von dem tatsächlichen Signal für jeden Zeitpunkt werden wie weißes Gauss′sches Rauschen verteilt und daher zufällig um den Mittelwert Null verteilt. Wenn die stochastische Komponente weißes Rauschen ist und wenn der Trend des Schwingungssignals angemessen modelliert wurde, wird erwartet, daß eine Darstellung oder Zeichnung (Plot) der Restfehler über die Zeit eine rechteckige Streudarstel­ lung (scatter plot) ohne erkennbares oder hervortretendes Muster ergibt, was bedeutet, daß die Varianz konstant ist. Diese antizipierte Zufallsverteilung der Restfehler ist augenscheinlich in der Darstellung (Plot) der Rest­ fehler über die Zeit für einen Datensatz, der einen normalen Maschinenzustand repräsentiert, wie es in Fig. 18 gezeigt ist.

Grobe Abweichungen von der Normalität können ausgewertet werden durch Aufzeichnen oder Plotten eines Histogramms der Restfehler. Da erwartet wird, daß die Fehler normal verteilt sind, sollte das Histogramm einer Normalver­ teilung stark angenähert sein.

Eine letzte Überprüfung auf Normalität hin wurde durch­ geführt durch Berechnen der Normalwerte bzw. Normal­ ergebnisse (normal scores) der Restfehler. Der t_th- Normalwert ist als der (t-3/8)/(n+1/4)-Prozentpunkt der Standardnormalverteilung definiert. Mit normal verteilten Daten sollte eine Darstellung des t_th­ geordneten Datenwerts gegen den entsprechenden Normalwert ungefähr auf eine gerade Linie fallen. Dieses Phänomen tritt in der Normaldarstellung eines normalen Datensatzes auf (siehe Fig. 3-4). In ähnlicher Weise ergab jeder der anderen 7 Datensätze ungefähr eine gerade Linie in der Darstellung der standardisierten Restfehler gegen Normalwerte.

(d) Auswahl der AR-Parameter

Eine Bestimmung der AR-Parameter kann durch eine von mehreren Techniken durchgeführt werden: Yule-Walker- Verfahren, Burg-Verfahren, Kovarianz-Verfahren, modi­ fiziertes Kovarianz-Verfahren, etc. (siehe s. Marple, Digital Spectral Analysis with Applications, Prentice- Hall, Inc., 1987, S. 224-231, 251). Bei einem bevorzugten Ausführungsbeispiel wird das modifizierte Kovarianz­ verfahren verwendet, da es Probleme beseitigt, die bei Verwendung der anderen Verfahren angetroffen werden - Frequenzauflösung, Spektrallinienteilung bzw. -splitting und Verzerrung oder Verfälschung (bias) der Frequenz­ schätzung (siehe S. Jangi et al., "Embedding Spectral Analysis in Equipment", IEEE Spectrum, Februar 1991, S. 42).

(e) Auswahl der AR-Ordnung

Die Kriterien, die für die Auswahl der AR-Modell-Ordnung verwendet wurden, waren die Funktion des letzten Vorher­ sagefehlers (FPE = final prediction error), der Akaike- Informationskriterien (AIC = Akaike information criteria) und des Kriteriums des autoregressiven Transfers (CAT = criterion autoregressive transfer).

FPE wählt die Ordnung des AR-Prozesses so, daß die Durch­ schnittsfehlervarianz für eine einstufige Vorhersage minimiert wird, wobei die Fehlervarianz die Summe der (Test-) Stärke (power) in dem nicht vorhersagbaren Teil des Prozesses und einer Quantität oder Größe ist, die die Ungenauigkeiten beim Schätzen der AR-Parameter reprä­ sentiert. FPE für einen AR-Prozeß wird wie folgt definiert:

wobei N die Anzahl von Datensätzen bzw. -proben (samples) ist, p ist die Ordnung und ist die geschätzte Varianz des weißen Rauschens.

AIC bestimmt die Modellordnung durch Minimieren einer theoretischen Informationsfunktion. Unter der Annahme, daß der Prozeß Gauss′scher Statistik folgt, besitzt AIC für einen AR-Prozeß die folgende Form:

Ein letztes Kriterium CAT wählt die Ordnung p als das, was die Schätzung einer Differenz zwischen den Quadrat­ mittelfehlern des wahren Vorhersagefehlerfilters und des geschätzten Filters minimiert. Diese Differenz wird aus der folgenden Gleichung berechnet:

wobei = [N/(N-j)]  und p ist so gewählt, um CAT[p] zu minimieren.

(f) Modifiziertes Kovarianz-Verfahren

Die Fehler der linearen Vorwärts- und Rückwärtsvorhersage der p-ten Ordnung (pth-order forward and backward linear prediction errors) für das modifizierte Kovarianz- Verfahren können repräsentiert werden als die Vektor­ innenprodukte

wobei der Datenvektor x_ρ[n] und der lineare Vorhersage­ koeffizientenvektor a_ρ ^fb wie folgt definiert wird und wobei J eine (p+1)×(p+1)-Reflexionsmatrix ist.

Basierend auf gemessenen Datensätzen bzw. -proben (samples) x[1], . . ., x[N] minimiert das modifizierte Kovarianz-Verfahren den Durchschnitt der quadratischen linearen Vorwärts- und Rückwärtsvorhersagefehler (forward and backward linear prediction squared errors).

(g) Exponentiell gewichteter gleitender Durchschnitt (i) Kontrollstatistik

Die Kontrollstatistik des exponentiell gewichteten gleitenden Durchschnitts (EWMA) ist wie folgt definiert:

wobei EWMA₀ = 0,
EWMA₁ = vorhergesagter EWMA-Wert zur Zeit t (neuer EWMA), EWMA_t-1 = vorhergesagter EWMA-Wert zur Zeit t-1 (alter EWMA)
In [ρ^fb _normalized] ist die Proben- bzw. Sample-Varianz beobachteter Werte zur Zeit t,
λ ist eine Ausgleichs- oder Glättungskonstante, die die Ungleichung 0<λ1 erfüllt und die Speicher­ tiefe (depth of memory) des EWMA bestimmt.

(ii) Gewichtungskonstante

Der EWMA kann wie folgt beschrieben werden:

wobei w_i die Gewichte sind und w_i = λ(1-λ)^t-1.

Die Summe der Gewichte

Die Konstante λ bestimmt das "Gedächtnis" ("memory") der EWMA-Statistik. Das heißt, daß λ die Verfallrate der Gewichte und somit die aus den vergangenen Daten verwendete Informations­ menge bestimmt. Wenn λ sich 1 nähert, nähert sich w₁ 1 an und _t+1 ist fast gleich wie die zuletzt gemachte Beobachtung y_t. Wenn andererseits λ sich 0 nähert, hat die zuletzt gemachte Beobachtung ein geringes Gewicht und die vorherigen Beobachtungen besitzen fast gleiche Gewichte.

(iii) Obere Kontrollgrenze

Die obere Kontrollgrenze (upper control limit) für die EWMA-Statistik ist

UCL = µ_ρfb + 4 σ_ρfb (15)

wobei

und n = Anzahl von Datensätzen, die anfangs bei einem normalen Maschinenzustand gesammelt wurden.

(iv) EWMA-Charakteristika

EWMA ist eine Statistik mit einer Charakteristik, die den Daten immer weniger Gewicht gibt, je älter sie werden.

Die EWMA-Statistik bzw. -Chart wurde gewählt, da sich erwiesen hat, daß sie der Bereichs- bzw. Variations­ breitenstatistik (range chart) oder s² bezüglich ihrer Fähigkeit überlegen ist, schnell Anstiege von wenigen Prozent bei der Prozeßstandardabweichung zu detektieren (siehe S. Crowder et al., Journal of Quality Technology, Bd. 24, Nr. 1, 1992, S. 12-21). Zusätzlich ist EWMA leicht zu zeichnen bzw. zu plotten, leicht zu inter­ pretieren und seine Kontrollgrenzen sind leicht zu erhalten. Ein Hauptvorteil der Verwendung von EWMA liegt darin, daß es einen Mechanismus für dynamische Prozeß­ steuerung vorsieht.

Um einen Prozeß zu steuern, ist es zweckdienlich vorher­ zusagen, wo sich der Prozeß im nächsten Augenblick bzw. Zeitpunkt befinden wird. Wenn die Vorhersage eine zu­ künftige Abweichung vom Ziel zeigt, die zu groß ist, dann kann ein elektromechanisches Steuersystem oder ein Prozeßbediener bzw. -operator korrigierend eingreifen um zu erreichen, daß die Vorhersage gleich dem Ziel ist. In der Produktion kann eine Vorhersage, die auf der sich entfaltenden bisherigen bzw. historischen Geschichte oder Aufzeichnung basiert, dazu verwendet werden, um eine Rückkopplungsregelschleife zu initiieren, um den Prozeß anzupassen (siehe G. Box et al., Statistic for Experi­ menters, John Wiley & Sons, New York, 1978).

Lambda (λ) bestimmt das "Gedächtnis" ("memory") der EWMA- Statistik; das heißt, λ bestimmt der Verfallrate des Gewichts und damit die Informationsmenge, die von den bisherigen bzw. historischen Daten gesichert wird. Die Wahl von 1 ist etwas zufällig und wurde experimentell gewählt, um die kleinste vorhergesagte Varianz (Fehler) mit einem Wert von 0,7 vorzusehen.

Aus der Gleichung (13) ist ersichtlich, daß der loga­ rithmische Maßstab verwendet wird. Die vernünftige bzw. bedeutungsvolle Präsentation von Schwingungsdaten ist wesentlich bzw. sehr wichtig, um einem Diagnostizierer zu ermöglichen, den wahren Zustand der Maschine genau zu bestimmen. Die Verwendung eines logarithmischen Maßstabs liefert eine Repräsentation, die näher am Schwingungs­ verhalten von Maschinen liegt (siehe R. Archambault, "Getting More Out of Vibration Signals: Using the Logarithmic Scale", Proceedings of the Ist International Machinery Monitoring and Diagnostics Conference, Las Vegas, NV, 1989, S. 567-571). Es wurde empfohlen, daß der Logarithmus (log) der Proben- oder Sample-Varianzen verwendet werden sollte, wenn Entscheidungen (inferences) über Varianzen von normalverteilten Daten getroffen werden (siehe G. Box et al., Statistic for Experimenters, John Wiley & Sons, New York, 1978). Ein Grund dafür liegt darin, daß die Logarithmen (logs) der Sample-Varianzen in viel größerem Maße normalverteilt sind als die Sample- Varianzen selbst. Auch ist die Varianz von ln(ρ^fb) unab­ hängig von s² und hängt nur von der Samplegröße n ab.

Ein Anstieg von s² entspricht einem Anstieg des Orts­ parameters der log-gamma-Verteilung (der Verteilung von ln(ρ^fb)). Somit sollte ein Anstieg der zugrundeliegenden Prozeß-Standardabweichung einen Anstieg des mittleren Niveaus der gezeichneten bzw. geplotteten EWMA-Werte bewirken. Wegen seiner Einfachheit und der oben aufge­ listeten Eigenschaften wird die Logarithmus-Trans­ formation als geeignete Transformation angesehen. Da Schwingungssignale, die von einer drehenden Maschine gesammelt werden, sehr komplex sein können, da das Schwingungssignal an einem gegebenen Punkt an der Maschine die Summe aller internen Kräfte ist, die an die Maschine angelegt werden, und zwar modifiziert durch ihre jeweiligen Übertragungspfade, sieht der logarithmische Maßstab einen weiten Bereich vor, um alle relevanten Daten anzuzeigen (siehe R. Archambault, "Getting More Out of Vibration Signals: Using the Logarithmic Scale", Proceedings of the Ist International Machinery Monitoring and Diagnostics Conference, Las Vegas, NV, 1989, S. 567- 571).

B. Genaue Betriebsbeschreibung

Fig. 19 ist ein detailliertes Flußdiagramm des Verfahrens bzw. der Verfahrensweise, das bzw. die verwendet wird zum Berechnen des EWMA gemäß der vorliegenden Erfindung. Das heißt, es beschreibt grob eine Verfahrensweise zur Über­ wachung und Diagnose eines Maschinenzustands. Anfangs werden zeitserielle bzw. Zeitreihendaten (time series data) (z. B. Schwingungsdaten) von einer physischen oder gegenständlichen Maschine (in einem Laboraufbau) unter normalen Maschinenbedingungen gesammelt, wie es im Block 1910 gezeigt ist. In einem bevorzugten Ausführungsbei­ spiel besteht jeder der Datensätze aus 1000 Datenpunkten. Es sei bemerkt, daß die vorliegende Erfindung nicht auf Maschinenzustände beschränkt ist und auch auf Prozesse ausgedehnt werden kann, wie es dem Fachmann klar sein dürfte.

Die Datensammlung wird durchgeführt unter Verwendung des folgenden Aufbaus: ein Gleichstrom- oder DC-Motor, der über einen Antriebsriemen mit einer Welle verbunden ist, zwei zylindrische Kissenblock- bzw. Stehlager, die auf jedem Ende der Welle angebracht sind und an einer Stahl­ platte befestigt sind, ein Oszilloskop zum Anzeigen des gesammelten, rohen Schwingungssignals, ein Verstärker zur Verstärkung des Signals und eine DT2821-G-8DI-Datenerfas­ sungsplatte. Die Schwingungssignale wurden von dem Lager gesammelt unter Verwendung von 328C04-PCB-Beschleuni­ gungsmessern, die auf dem Lagergehäuse angebracht waren.

Beschleunigungsmesser sind Wandler, deren Spannungs­ ausgabe proportional zur Beschleunigung oder, als zweckmäßigere Beschreibung, zu den internen Kräften in der Maschine ist. Wenn das Beschleunigungsniveau hoch ist, dann sind die internen Kräfte hoch. Kräfte sind die Ursache von Schwingungen, zusätzlich zu übermäßiger Abnutzung und vorzeitigem Ausfall. Das Empfindlich­ keitsansprechverhalten (Amplitude) eines Beschleuni­ gungsmessers gegen Frequenzen ist in Fig. 20 dargestellt.

Aus den folgenden Gründen sind Beschleunigungsmesser die bevorzugten Wandler bei der Maschinenzustandsüberwachung: extreme Robustheit, großer Frequenzbereich, großer Dynamikbereich - Beschleunigungsmesser können sehr kleine Schwingungen detektieren, ohne durch große Schwingungen beschädigt zu werden, die Ausgabe (output) ist propor­ tional zu den Kräften, die die Ursache internen Schadens ist, und Hochfrequenzempfindlichkeit zum Detektieren von Lagerschäden oder -fehlern.

Als nächstes wird ein geeignetes AR-Modell (d. h. eines, das die gesammelten Schwingungsdaten angemessen bzw. adäquat beschreibt) ausgewählt unter Verwendung der in den Gleichungen (6), (7) und (8) definierten Kriterien. Wie im Block 1920 gezeigt ist, wird dann eine geeignete AR-Ordnung gewählt. Nach dem Wählen einer geeigneten AR- Ordnung für den Normalzustand, wird ein AR-Modell erzeugt für jeden der Datensätze, die bei normalem Maschinen­ zustand gesammelt wurden, d. h. Parameter erster Ordnung (Φ_i1), Parameter zweiter Ordnung (Φ_i2) bis zu Parametern p-ter Ordnung (Φ_ip) für i = 1, 2, . . . , n Datensätze, wie es in den Blocks 1930 und 1935 gezeigt ist.

Wie in den Blocks 1950 und 1955 gezeigt ist, wird ein Durchschnittswert für die AR-Parameter erster Ordnung bis p-ter Ordnung aus den AR-Modellen berechnet, die in den Blocks 1930 und 1935 erzeugt wurden. Diese Berechnung wird durchgeführt, um ein Modell zu definieren, das repräsentativ wäre für einen normalen Maschinenzustand unter den Bedingungen, die in dem Laboraufbau definiert sind.

Sobald das Modell für den normalen Maschinenzustand eingerichtet bzw. etabliert ist, werden neue Daten gesammelt für einen abnormalen Maschinenzustand. Dann werden die abnormalen Schwingungssignale in das "normale" Modell eingepaßt, das im Block 1950 und 1955 gefunden wurde, und zwar als eine Anzeige dafür, wie genau das Modell zu dem Datensatz paßt, der bei dem gegenwärtigen Zustand gesammelt wurde. Dieser Schritt ist im Block 1960 dargestellt.

Um die Übereinstimmung (fit) der Daten mit dem normalen Modell zu messen, werden Vorwärts- und Rückwärtsvorher­ sagefehler (forward and backward prediciton errors) berechnet, um den ρ^fb _normalized-Wert der Daten zu be­ stimmen, wie es in den Blocks 1970 und 1975 gezeigt ist.

Dieser Prozeß ist oben im Abschnitt 2(A) (f) beschrieben (d. h. das modifizierte Kovarianz-Verfahren). Die Nor­ malisierung basiert auf dem normalen Maschinenzustand, da es der Zweck der vorliegenden Erfindung ist, jegliche Abweichungen von dem normalen Maschinenzustand detek­ tieren zu können. Die Normalisierung wird verwendet, um alle möglichen Sammlungen oder (Daten-) Sätze zu entdecken bzw. aufzudecken, die die gleichen Daten enthalten, und gestattet, daß gegenwärtige und vorherige Daten für eine Maschine übereinandergelegt bzw. überlagert werden, und zwar unabhängig von der Betriebsgeschwindigkeit. Zusätzlich gestattet die Normalisierung die Schaffung einer Durchschnittsdatendatei für jeden spezifischen Maschinentyp.

Schwingungs- oder Vibrationssignaturen für viele iden­ tische Maschinen, die zu verschiedenen Zeiten und bei geringfügig unterschiedlichen Betriebsgeschwindigkeiten (auf-)genommen wurden, können statistisch akkumuliert werden und durch einen einzigen Satz bzw. eine einzige Menge von gemittelten Schmalbandspektren repräsentiert werden (siehe W. Watts et al., "A Portable, Automated Machine Condition Diagnostics Program Using Order Normalized Vibration Data", Proceedings of the 1st International Machinery Monitoring and Diagnostics Conference, Las Vegas, NV, 1989, S. 637-643). Um zu bestimmen, ob die Schwingungssignatur einer Maschine bedeutend bzw. signifikant ist, wird der gegenwärtige Zustand mit dem normalen Zustand verglichen, und zwar mittels der ρ^fb-Werte.

Wenn der ρ^fb-Wert in den Blocks 1970 und 1975 gefunden wurde, wird eine Statistik des exponentiell gewichteten gleitenden Durchschnitts (EWMA) berechnet mit λ = 0,7, wie es im Block 1980 gezeigt ist. Die berechnete EWMA- Statistik ist eine Anzeige für den gesamten Maschinen­ zustand und wird mit der oberen Kontrollgrenze (UCL = upper control limit) (oben beschrieben im Abschnitt 2(g)(iii)) verglichen um zu bestimmen, ob die Maschine in einem kontrollierten Zustand oder ob sie außer Kontrolle ist. Dieser Schritt ist in den Blocks 1990 und 1995 beschrieben. Wenn der EWMA-Wert die UCL überschreitet, ist dies ein Signal dafür, daß ein abnormaler Maschinen­ zustand vorhanden ist und etwas unternommen werden sollte.

C. Datenanalyse

Die folgende Beschreibung ist das Ergebnis der Anwendung der obengenannten Erfindung auf eine tatsächliche Maschi­ ne in einem Laboraufbau. Obwohl verschiedene Datensätze zu einem geringfügig unterschiedlichen Ergebnis führen, bleiben die Prinzipien und die Vorgehensweise dieselben. Nach dem Sammeln von Daten von der Maschine, werden das modifizierte Kovarianz-Verfahren und die drei oben be­ schriebenen Verfahren dazu verwendet, ein geeignetes AR- Modell zu bestimmen, um den normalen Maschinenzustand angemessen bzw. adäquat zu beschreiben. Bei einem bevor­ zugten Ausführungsbeispiel ist die am meisten geeignete Ordnung für das AR-Modell 33, was ein Verhältnis der AR- Ordnung zur Folge- oder Sequenzlänge (1000) von 0,033 ergibt. Der Wert ist vorzugsweise klein, da die Frequenz­ verzerrung bzw. -verfälschung (frequency bias) und das Linienteilen bzw. -splitting größer wird mit einem stei­ genden Verhältnis von AR-Ordnung zu Sequenzlänge.

Sobald das normale Modell für den normalen Zustand ein­ gerichtet bzw. etabliert ist, werden gemäß einem bevor­ zugten Ausführungsbeispiel Schwingungsdaten bei drei abnormalen Betriebszuständen gesammelt, nämlich fehl­ ausgerichtete Welle, loses Lager und verschmutztes Lager.

Für jeden Datensatz, der bei einem der vier Zustände gesammelt wurde, werden minimale und maximale Varianzen bzw. Streuungen bestimmt, wie es in Tabelle 1 gezeigt ist. Diese Varianzen werden normalisiert durch Teilen der Varianz durch die mittlere Varianz bei einem normalen Zustand (0,0000048582) und durch Ziehen des natürlichen Logarithmus der Varianz für sowohl die minimalen als auch die maximalen Varianzen für jeden Maschinenzustand. Die Varianzwerte wurden verwendet, um die oberen und unteren Grenzen (bounds) der EWMA zu bestimmen, wie es in Tabelle 2 gezeigt ist.

Die Zahlen im oberen Teil jeder Zelle in Tabelle 2 re­ präsentieren die minimale und maximale beobachtete EWMA- Statistik, basierend auf tatsächlichen Daten, die im Labor gesammelt wurden. Die Zahlen im oberen Teil der Zelle basieren auf Statistiken der gesammelten Daten und wurden berechnet unter Verwendung von µ_p ^fb-4σ_ρ ^fb für die untere Grenze und von µ_ρ ^fb+4σ_ρ ^fb für die obere Grenze, wobei µ_p ^fb der Durchschnittswert für die EWMA-Statistik für jeden Maschinenzustand ist, d. h.

wobei n die Anzahl gesammelter Samples bzw. Proben ist.

Die Standardabweichung sowie µ_ρ ^fb wurde bestimmt für jeden Lagerzustand. Standardabweichungen werden durch die folgende Formel berechnet:

In Tabelle 2 werden die oberen und unteren Grenzen der EWMA-Werte für die abnormalen Zustände (Fehlausrichtung, Verschmutzung und Losesein) berechnet basierend auf der minimalen und maximalen EWMA-Statistik, die für den normalen Zustand berechnet wurde, und den Varianzen der abnormalen Zustände in Tabelle 1. Beispielsweise waren bei normalem Zustand die minimalen und maximalen EWMA- Werte für alle acht Datensätze aufeinanderfolgend 0,000000 und 0,126535. Unter Bezugnahme auf Gleichung (13) wird die EWMA-Statistik berechnet durch

EWMA_t = max{(1-λ)EWMA_t-1 + λln_ρ ^fb _normalized, 0}

Tabelle 1

Berechnete "normalisierte" Varianzen für einen normalen Maschinenzustand und drei abnormale Maschinenzustände

Beispielsweise bei einem Fehlausrichtungszustand wird die minimale EWMA-Statistik, die auftreten könnte, berechnet unter Verwendung der minimalen Varianz, die bei einem Fehlausrichtungszustand gefunden wird, und der minimalen EWMA-Statistik für den Normalzustand. In ähnlicher Weise wird die maximale EWMA-Statistik, die auftreten könnte, berechnet unter Verwendung der maximalen Varianz, die bei einem Fehlausrichtungszustand gefunden wird, und der maximalen EWMA-Statistik für den Normalzustand.

Tabelle 2

Berechnete EWMA-Statistiken für einen normalen Maschinenzustand und drei abnormale Maschinenzustände

Tabelle 3

Berechnete Statistiken von EWMA-Werten für einen normalen Maschinenzustand und drei abnormale Maschinenzustände

Die spezielle Berechnung, die durchgeführt wurde, um die Zahlen in den Tabellen 1-3 abzuleiten, kann gefunden werden in: J. K. Spoerre, "Machine Performance Monitoring and Fault Classification Using an Exponentially Moving Average Scheme", Master′s Thesis, Universität von Iowa, Mai 1993.

Der Wertebereich für jeden der oben angegebenen Betriebs­ zustände war genau definiert ohne Überschneidung zwischen den verschiedenen Maschinenzuständen. Fig. 21 zeigt ein Diagnose- und Überwachungsverfahren, das die EWMA-Technik verwendet. Anfangs wird die EWMA-Statistik auf 0,0 eingestellt, wie es im Block 2105 gezeigt ist. Dann wurde die EWMA-Statistik berechnet unter Verwendung des oben beschriebenen Verfahrens, wie es im Block 2110 gezeigt ist. Als nächstes wird die EWMA-Statistik überprüft anhand einer oberen Grenze des "Normalzustands", die in dem obigen Beispiel 0,4967 ist.

Wenn die EWMA-Statistik unter der oberen Grenze bleibt, dann arbeitet die Maschine normal, wie es im Block 2120 gezeigt ist. In dieser Situation geht das Verfahren zurück zum Block 2110. Wenn jedoch die EWMA-Statistik über die obere Grenze hinausgeht, dann besteht ein möglicherweise abnormaler Zustand, wie es im Block 2130 gezeigt ist. Basierend auf Tabelle 2 zeigen die Blocks 2140, 2150 und 2160 jeweils einen unterschiedlichen abnormalen Zustand. Insbesondere ist, wenn die EWMA- Statistik zwischen 1,1 und 1,5 fällt, der abnormale Zustand eine Fehlausrichtung; wenn die EWMA-Statistik zwischen 1,7 und 2,2 fällt, dann ist der abnormale Zustand lose Lager; und wenn die EWMA-Statistik zwischen 2,2 und 2,7 fällt, dann ist der abnormale Zustand Ver­ schmutzung. Natürlich können auch andere abnormale Zustände detektiert werden durch Folgen der oben beschriebenen Verfahrensweise und Bestimmen der entsprechenden EWMA-Statistik.

Sobald der abnormale Zustand detektiert wird, druckt das Verfahren 2100 den detektierten Fehler über die Ver­ wenderschnittstelle 150 aus, wie es in den Blocks 2170, 2180 und 2190 gezeigt ist. Zu dieser Zeit korrigiert eine Bedienungsperson den Fehler der Maschine, wie es im Block 2195 gezeigt ist, und die EWMA-Statistik wird auf 0,0 zurückgesetzt (d. h. den Normalzustand).

Fig. 22 zeigt ein EWMA-Diagramm. Das EWMA-Diagramm kann aufgeteilt werden in Bänder 2210-2240, die den Ort bzw. die Lage der speziellen Maschinenzustände darstellen bzw. repräsentieren. Ein normaler Zustand ist im Band 2240 gezeigt, während die abnormalen Maschinenzustände in den Bändern 2210-2230 gezeigt sind.

Durch die Entwicklung eines AR-Parametermodells zum Beschreiben bzw. Charakterisieren des normalen Maschinen­ zustands, ist die EWMA-Kontrollstatistik in der Lage zu erkennen bzw. identifizieren, ob die Maschine in einem normalen Zustand ("unter Kontrolle") oder in einem abnormalen Zustand ("außer Kontrolle") ist. Wenn ein abnormaler Lagerzustand auftritt und sich verschlimmert, dann ist die Darstellung bzw. Aufzeichnung (plot) auf dem EWMA-Kontrolldiagramm nahe der Kontrollgrenze und zeigt einen Trend zur Grenze hin; schließlich geht die EWMA- Kontrollstatistik über die Kontrollgrenze hinaus, wenn der abnormale Zustand nicht korrigiert wird.

Es wurde auch bestimmt, daß es eine positive Beziehung bzw. Korrelation zwischen der mittleren Amplitude des Signals und der mittleren EWMA-Statistik gibt für einen gegebenen Maschinenzustand. Wenn die mittlere Amplitude ansteigt, steigt auch der EWMA-Wert. Dies bedeutet, daß die EWMA-Statistik ansprechend bzw. empfindlich ist auf Änderungen der Amplitude. Da ein Anstieg der Amplitude auftritt, wenn ein Lager oder ein anderes Maschinen­ bauteil die Anfangsphasen eines Ausfalls durchläuft, besitzt die EWMA-Technik die Fähigkeit, kleine Änderungen der Amplitude zu detektieren, sobald ein Defekt bzw. Fehler auftritt.

Ferner wurde gezeigt, daß die Abweichung der Varianz zur Zeit t von der bei einem Normalzustand festgestellten Varianz eine Anzeige ist für den gegenwärtigen Lager­ zustand. Wenn diese Abweichung nahe Null ist, dann arbeitet das Lager in einem normalen Zustand; wenn dieser Wert jedoch signifikant anders ist als Null, dann existiert ein fehlerhafter oder "Außerhalb der Spule"- Zustand (out of coil) und eine Korrektur ist notwendig.

3. Parametermodell und ART-2-Technik

Fig. 3 zeigt den Rahmen oder das Grundwerk der vor­ liegenden Erfindung. Es weist drei Module auf: ein Parametermodell 310, ein Normalisierungsverfahren 320 und ein ART-2-Neuralnetzwerk 225. Gemäß einem bevorzugten Ausführungsbeispiel wird ein autoregressives (AR) Parametermodell in Kombination mit dem ART-2-Neural­ netzwerk 225 verwendet. Jedoch kann auch ein auto­ regressives Modell mit gleitendem Durchschnitt (ARMA - autoregressive moving average) verwendet werden. Sowohl AR-Modelle als auch ARMA-Modelle sind in der Technik bekannt.

Das Parametermodell 310 wird dazu verwendet, um ein rohes Schwingungssignal, das von einer beobachteten gegenständ­ lichen Maschine oder einem Prozeß gesammelt wurde, anzu­ passen (d. h. mathematisch zu beschreiben). Nach dem Anpassen des Parametermodells 310 an das Schwingungs­ signal kann ein Satz oder eine Menge von Parametern 315 erhalten werden. Zu diesem Zeitpunkt können die Parameter 315 jedoch nicht ohne Vorverarbeitung in das ART-2-Netz­ werk 225 eingespeist werden, weil sie bedeutsame negative Werte enthalten, die das ART-2-Netzwerk 225 nicht er­ kennen kann. Daher muß ein Normalisierungsverfahren 320 angewandt werden um zu gewährleisten, daß das ART-2- Netzwerk 225 korrekt arbeiten kann mit richtigen Eingaben.

Das Normalisierungsverfahren 320 erfordert zwei Schritte. Zuerst wird jeder Parameter 315 in zwei Teile geteilt: einen positiven und einen negativen. Wenn ein Parameter 315 einen positiven Wert besitzt, dann wird dem negativen Wert Null zugewiesen und umgekehrt. Als zweites erfolgt ein Skalieren der Parameter 315 durch den maximalen Para­ meterwert. Die Restfehlervarianz wird nur den positiven Teil enthalten, weil ihr Wert immer positiv ist. Jedoch muß die Varianz durch die maximale Restfehlervarianz geteilt werden. An sich benötigt ein ARMA- oder AR-Modell 2n+1 Eingabeknoten (input nodes) in der ART-2-Eingabelage oder -ebene. Beispielsweise benötigt ein ART-2-Netzwerk 225 für ein ARMA-(3, 2)-Modell (n=5) 11 Eingabeknoten. Der Eingabevektor des ART-2-Netzwerks 225 für das ARMA- (3, 2)-Modell mit den folgenden Parametern und der folgenden Restfehlervarianz ist in Fig. 16 gezeigt.

Φ₁ = 1,7592
Φ₂ = -1,7289
Φ₃ = 0,8364
θ₁ = -1,0300
θ₂ = -0,7562
σ_E = 0,3838

Es sei angenommen, daß der maximale Parameterwert sowohl für den positiven als auch für den negativen Teil gleich 2 ist und daß die maximale Restfehlervarianz gleich 1 ist. Beispielsweise bei Φ₁ wird der negative Teil auf 0 gesetzt, weil der Wert von Φ₁ positiv ist. Der positive Teil wird durch den maximalen Parameterwert, 2, geteilt und ein Wert von 0,8796 wird erhalten. Für die Rest­ fehlervarianz bleibt der Wert gleich, weil die maximale Restfehlervarianz 1 ist.

Während des Trainings des Netzwerks wird dem ART-2- Netzwerk ein Eingabemuster präsentiert, d. h. die normalisierten Parameter 325. Als Ergebnis organisiert das Netzwerk selbst Fehlerklassifikationen, bis ihm die Eingabemuster ausgehen. Zuletzt werden die letzten "oben­ runter"-Gewichte (T_ji) und "unten-hoch"-Gewichte (B_ÿ) gespeichert für spätere Verwendung bei der Diagnose. Während der Diagnose eines Fehlers wird jedes Eingabe­ muster dem ART-2-Netzwerk 225 präsentiert. Jeder Knoten in der F₂-Lage oder -ebene 240 repräsentiert eine be­ stimmte Fehlerklassifikation. Der Knoten in der F₂-Lage oder -ebene 240, der den Vigilanz- bzw. Wachsamkeitstest 250 besteht, wird zur Ausgabe 335 des ART-2-Netzwerks 225.

Wie oben erwähnt wurde, müssen während des Trainings des modifizierten ARTMAP-Netzwerks 200 sowohl das Eingabe­ muster 210 als auch das gewünschte oder Soll-Ausgabe­ muster 220 dem modifizierten ARTMAP-Netzwerks 200 dargeboten bzw. präsentiert werden. Jeder Satz von Eingabemustern 210 und gewünschten Ausgabemustern 220 wird dazu verwendet, das modifizierte ARTMAP-Netzwerk 200 unabhängig zu trainieren, was bedeutet, daß das modifi­ zierte ARTMAP-Netzwerk 200 inkrementell bzw. schrittweise trainiert werden kann. Bei einem bevorzugten Ausführungs­ beispiel bestand das Eingabemuster 210 aus 200 Daten­ punkten des Schwingungsspektrums. Das gewünschte Ausgabe­ muster 220 ist ein Binärvektor, wobei jeder Knoten des Vektors einem bestimmten Maschinenzustand entspricht.

4. Fehlerdiagnose: Verfahrensweise und Implementierung

Dieser Abschnitt beschreibt das Fehlerdiagnosesystem 400, das gemäß der vorliegenden Erfindung entwickelt wurde. Die in diesem System verwendeten Verfahrensweisen (methodologies) werden von diesem Abschnitt abgedeckt.

Der Abschnitt 4.1 führt die Anwendung der autoregressiven Modelltechnik für Datenvorverarbeitung ein. Der Abschnitt 4.2 beschreibt die Entwicklung des Fehlerdiagnosenetz­ werks. Im Abschnitt 4.3 werden physische oder gegenständ­ liche Lagermodelle und ein auf Fuzzy-Logic basierendes Hypothese- und Testverfahren für unbekannte Muster präsentiert.

4.1. Autoregressives (AR) Modell

Eine autoregressive (AR) Technik ist ein Verfahren der Übertragens von Signalen von einem Zeitbereich bzw. einer Zeitdomäne (time domain) in einen Frequenzbereich bzw. eine Frequenzdomäne (frequency domain), und zwar so, wie sie durch einen Satz von Sensoren aufgenommen bzw. einge­ fangen wurden, die mit einer gegenständlichen Maschine oder einem Prozeß verbunden sind. Herkömmlicherweise wird dies mit Fouriertransformationen durchgeführt.

Der Nutzen der Verwendung eines Parametermodells zur Signalverarbeitung liegt darin, daß es die Datenmenge drastisch reduzieren und dennoch die wichtigen Charak­ teristika bzw. Merkmale des Signal erhalten kann. Als Ergebnis der Datenreduktion wird die Diagnose- und Trainingszeit eines Neuralnetzwerks in großem Maße reduziert. Da die Trainingszeit ungefähr um das 10fache ansteigt und die Diagnosezeit ungefähr um das 6fache ansteigt, wenn die Zahl der Eingabedaten von 200 auf 2400 ansteigt, ist Datenreduzierung entscheidend, insbesondere wenn mehrfache Sensoren im Echtzeitmodus verwendet werden, da die betroffene Datenmenge erhöht ist. Die vorliegende Erfindung implementiert ein AR-Modell für On-Line-Signalverarbeitung. Die mathematische Form eines AR-Modell ist in Gleichung (19) angegeben.

X_t = Φ₁ X_t-1 + Φ₂X_t-2+ . . . + Φ_pX_t-p + E_t (19)

wobei X_t = Zeitfolge, Φ_i = die AR-Parameter, p = die Ordnung des AR-Modells, E_t = Restfehler (residuals) mit NID (0, σ_E²).

Die Ordnung des AR-Modells wird bestimmt mit einer Technik, die beschrieben ist in: C.C. Lin, "Classi­ fication of Autoregressive Spectral Estimated Signal Patterns Using an Adaptive Resonace Theory (ART)", Master′s Thesis, Fakultät der industriellen Ingenieur­ wissenschaften, Universität von Iowa, Iowa City, August 1992. Sie wählt die Ordnung mit dem höchsten Niveau des letzter Vorhersagefehlers (FPE = final prediction error) und des Akaike-Informationskriteriums (AIC = Akaike information criterion). Die Gleichungen für FPE und AIC sind wie folgt angegeben:

wobei N die Zahl der Datensamples bzw. -proben ist, p ist die AR-Ordnung, und ô_p² ist die geschätzte lineare Vor­ hersagefehlervarianz bei der Ordnung p. Sobald die AR- Ordnung bestimmt ist, ist sie festgelegt und dann kann das AR-Modell an die Sensordaten angepaßt werden, um einen AR-Parameter 315 zu erzeugen. Sobald er normali­ siert ist (wie oben beschrieben), kann der AR-Parameter 315 als Eingabe für das modifizierte ARTMAP-Netzwerk 200 verwendet werden.

4.2. Fehlerdiagnosenetzwerk

Das Ziel der Verwendung eines Fehlerdiagnosenetzwerks (d. h. eines modifizierten ARTMAP-Netzwerks) ist, eine schnelle und genaue Diagnose von Maschinenfehlern vor­ zusehen. Das modifizierte ARTMAP-Netzwerk 200 ist ein effizientes und robustes Para 58281 00070 552 001000280000000200012000285915817000040 0002004447288 00004 58162digma (Beispiel), das die einzigartige Fähigkeit des inkrementellen Lernens be­ sitzt. Anders als andere populäre Neuralnetzwerke, wie Zurückverfolgung bzw. Zurückfortpflanzung (back propa­ gation), braucht das modifizierte ARTMAP-Netzwerk 200 nicht jedesmal mit all den neuen und alten Mustern trainiert zu werden, wenn ein neues Muster entdeckt wird. Die Mechanik des modifizierten ARTMAP-Netzwerks 200 ist im folgenden Abschnitt beschrieben.

4.2.1. Modifiziertes ARTMAP-Netzwerk

Das modifizierte ARTMAP-Neuralnetzwerk 200 ist eine Erweiterung des ART-Netzwerks (ART = Adaptive Resonance Theory = adaptive Resonanztheorie), das autonom bzw. selbständig lernt, zufällig geordnete Vektoren in Erken­ nungskategorien zu klassifizieren, und zwar basierend auf Vorhersageerfolg. Wie oben mit Bezug auf Fig. 1 be­ schrieben wurde, ist das ARTMAP-Neuralnetzwerk 100 ein nicht überwachtes Lernsystem, das aus einem Paar von ART- Modulen 110, 120, die jeweils eine Erkennungskategorie erzeugen, und einem Kartenfeld (map field) 130 aufgebaut ist, das das Mapping zwischen dem Paar von Erkennungs­ kategorien steuert.

Bei einem bevorzugten Ausführungsbeispiel verwendet das ARTMAP-Neuralnetzwerk nur ein Eingabemuster (d. h. AR- Parameter). Somit wurde das in Fig. 1 gezeigte ARTMAP- Netzwerk modifiziert, um überwachtes Lernen auszuführen. Fig. 2 zeigt ein modifiziertes ARTMAP-Netzwerk 200, bei dem das zweite ART-Modul durch eine Zielausgabe 220 ersetzt wurde. Die Zielausgabe 220 wird von einem Ver­ wender vorgesehen. Eine ART-2-Neuralnetzwerkarchitektur 225 wurde als das grundlegende ART-Modul gewählt, um analoge Eingabemuster (d. h. AR-Parameter) zu handhaben.

Insbesondere wird die ART-2-Neuralnetzwerkachitektur bei einem bevorzugten Ausführungsbeispiel verwendet, weil Schwingungs- oder Schallsignale als Eingabe an das modifizierte ARTMAP-Neuralnetzwerk 200 verwendet werden und das Energieniveau bei einem Schwingungs- oder Schall­ signal ein kontinuierliches Analogsignal ist. Wie dem Fachmann klar ist, können jedoch andere als Schallsignale an das modifizierte ARTMAP-Neuralnetzwerk 200 angelegt werden. Ferner kann die vorliegende Erfindung auch mit einer ART-1-Neuralnetzwerkarchitektur verwendet werden, wenn zufällige Sequenzen oder Folgen von Binäreingabe­ mustern als Eingabe an das modifizierte ARTMAP-Neural­ netzwerk 200 verwendet werden.

Beim modifizierten ARTMAP-Netzwerk 200, besitzt das ART- 2-Netzwerk 120 zwei Lagen oder Ebenen: F₁ 230 und F₂ 240. Bezugnehmend auf Fig. 4 umfaßt die F₁-Lage oder -Ebene 230 des ART-2-Netzwerks drei Verarbeitungsebenen und mehrere Verstärkungssteuersysteme, die ermöglichen, daß das Netzwerk Signale von Rauschen trennen kann, und die den Kontrast der Aktivierungssignale verbessern. Im all­ gemeinen führt jede Ebene zwei Berechnungen durch:
Integration von Eingaben innerhalb eines Felds (intra­ field) und zwischen Feldern (interfield) an dieser Ebene, die ein integriertes Aktivierungssignal und die Normali­ sierung des integrierten Aktivierungssignals erzeugt. Die vollen Kreise sind die Verstärkungssteuersysteme, die die integrierten Aktivierungssignale normalisieren.

Das Training des modifizierten Netzwerks ist unten mit Bezug auf Fig. 4 und Fig. 5 beschrieben. Fig. 5 zeigt ein Flußdiagramm des Verfahrens, das zum Trainieren des modifizierten ARTMAP-Netzwerks 200 verwendet wird.

Wie im Block 505 gezeigt ist, werden vor dem Beginn des Trainings des modifizierten ARTMAP-Neuralnetzwerks 200 die folgenden Parameter initialisiert:

wobei
0iN-1, wobei N die Dimension des Eingabevektors 210 ist;
0jM-1, wobei M die Anzahl von F₂-Knoten ist;
w_i = x_i = v_i = u_i = q_i = p_i = 0; und
Menge (set) a, b, c, d, e, θ und p.

Wie im Block 510 gezeigt ist- wird ein Eingabemuster, das erlernt werden soll, dem modifizierten ARTMAP-Netzwerk 200 präsentiert. Als nächstes werden die Aktivierungs­ signale zwischen verschiedenen Knoten der F₁-Lage oder -Ebene 230 erzeugt, wie es im Block 515 gezeigt ist. Auf der unteren Ebene der F₁-Lage oder -Ebene 230 ist der Vektor w_i die Integration eines Eingabevektors I_i inner­ halb eines Feldes (intrafield input vector w_i) und des Rückkopplungssignals auf zwischen Feldern (interfield feedback signal au_i), d. h.

W_i = I_i + au_i (24)

wobei i der i-te Knoten an der F₁-Lage oder -Ebene 230 ist und a ist eine Konstante. Sobald der Vektor w_i erhalten wurde, kann er durch die folgende Gleichung normalisiert werden, um x_i zu ergeben:

wobei e eine Konstante nahe Null ist und ||w|| bezeichnet die L₂-Norm eines Vektors w.

Der Rest der Aktivitäten in der F₁-Lage oder -Ebene 230 kann gemäß der folgenden Gleichungen berechnet werden:

wobei b eine Konstante ist, g(j) ist die Aktivierung des j-ten Knotens in der F₂-Lage oder -Ebene 240, und T_ji ist das "oben-runter" -Gewicht zwischen dem j-ten Knoten in der F₂-Lage oder -Ebene 240 und dem i-ten Knoten in der F₁-Lage oder -Ebene 230. Die lineare Signalfunktion f in Gleichung (26) ist

wobei Θ ein Schwellenwert ist.

Wie im Block 520 gezeigt ist, wird, sobald die Knoten in der F₂-Lage oder -Ebene 240 ein Eingabesignal von der F₁- Lage oder -Ebene 230 empfangen (über das "unten-hoch"- Gewicht B_ÿ), das passende oder Paß-Ergebnis bzw. der Paß-Wert (matching score) für die Knoten in der F₂-Lage oder -Ebene 240 dann gemaß der folgenden Gleichung berechnet:

wobei B_ÿ die "unten-hoch"-Gewichte sind.

Wie im Block 530 gezeigt ist, wird dann der Knoten in der F₂-Lage oder -Ebene 240 mit dem größten Paß-Wert akti­ viert. Die Aktivierung der F₂-Lage oder -Ebene 240 ist unten angegeben:

wobei d eine Konstante zwischen 0 und 1 ist.

An diesem Punkt wird die Aktivierung der F₂-Lage oder -Ebene 240 zurückgeführt bzw. zurückfortgepflanzt zur F₁- Lage oder -Ebene 230. Als nächstes wird, wie im Block 535 gezeigt ist, der Vigilanz- oder Wachsamkeitstest 250 aus­ geführt um zu bestimmen, ob das "oben-runter"-Signal (top down signal) zum Eingabemuster 210 paßt. Der Vigilanz- oder Wachsamkeitstest ist wie folgt angegeben:

wobei c eine Konstante ist und 0 < p < 1. Wenn das (zu­ sammenpassende) Paar den Vigilanz- oder Wachsamkeitstest 250 nicht besteht, dann wird ein Rücksetzungssignal (reset) 260 an F₂ 240 gesandt, das die F₂ dazu zwingt, den ausgewählten Knoten in der F₂-Lage oder -Ebene zu deaktivieren und das nächst beste (zusammenpassende) Paar zu suchen, wie es im Block 545 gezeigt ist. Andernfalls werden die "unten-hoch"-Gewichte (B_ÿ) und die "oben­ runter" -Gewichte (T_ji) gemäß den folgenden Gleichungen angepaßt:

B_ÿ*(t+1) = d [p_i-B_ÿ*(t)] (35)
T_j*i(t+1) = d [p_i-T_j*i(t)] (36)

wobei j* der ausgewählte Knoten in der F₂-Lage oder -Ebene 240 ist. Der Schritt des Aktualisierens der "unten-hoch"-Gewichte und der "oben-runter"-Gewichte, wenn der Vigilanz- oder Wachsamkeitstest bestanden wird, ist im Block 550 gezeigt.

Sobald dem ART-Modul 120 ein Eingabevektor 210 dargeboten bzw. präsentiert wird, wählt es einen Knoten in der F₂- Lage oder -Ebene 240 aus, der den Vigilanz- oder Wachsam­ keitstest 250 besteht. Dann werden die Aktivitäten der F₂-Lage oder -Ebene 240 an das Kartenfeld 130 weiter­ gegeben bzw. propagiert, und zwar über die gewichteten Verbindungen (w_jk) zwischen der F₂-Lage oder -Ebene 240 an dem Kartenfeld 130, wie es im Block 555 gezeigt ist. Die Signale, die von der F₂-Lage oder -Ebene 240 emp­ fangen werden, werden durch die folgende Gleichung berechnet:

X = ω_j* (37)

Am Kartenfeld 130 wird ein zweiter Vigilanz- oder Wach­ samkeitstest 140 durchgeführt, um das Niveau des Zusam­ menpassens zwischen der vorhergesagten Ausgabe von der F₂-Lage oder -Ebene 240 (X) und dem Zielausgabemuster 220 (Y) zu bestimmen, wie es im Block 560 gezeigt ist. Eine Unstimmigkeit bzw. eine fehlendes Zusammenpassen zwischen X und Y wird ein Rücksetzen (reset) 270 des Kartenfelds an das zugrunde liegende ART-Modul 120 auslösen. Dies tritt immer dann auf, wenn die folgende Bedingung erfüllt ist:

wobei p′ den assoziativen "Gedächtnis"- oder Speicher­ vigilanzparameter (associative memory vigilance para­ meter) 240 bezeichnet. Wenn das Rücksetzen 270 des Kartenfelds auftritt, wird die Vigilanz oder Wachsamkeit 250 der zugrundeliegenden ART-Moduls 120 angehoben um zu verhindern, daß das System 200 wiederholte Fehler macht, wie es im Block 570 gezeigt ist. An diesem Punkt wird ein Rücksetzungssignal (reset) 260 an die F₂-Lage oder -Ebene 240 gesandt und zwingt die F₂-Lage oder -Ebene 240 dazu, das nächst beste (zusammenpassende) Paar zu finden, wie es im Block 545 gezeigt ist. Dieser Prozeß fährt fort, bis der zweite Vigilanz- oder Wachsamkeitstest 140 bestanden wird. Sobald der zweite Vigilanz- oder Wach­ samkeitstest 140 bestanden ist, werden die "oben-runter"- Gewichte (T_ji) und die "unten-hoch"-Gewichte (B_ÿ) zwi­ schen der F₁-Lage oder -Ebene 230 und der F₂-Lage oder -Ebene 240 gemäß den Gleichungen (35) und (36) angepaßt, und die Gewichte zwischen der F₂-Lage oder -Ebene 240 und dem Kartenfeld 130 werden aktualisiert gemäß der folgenden Gleichung:

ω_j*k = Y_k (39)

Der Schritt des Aktualisierens der der "oben-runter"- Gewichte (T_ji) und "unten-hoch"-Gewichte (B_ÿ) ist im Block 580 gezeigt.

Für die "unten-hoch"- und "oben-runter"-Gewichte wird der Gewichtsanpassungsprozeß für jedes Trainingsmuster iterativ durchgeführt. Dies wird deswegen getan, weil der normalisierte Eingabevektor 210, der durch p repräsen­ tiert wird, auch aktualisiert wird, nachdem jede Aktuali­ sierungsiteration durchgeführt wurde. Dann wird der neue Vektor p in der F₁-Lage oder -Ebene 230 für die nächste Gewichtsaktualisierungsiteration verwendet (siehe Gleichungen (35) und (36)).

Während der Trainingsphase werden sowohl der Eingabe­ vektor 210 (d. h. AR-Parameter) als auch der Zielausgabe­ vektor 220 (d. h. Fehlerklasse) dem Netzwerk dargeboten bzw. präsentiert. Dann beginnt das Netzwerk, die Asso­ ziation zwischen dem Eingabevektor 210 und dem Ausgabe­ vektor 220 zu lernen, und zwar gemäß der oben beschrie­ benen Vorgehensweise. Während der Diagnosephase wird nur ein Eingabevektor 210 an das Netzwerk geliefert. Der Knoten in der F₂-Lage oder -Ebene 240, der den F₁- Vigilanz- oder -Wachsamkeitstest 250 besteht, repräsen­ tiert die Ausgabe des Netzwerks (d. h. vorhergesagte Fehlerklasse).

Eine weitere einzigartige Funktion des modifizierten ARTMAP-Netzwerks 200 ist seine "Verlern"-Fähigkeit. Im Gegensatz zu der Lernfähigkeit des Netzwerks entfernt die "Verlern"-Fähigkeit "unerwünschtes" Wissen, das früher von dem Netzwerk erlernt wurde. Dies ist sehr zweckmäßig, wenn herausgefunden wird, daß ein früher erlerntes Muster ein falsches Muster ist. In einer solchen Situation ist eine Art der Korrektur dieses Fehlers, alle Muster außer dem unerwünschten neu zu trainieren, was nicht sehr praktisch ist. Eine effizientere Weise der Verlernens eines Musters ist, die Netzwerkgewichte zurückzusetzen unter Nichtbeachtung des nicht korrekten bzw. falschen Musters.

Allgemein ist das "Verlern"-Verfahren das gleiche wie das oben beschriebene Trainingsverfahren. Sobald ein F₂- Knoten beide Vigilanz- oder Wachsamkeitstests 250, 140 besteht, werden die Netzwerkgewichte gemäß der folgenden Gleichungen angepaßt:

wobei N die Anzahl von Knoten in der F₁-Lage oder -Ebene 230 ist und d eine Konstante zwischen 0 und 1 ist.

Die Gewichte des Kartenfeld 130 werden gemäß der folgen­ den Gleichung aktualisiert:

w_j*k = 0 (42)

4.2.2. Diagnose durch das modifizierte ARTMAP- Netzwerk

Das Netzwerkdiagnoseverfahren ist in Fig. 6 gezeigt. Eine Diagnose findet statt, nachdem das modifizierte ARTMAP- Netzwerk 200 trainiert wurde unter Verwendung der oben beschriebenen Vorgehensweise. Wie im Block 610 gezeigt ist, sammelt oder erfaßt das modifizierte ARTMAP-Netzwerk 200 anfangs Eingabedaten von einem Verwender oder direkt von einer physischen bzw. gegenständlichen Maschine oder einem Prozeß. Nach dem Empfang einer Eingabe, erstellt das ART-2-Netzwerk 225 eine Hypothese einer Diagnose, wie es im Block 620 gezeigt ist. Wenn die hypothetische Diagnose den ersten Vigilanz- oder Wachsamkeitstest 250 besteht, wird das Ergebnis der Diagnose dem Verwender berichtet, wie es im Block 630 gezeigt ist. Im Block 640 wird der Verwender gebeten, die Netzwerkdiagnose zu bestätigen. Wenn die Diagnose korrekt ist, kann der Verwender wählen, ob er entweder das Netzwerk mit dem vorliegenden Eingabemuster trainieren will, d. h. daß er das Netzwerk bittet, seine Gewichte anzupassen, oder ob er den Diagnoseprozeß beendet, wie es in den Blocks 690 bzw. 680 gezeigt ist. Wenn herausgefunden wird, daß die Diagnose nicht korrekt bzw. falsch ist, sind zwei Mög­ lichkeiten bzw. Optionen verfügbar. Wie im Block 660 gezeigt ist, kann der Verwender die korrekte Fehler­ klassifizierung angeben bzw. spezifizieren und das Netzwerk trainieren, wenn er/sie die korrekte Fehler­ klassifizierung kennt, oder der Verwender kann das Netzwerk bitten, eine weitere Diagnose zu erstellen (d. h. zum Block 620 zurückkehren).

Um das System zu testen, wurden insgesamt 48 Datensätze und drei verschiedene Maschinenzustände (d. h. normal, Lagerfehler und Fehlausrichtung) verwendet und in zwei Teile geteilt: 15 Datensätze zum Training und den Rest der Datensätze zum Testen. Die Wirkungen des Vigilanz- oder Wachsamkeitswerts (vigilance value) und der Trainingssatzgröße (training set size) wurden auch unter­ sucht. Die Leistung des Netzwerks blieb gleich, wenn die Vigilanz oder Wachsamkeit (vigilance) auf 0,3, 0,5, 0,7, 0,8 oder 0,9 eingestellt wurde. Wenn jedoch die Trainingssatzgröße auf 3 eingestellt wurde (eins für jede Kategorie), dann erreichte das Netzwerk eine Genauigkeit von 97%. Sobald die Trainingssatzgröße auf 6 erhöht wurde (zwei für jede Kategorie), war das Netzwerk in der Lage, alle Testdaten korrekt zu identifizieren.

4.3. Hypothese und Test für unbekannte Muster

Wie oben beschrieben wurde, ist die in erster Linie verwendete oder primäre Technik, die zur Maschinen­ fehlerdiagnose verwendet wird, das modifizierte ARTMAP- Netzwerk 200 (oder FDN). Wie oben erwähnt wurde, wird das Netzwerk zuerst mit Beispielen trainiert, so daß das Netzwerk in der Lage ist, ein Muster zu erkennen, wenn es Charakteristika oder Eigenschaften besitzt, die einem der Beispiele ähnlich sind. Es kommt jedoch vor, daß sich ein vollkommen neues Muster entwickelt und daß das modifi­ zierte ARTMAP-Netzwerk 200 ein solches Muster vorher noch nie angetroffen oder "erfahren" hat. Unter diesen Umstän­ den wird das modifizierte ARTMAP-Netzwerk 200 dazu ge­ zwungen, ein "unbekanntes Muster" zu diagnostizieren. Um dieses Problem zu lösen, werden bei einem bevorzugten Ausführungsbeispiel physische bzw. gegenständliche Lagermodelle und Fuzzy Logic verschmolzen, um ein Hypothese- und Testverfahren durchzuführen zum Analysie­ ren und Ausfindigmachen bzw. Aufzeigen der unbekannten Fehlersituationen.

Physische bzw. gegenständliche Lagermodelle können verwendet werden als Mittel zum Liefern vorläufiger Trainingsdaten üblicher Lagerdefekte oder -fehler für das Diagnosenetzwerk, wenn die Maschine ganz neu ist oder keine bisherigen bzw. historischen Sensordaten verfügbar sind. Die theoretischen Gleichungen zum Berechnen von Lagerdefektschwingungssignalfrequenzen sind in Anhang A aufgelistet. Es sei bemerkt, daß physische bzw. gegen­ ständliche Lagermodelle nur als Beispiel zur Verdeut­ lichung verwendet werden. Wie dem Fachmann klar ist, können andere physische oder physikalische bzw. gegen­ ständliche Modelle gemäß der Lehre der vorliegenden Erfindung verwendet werden.

Physische bzw. physikalische Lagermodelle können auch als ein Hypothese- und Testmechanismus für komplexe oder mehrfache Fehlerzustände verwendet werden. Normalerweise umfaßt der Fehlerentscheidungsprozeß (fault reasoning process) in einem komplexen System Ungewißheiten (uncertainties) und Mehrdeutigkeiten (ambiguities). Eines der wirksamsten Werkzeuge zur Berücksichtigung von Unklarheiten (fuzziness) ist das Fuzzy-Logic-Verfahren (J. Li et al., "Fuzzy Cluster Analysis and Fuzzy Pattern Recognition Methods for Formation of Part Families (NAMRC)", Society of Manufacturing Engineers, 1988, S. 558-300). Infolgedessen wird der Hypothese- und Test­ mechanismus der vorliegenden Erfindung basierend auf dem Fuzzy-Logic-Verfahren ausgeführt bzw. implementiert.

Fig. 9 verdeutlicht bzw. zeigt das auf Fuzzy Logic basierende Hypothese- und Testverfahren, das gemäß einem bevorzugten Ausführungsbeispiel der vorliegenden Erfin­ dung implementiert ist. Dieses Verfahren kommt zur Anwendung, wenn das modifizierte ARTMAP-Netzwerk 200 ein unbekanntes Signal antrifft. Es beginnt mit dem Auffinden bzw. Wiedererlangen von Lagergeometrieparametern sowie der Wellendrehzahl zum Berechnen der entsprechenden Lagerdefekt- oder -fehlerfrequenzen unter Verwendung der Gleichungen in Anhang A, wie es im Block 910 gezeigt ist. Jedes Defekt- oder Fehlersignal wird mit normalen Schwingungssignalen kombiniert, um einen Satz von Fehler­ signaturen zu erzeugen, wie es im Block 920 gezeigt ist. Diese Signaturen werden dann durch ein AR-Modell angepaßt (fitted), um einen Satz von AR-Parametern zu erzeugen, wie es im Block 930 gezeigt ist. Ein (virtuelles) Referenz- oder Bezugsmuster für jeden Lagerdefekt oder -fehler wird erzeugt durch Mitteln eines Satzes von AR- Parametern für diesen Defekt oder Fehler, wie es im Block 940 gezeigt ist.

Hypothese und Test werden dann ausgeführt, wie es im Block 950 gezeigt ist, und zwar mit dem folgenden Fuzzy- Logic-Verfahren bzw. der folgenden Fuzzy-Logic-Vorgehens­ weise. Dieses bzw. diese weist zuerst den Parametern für jedes Referenz- oder Bezugsmuster eine unklare bzw. Fuzzy-Mitgliedsfunktion (fuzzy membership function) zu. Eine lineare Mitgliedsfunktion (linear membership function) wie unten gezeigt wird verwendet, wo a und b geeignete Bereiche des Parameterswerts sind.

Dann erstellt die Fuzzy-Logic-Einheit 940 eine Hypothese möglicher Defekte oder Fehler und prüft bzw. testet die Hypothese durch Vergleich der Ähnlichkeit zwischen den Referenz- oder Bezugsmustern und dem unbekannten Schwingungssignal. Die Ähnlichkeit zwischen den Mustern X_i und X_j ist wie folgt definiert:

wobei p die Anzahl von AR-Parametern in dem Muster und m ein Gewichtungsfaktor zum Vergrößern des Abstands zwischen Proben- oder Sample-Referenzmustern ist. Ein Ähnlichkeitswert bzw. Ähnlichkeitsergebnis (similarity score) nahe 1 bedeutet, daß die zwei Muster sehr ähnlich sind und umgekehrt. Das oben beschriebene Hypothese- und Testverfahren wird so programmiert, daß es alle identifi­ zierbaren möglichen Fehler auflistet, und ihre Ähnlich­ keit wird dem Verwender zur weiteren Bestätigung darge­ boten bzw. präsentiert, wie es im Block 960 gezeigt ist.

4.4. Fehlerentscheidungsexpertensystem (Fault Reasoning Expert System)

Bei einem bevorzugten Ausführungsbeispiel wird das Diagnosesystem durch ein Fehlerentscheidungsexperten­ system (FRES = fault reasoning expert system) ausgeführt bzw. implementiert. Jeder Datensatz bzw. jede Datenprobe (data sample) mit einem vermuteten abnormalen Zustand, der durch das modifizierte ARTMAP-Netzwerk 200 nicht mit letzter Sicherheit detektiert wurde, wird an das FRES geschickt zur Analyse. Wenn das modifizierte ARTMAP- Netzwerk 200 mehr als eine Art von Fehler (zum Beispiel Fehlausrichtung und Verschmutzung) vermutet, dann wird der Datensatz bzw. die Datenprobe in ähnlicher Weise an das FRES gesandt.

Das FRES überprüft bzw. vergleicht die identifizierbaren Fehler mit seinen Regeln in seiner Wissensbasis, der Schadens- oder Reparaturgeschichte und der Maschinen­ gebrauchsinformation, um wahrscheinliche Fehler zu bestimmen. Das Ergebnis dieser Überprüfung wird über die Verwenderschnittstelle 450 zusammen mit Empfehlungen angezeigt.

Im weiteren ist eine Liste von Expertenregeln (expert rules) für allgemeine Maschinenfehler angegeben, die von dem FRES verwendet werden.

• - WENN eine Reihe oder Folge von Frequenzen erzeugt wird
  UND ganzzahlige Unterschwingungen oder Sub­ harmonien (integer fraction subharmonies) der Laufdrehzahl vorhanden sind (1/2, 1/3, 1/4, 1/n)
  UND hohe Frequenzen erregt bzw. verstärkt sind
  UND die Wellenform abgeschnitten und abgeflacht ist
  DANN ist der Maschinenzustand ROTORREIBEN (ROTOR RUB).
• - WENN Schwingungsfrequenzen bei 0,42-0,48×UPM signifikant sind
  UND die Schwingung in der RADIALEN Richtung vorhanden ist
  DANN ist der Maschinenzustand ÖLWIRBEL- INSTABILITÄT (OIL WHIRL INSTABILITY).
• - WENN 1×UPM in der RADIALEN Richtung das Schwingungsspektrum dominiert
  UND das Signal in Phase und stabil bzw. stetig ist
  UND die Amplitude wegen Ungleichgewichts bzw. Unwucht sich mit dem QUADRAT DER DREHZAHL erhöht (3× Drehzahlanstieg = 9× höhere Schwingung)
  DANN ist der Maschinenzustand KRAFTUNAUS- GEGLICHENHEIT BZW. KRAFTUNWUCHT (FORCE UNBALANCE).
• - WENN 1×UPM dominant ist
  UND die Amplitude mit dem QUADRAT DER DREHZAHL ansteigt
  UND das Signal zu 180° außer Phase tendiert
  UND hohe AXIALE und RADIALE Schwingungen auftreten
  DANN ist der Maschinenzustand MOMENTEN- BZW. PAARUNAUSGEGLICHENHEIT (COUPLE UNBALANCE).
• - WENN hohe 1×UPM sowohl in AXIALER als auch in RADIALER Richtung auftreten
  UND AXIALE Ablesungen oder Werte in Phase sind
  UND RADIALE Ablesungen oder Werte instabil bzw. unstetig sind
  UND RADIALE Ablesungen oder Werte niedriger sind als AXIALE Ablesungen oder Werte
  DANN ist der Maschinenzustand ÜBERHÄNGENDE ROTORBALANCE BZW. -AUSGEGLICHENHEIT (OVERHUNG ROTOR BALANCE).
• - WENN hohe AXIALE Schwingung mit AXIALEN Phasendifferenzen nahe 180° vorhanden ist
  UND die dominante Schwingung 1×UPM oder 2× UPM ist
  DANN ist der Maschinenzustand VERBOGENE WELLE (BENT SHAFT)*.
• - WENN die größte Schwingung bei 1×UPM auftritt
  UND vergleichbare horizontale und vertikale PHASEN-Ablesungen oder -Werte sich um 0° oder 180° unterscheiden
  UND ein Ausgleichsversuch eine Verminderung der SCHWINGUNG in einer Richtung, aber eine Erhö­ hung in der anderen RADIALEN Richtung ergibt
  DANN ist der Maschinenzustand EXZENTRISCHER ROTOR (ECCENTRIC ROTOR).
• - WENN hohe AXIALE Schwingung vorhanden ist
  UND die Schwingung 180° außer Phase ist über die Kupplung hinweg
  UND die AXIALE Schwingung sowohl bei 1×UPM als auch 2×UPM hoch ist, aber weder 1× noch 2× noch 3× die anderen dominiert
  DANN ist der Maschinenzustand WINKELFEHLAUS- RICHTUNG (ANGULAR MISALIGNMENT).
• - WENN die dominierende Schwingung bei 2×UPM ist
  UND Unter- bzw. Oberschwingungen oder Sub­ harmonien mit einem Vielfachen von exakt 1/2 oder 1/3×UPM auftreten (0,5×, 1,5×, 2,5×, etc.)
  DANN ist der Maschinenzustand LOSESEIN (LOOSENESS).
• - WENN das Schwingungsspektrum eine EINZIGE FREQUENZ ist (was eine sinusförmige Bewegung anzeigt)
  UND die AMPLITUDE der Schwingung sich PROPORTIONAL zu dem QUADRAT der Drehzahl ändert DANN ist der Maschinenzustand UNAUSGEGLICHENHEIT BZW. UNWUCHT (IMBALANCE)**.
• - WENN die Schwingungssignaturen in der RADIALEN Richtung GRÖSSER ODER GLEICH 1 1/3-mal der Schwingungssignaturen in der AXIALEN Richtung sind
  DANN ist der Maschinenzustand FEHLAUSRICHTUNG (MISALIGNMENT).
• * Eine verbogene Welle ist nur erkennbar bei Betrachtung bzw. Studieren der Phase.
• ** Unausgeglichenheit bzw. Unwucht ist nur in der radialen Richtung erkennbar.

Die Expertenregeln für Lagerfehler oder -ausfälle sind im folgenden angegeben.

• - WENN eine Reihe oder Serie von Laufdrehzahl­ harmonien (bis zu 10 oder 20) in der RADIALEN Richtung auftreten
  UND vertikale Amplituden hoch sind relativ zu horizontalen Amplituden
  UND die Amplitude bei hohen Harmonien oder Oberschwingungen zum Abnehmen neigt
  DANN ist der Lagerzustand LAGERHÜLSENABNUTZUNG (SLEEVE BEARING WEAR).
• - WENN die Amplitude bei 2×UPM GRÖSSER ODER GLEICH 1/3 der Amplitude bei 1×UPM ist
  DANN ist der Lagerzustand LOSESEIN (LOOSENESS).
• - WENN beträchtliche axiale Schwingung vorhanden ist
  UND eine (Ver-)Drehbewegung eine Phasenver­ schiebung von annähernd 180° nach unten oder Seite an Seite ergibt, und zwar gemessen in der AXIALEN Richtung
  UND Schwingung bei 1×UPM und 2×UPM auftritt
  UND 2×UPM dominiert vor 1×UPM
  DANN ist der Lagerzustand FEHLAUSGERICHTETES LAGER (MISALIGNED BEARING).
• - WENN ein scharfer Impuls bei der KUGELVORBEI- LAUFFREQUENZ (BALL PASS FREQUENCY) auftritt, was im zeitseriellen bzw. Zeitreihensignal (time series signal) offensichtlich ist UND das Frequenzspektrum extrem niedrige Amplituden zeigt
  DANN ist der Maschinenzustand EIN EINZIGER BRUCH BZW. EINE EINZIGE ABSPLITTERUNG (SINGEL SPALL) auf dem Lagerlaufring.
• - WENN KEINE Änderung der SCHWINGUNGSFREQUENZEN mit einer Änderung der WELLENDREHZAHL auftritt DANN ist der Maschinenzustand REIBEN (RUB) oder RESONANZ.
• - WENN die FFT das Schwingungssignal in eine RECHTECKWELLE transformiert oder umformt DANN ist der Lagerzustand STARKES LOSESEIN (SEVERE LOOSENESS).

Die Expertenregeln für Zahnrad- oder Getriebefehler bzw. -ausfälle sind im folgenden angegeben.

• - WENN das Zahnradeingriffsmuster bei der ZAHN- RADEINGRIFFSFREQUENZ* eine SINUS-Welle oder eine MODIFIZIERTE SINUS-Welle ist
  UND die Schwingungsfrequenz bei 1× oder 2× UPM auftritt
  UND die Zahnradeingriffsfrequenz* mit SEITEN- BÄNDERN (SIDE BANDS) auftritt
  UND alle Spitzen niedrige Amplituden besitzen
  DANN ist der Zahnrad- oder Getriebezustand NORMAL.
• - WENN bei 1×UPM eine hohe Amplitude auftritt
  UND die natürliche oder Eigenfrequenz des Zahnrads bei der Laufdrehzahl Seitenbänder besitzt
  UND die Zeitwellenform eine ausgeprägte Spitze zeigt, wenn der Zahn mit den Zähnen des zuge­ hörigen Zahnrads in Eingriff steht
  DANN ist der Zahnrad- oder Getriebezustand ein GEBROCHENER ZAHN.
• - WENN eine Schwingungsfrequenz bei 1×UPM vorhanden ist
  UND Schwingungssummen- und -differenzfrequenzen bei +/- 1×UPM vorhanden sind
  DANN ist der Zahnrad- oder Getriebezustand UNRUNDSEIN DES ZAHNRADS (GEAR RUNOUT).
• - WENN Seitenbänder die gleiche AMPLITUDE be­ sitzen wie die GRUNDFREQUENZ
• - DANN muß DAS ZAHNRAD ODER GETRIEBE AUSGETAUSCHT werden.
• - WENN die NATÜRLICHE ODER EIGENFREQUENZ DES ZAHNRADS erregt wird zusammen mit den Seiten­ bändern bei der Laufdrehzahl des schlechten Zahnrads
  UND die ZAHNRADEINGRIFFSFREQUENZ umgebende Seitenbänder mit hoher Amplitude auftreten
  DANN ist der Zahnrad- oder Getriebezustand ZAHNABNUTZUNG.
• - WENN die ZAHNRADEINGRIFFSFREQUENZ* umgebende Seitenbänder mit hoher Amplitude auftreten
  UND die ZAHNRADEINGRIFFSFREQUENZ* erregt wird
  UND die NATÜRLICHE ODER EIGENFREQUENZ DES ZAHNRADS erregt wird
  UND die ZAHNRADEINGRIFFSFREQUENZ* und die NATÜRLICHE ODER EIGENFREQUENZ DES ZAHNRADS Seitenbänder bei 1×UPM besitzen
  DANN ist der Zahnrad- oder Getriebezustand EXZENTRIZITÄT DES ZAHNRADS UND SPIEL (GEAR ECCENTRICITY AND BACKLASH).
• - WENN Harmonien oder Oberschwingungen ZWEITER oder HÖHERER Ordnung der ZAHNRADEINGRIFFS- FREQUENZ* erregt werden
  UND die Harmonien oder Oberschwingungen Seitenbänder bei der LAUFDREHZAHL besitzen
  UND eine kleine Amplitude bei 1× ZAHNRAD- EINGRIFFSFREQUENZ* vorhanden ist
  UND höhere Amplituden bei 2× oder 3× ZAHNRADEINGRIFFSFREQUENZ* vorhanden sind
  DANN ist der Zahnrad- oder Getriebezustand ZAHNRADFEHLAUSRICHTUNG.
• - WENN sich eine Spitze bei 1×UPM zeigt
  DANN ist der Zahnrad- oder Getriebezustand ZAHNRAD AUSSER GLEICHGEWICHT BZW. BALANCE oder FEHLENDER ZAHN.
• * Zahnradeingriffsfrequenz (gear mesh frequency) = Anzahl von Zähnen×Zahnraddrehzahl

Natürlich können andere Expertenregeln implementiert oder ausgeführt werden, wie es dem Fachmann klar ist. Das heißt, die obengenannten Expertenregeln sollen nicht als vollständig oder erschöpfend angesehen werden, sondern nur als Beispiele von Expertenregeln, die bei einem bevorzugten Ausführungsbeispiel der vorliegenden Erfindung verwendet werden.

4.5 Fehlerdiagnose

Mit Bezug auf Fig. 15A wird eine physische bzw. gegen­ ständliche Maschine oder ein Prozeß betrieben und das Diagnoseverfahren kann beginnen. Anfangs werden Daten (zum Beispiel Schwingungen, Temperatur, Druck) von der gegenständlichen Maschine oder dem Prozeß erfaßt, wie es im Block 1505 gezeigt ist. Diese Daten werden vorver­ arbeitet unter Verwendung eines AR-Modells, wie es im Block 1510 gezeigt ist.

Als nächstes wird der durch das AR-Modell erzeugte Para­ meter verwendet, um abnormale Zustände in der gegenständ­ lichen Maschine oder dem Prozeß zu detektieren. Diese Detektierung wird on-line durchgeführt unter Verwendung von Indices basierend auf einer RMS-Messung und einer Kovarianzstatistik des EWMA-Verfahrens, wie es im Block 1515 gezeigt ist. Dieser Schritt kann als Filter für das Fehlerdiagnosenetzwerk 200 betrachtet werden. Wenn der Block 1515 keinen Fehler detektiert, beginnt die Fehler­ diagnose nicht. Dieses Merkmal der vorliegenden Erfindung ist im Block 1520 gezeigt. Der Block 1520 überwacht die Ausgabe des Blocks 1515 und bestimmt von dieser Ausgabe, ob die Maschine oder der Prozeß in einer normalen Weise (grüner Zustand), einer möglicherweise problematischen Weise (gelber Zustand) oder einer gefährlichen Weise (roter Zustand) arbeitet. Jeder dieser Zustände ist anwendungs- bzw. implementierungsspezifisch und kann je nach Bedarf eingestellt werden durch das besondere System oder den Prozeß, das bzw. der betrieben wird, wie es dem Fachmann klar ist.

Wenn die Maschine oder der Prozeß in einem grünen Zustand arbeitet, zeigt die Verwenderschnittstelle 450, die mit dem Diagnosesystem 400 verbunden ist, eine Anzeige an, daß die Maschine oder der Prozeß normal arbeitet, wie es im Block 1525 gezeigt ist. Die Maschine oder der Prozeß wird angehalten, wenn sie bzw. er in einer roten Weise arbeitet, wie es im Block 1530 gezeigt ist. Nach dem Anhalten der Maschine oder des Prozesses wird eine Diagnose durchgeführt. In ähnlicher Weise wird eine Diagnose dann durchgeführt, wenn das RMS und EWMA anzeigen, daß ein gelber Zustand vorhanden ist.

Mit Bezug auf Fig. 15B wird eine Diagnose durchgeführt, wenn ein gelber oder roter Zustand vorhanden ist, wie es im Block 1535 gezeigt ist. In einem bevorzugten Ausfüh­ rungsbeispiel werden zusätzliche Sensordaten von der beobachteten Maschine oder dem Prozeß erfaßt, wie es im Block 1540 gezeigt ist. Es sei bemerkt, daß dies ein zusätzlicher Schritt ist, der nicht notwendig ist. Die Daten, die ursprünglich vom Block 1515 verwendet wurden, um einen Fehler zu detektieren, können zur Diagnose ver­ wendet werden.

Als nächstes werden die Daten dem FDN 200 (dem modifi­ zierten ARTMAP-Netzwerk 200) präsentiert, wie es im Block 1545 gezeigt ist. Natürlich wurde das FDN 200 vorher trainiert unter Verwendung der oben beschriebenen Vor­ gehensweise. Der Entscheidungsblock 1550 bestimmt, ob das FDN 200 eine Diagnose geliefert hat (d. h. einen Fehler an der Maschine oder dem Prozeß identifiziert hat). Wenn das FDN 200 nicht in der Lage ist, eine Diagnose zu lie­ fern, werden Modelle der physischen bzw. gegenständlichen Maschine (oder des Prozesses) angewandt, wie es im Block 1555 gezeigt ist. Wie oben beschrieben wurde, werden die gegenständlichen Modelle aus defekten oder Fehlerfrequen­ zen erzeugt, die aus bekannten theoretischen Gleichungen erzeugt werden, die mit normalen Signalen kombiniert wer­ den, welche von der Maschine oder dem Prozeß unter norma­ len Betriebsbedingungen genommen werden. Diese Kombina­ tion ergibt einen Satz bzw. eine Menge von Fehler­ signaturen.

Als nächstes wird das Fuzzy-Logic-Verfahren bzw. die Fuzzy-Logic-Methodenlehre auf die Fehlersignaturen an­ gewandt, wie es im Block 1560 gezeigt ist. Es sei be­ merkt, daß selbst dann, wenn das FDN 200 eine Diagnose vorsieht, dennoch Fuzzy Logic als eine sekundäre Über­ prüfung auf die Diagnose angewandt wird. Die Fuzzy Logic hypothetisiert zuerst mögliche Fehler und testet die Hypothesen durch Vergleich der Ähnlichkeit zwischen den Fehlersignaturen und den unbekannten Signalen von der Maschine oder dem Prozeß. Nachfolgend zeigt das Diagno­ system 400 alle identifizierbaren möglichen Fehler an, wie es im Block 1565 gezeigt ist.

Diese identifizierbaren möglichen Fehler werden an ein FRES geliefert, wie es im Block 1570 gezeigt ist. Wie oben beschrieben, überprüft das FRES die identifizier­ baren möglichen Fehler anhand der Regeln in seiner Wissensbasis, der Schadens- oder Reparaturgeschichte und der Maschinengebrauchsinformation, um wahrscheinliche Fehler zu bestimmen. Das Ergebnis dieser Überprüfung wird über die Verwenderschnittstelle 450 angezeigt zusammen mit Empfehlungen, wie es im Block 1575 gezeigt ist.

Zu dieser Zeit kann eine Betriebsperson einschreiten, wie es im Block 1585 gezeigt ist. Schließlich wird die Daten­ bank 440 mit den Endergebnissen des oben beschriebenen Diagnoseverfahrens aktualisiert.

5. Transputernetzwerk

Bei einem bevorzugten Ausführungsbeispiel implementiert die vorliegende Erfindung die Diagnose und das Training des modifizierten ARTMAP-Netzwerks 200 (oder des FDN) sowie die auf Fuzzy-Logic basierenden Hypothesen- und Testverfahren in einem Transputernetzwerk. Der Bedarf nach Computern mit höherer Leistung ist wegen der Fort­ schritte der Technologie signifikant angestiegen, die ermöglicht, daß Sensoren mehr Daten produzieren und Sy­ steme höher entwickelt werden. Fast alle der heute auf dem Markt befindlichen Computer sind sogenannte sequen­ tielle oder von-Neumann-Computer, in denen jede Anweisung einzeln interpretiert und ausgeführt wird, bevor die nächste beginnen kann. Daher wird die Geschwindigkeit dieser Klasse von Computersystemen letztlich durch die CPU-Leistung des Systems bestimmt.

Neuere Studien haben gezeigt, daß paralles Rechnen basierend auf Mikroprozessoren der PC-Klasse Vektor­ maschinen bezüglich der Leistung und Kosten übertrifft. Paralleles Rechnen (parallel computing) verwendet eine Anzahl von CPUs, um mehrfache Aufgaben gleichzeitig bzw. simultan auszuführen. Diese CPUs können in vielerlei Weise miteinander verbunden sein, was eine große Vielzahl verschiedener paralleler Verarbeitungsarchitekturen gestattet.

Eine Mehrfachanweisungsstrom-Mehrfachdatenstrom-Maschine (MIMD = Multiple Instruction-stream Multiple Data-stream) (d. h. mehrere CPUs führen gleichzeitig verschiedene An­ weisungen auf verschiedene Daten aus), die als ein Transputercluster bekannt ist, wurde über die Jahre hinweg speziell entwickelt für paralleles Verarbeiten. Ein Transputer ist ein 32-Bit-Computerchip, der ein kompletter Computer mit eigener CPU und lokalem Speicher ist. Jeder Transputer besitzt vier serielle Verbindungen (links) für Kommunikation zwischen Prozessoren. Über diese Verbindungen kann ein Transputer mit anderen Transputereinheiten verbunden werden, um ein Hochlei­ stungs-Gleichlaufsystem zu bilden. Zusätzlich können Transputernetzwerke jegliche gewünschte Topologie be­ sitzen, wie beispielsweise eine Leitungs- (pipeline), Baum- (tree) und Anordnungsstruktur (array), was bedeu­ tet, daß sie die Flexibilität besitzen, für einen weiten Bereich von Anwendungen passend zu sein.

In einem bevorzugten Ausführungsbeispiel wurde das FDN durch einen 486er Personalcomputer und ein Netzwerk von vier Transputern ausgeführt. Zeitaufwendige Rechner­ aufgaben sollen auf dem Transputernetzwerk ausgeführt werden, wie beispielsweise Neuralnetzwerktraining und -diagnose und auf Fuzzy Logic basierende Hypothesen- und Testverfahren. Der 486er PC arbeitet als Zentralrechner (host computer) für Aufgabenzuweisung (job assignment), Aktivitätskoordination, Verwenderschnittstelle und Daten­ erfassung. Eine Anzahl von Maschinen oder Komponenten kann unter Verwendung dieses Systems überwacht werden.

Im weiteren sind die Hardware- und Softwarekonfigura­ tionen des durch das bevorzugte Ausführungsbeispiel ver­ wendeten Transputernetzwerks und die Ausführungen oder Implementierungen der FDN-Diagnose- und -Trainingsver­ fahren sowie das auf Fuzzy Logic basierende Hypothesen- und Testverfahren in dem Transputernetzwerk beschrieben. Diese Leistung dieser Verfahren auf den Transputern wird ausgewertet und mit der Leistung auf einem 486er PC ver­ glichen.

Die Parallelverarbeitungshardware, die in einem bevor­ zugten Ausführungsbeispiel verwendet wird, ist eine MikroWay′s Quadputer-Platte. Der Quadputer ist eine Ein­ zeleinschub-AT-Formfaktor-Platte (single slot AT form factor board), die die Steuerlogik für vier T800-25- Transputer umfaßt, und zwar jeweils mit vier Megabytes an externem Speicher für eine Gesamtmenge von sechzehn Megabytes auf einer Platte. Die Geschwindigkeit jedes Transputers ist 25 MHz.

Weil jeder Transputerknoten (transputer node) auf der Platte seinen eigenen lokalen Speicher besitzt, auf den von den anderen Transpurtern nicht direkt zugegriffen werden kann, ist es notwendig, direkt zu kommunizieren durch aktives Senden und Empfangen von Information über die Verbindungen zwischen den Transputern. Fig. 10 zeigt die physischen oder gegenständlichen Verbindungen der vier Transputer 1010 bis 1040 auf der Quadputerplatte.

Dieses Netzwerk von Transputern 1010 bis 1040 kann in verschiedene Konfigurationen konfiguriert werden, wie beispielsweise Leitung (pipeline) und Baum (tree), weil jeder Transputer eine Verbindung zu den anderen drei Transputern besitzt. Beispielsweise in der Baumkonfigu­ ration ist der Transputer 1 1010, der manchmal als "Wurzel"-Transputer ("root" transputer) bezeichnet wird, mit dem Transputer 2 1020, dem Transputer 3 1030 und dem Transputer 4 1040 über Verbindungen (links) 1 bzw. 2 bzw. 3 verbunden.

Aus Fig. 10 ist auch ersichtlich, daß vier freie bzw. nicht zugewiesene Verbindungen (links) T1L0, T2L1, T3L2 und T4L3 vorhanden sind. Diese Verbindungen können ver­ wendet werden zur Verbindung mit anderen Transputer­ platten oder zum Herstellen mehrfacher Verbindungen zwischen zwei Transputern auf der gleichen Platte mit Ausnahme von T1L0, die der Verbindung mit dem (nicht gezeigten) Zentralrechner (host computer) gewidmet ist. Daher ist die Rolle des Wurzeltransputers 1010 sehr wichtig, da er die Schnittstelle mit dem Zentralrechner bildet, um Daten-Eingabe/Ausgabe-Funktionen (I/O) durchzuführen. Anders ausgedrückt, muß alle Information in den anderen Transputern zuerst zu dem Wurzeltransputer 1010 übertragen werden, um auf dem Zentralrechner angezeigt zu werden. In einem bevorzugten Ausführungs­ beispiel wird ein 486er PC mit 33 MHz Taktfrequenz als Zentralrechner verwendet. Natürlich können andere Computer verwendet werden, wie es dem Fachmann klar ist.

Weil jede Informationsübertragung bzw. jeder Informa­ tionstransfer durch den Wurzeltransputer 1010 gehen muß, ist die Komplexität der Kommunikation bzw. der Verbin­ dungen in dem Netzwerk erhöht. Daher muß ein Program­ mierer sich völlig im klaren sein über die genauen Ver­ bindungen im Netzwerk, wie beispielsweise welcher Knoten mit welchem über welche Verbindung verbunden ist, während er ein paralleles Programm in das Netzwerk implementiert. Um dieses Problem zu lösen, wird von der vorliegenden Erfindung ein Kommunikations- oder Verbindungspaket ver­ wendet, das Express 1310 genannt wird, wie es in Fig. 13 gezeigt ist. Express 1310 ist erhältlich von ParaSoft Cells Corp., 27415 Trabuco Circle, Mission Viejo, Kali­ fornien. Mit diesem Paket ist jeglicher Transputer in der Lage, Nachrichten direkt zueinander sowie zu dem Zentral­ rechner 1105 zu senden bzw. von diesem zu empfangen, und zwar unabhängig von der speziellen verwendeten Hardware oder Konfiguration. Fig. 13 zeigt die Hartwarestruktur mit Express 1310, durch die der Zentralrechner oder PC 1105 und alle Transputerknoten miteinander verbunden sind.

Es gibt zwei Programmiermodelle, die durch Express 1310 vorgesehen sind, eines ist das Cubix-Modell und das an­ dere ist das "Host-Node"-Modell. Das Cubix-Modell ist konzeptionell am einfachsten. Bei diesem Modell muß das Parallelprogramm einschließlich der Daten- und Dateien- Eingabe/Ausgabe (data and file I/O), der Graphik, der Verwenderschnittstelle, etc. geladen werden und auf die Transputerknoten ausgeführt werden. Der Vorteil dieser Technik ist, daß das Programm leicht zu korrigieren (debug), zu erweitern und zu warten ist. Der Nachteil dieser Technik ist, daß es mehr Speicher benötigen kann, als auf dem Transputerknoten verfügbar ist.

Das "Host-Node"-Modell hat das Schreiben eines Programms zur Folge, das auf dem Zentralrechner läuft und die Ak­ tivitäten auf den Transputerknoten koordiniert und steu­ ert. Bei diesem Modell muß die gesamte Eingabe/Ausgabe (I/O) von dem Zentralrechnerprogramm gehandhabt werden und wird dann in Nachrichten an die Transputerknoten geschickt. Der Vorteil dieser Technik ist, daß die Eingabe/Ausgabe-Geschwindigkeit höher ist; zusätzlich kann sie eine komplexere Graphikverwenderschnittstelle vorsehen. Diese zwei Eigenschaften sind für Anwendungs­ zwecke entscheidend. Darüber hinaus kann es verschwende­ risch sein, die entwickelten Graphikverwenderschnitt­ stellen- und Datenerfassungscodes unter dem Cubix-Modell an die Transputerumgebung abzugeben, wenn sie auf dem Zentralrechner intakt laufen könnten. Daher wird das "Host Node"-Modell bei einem bevorzugten Ausführungs­ beispiel als das Programmiermodell verwendet.

Bei einem bevorzugten Ausführungsbeispiel ist die für den Zentralrechner bzw. PC 1105 verwendete Programmiersprache Turbo C++, und die parallelen Programme für die Transpu­ terknoten werden geschrieben und ausgeführt unter Ver­ wendung von Logical Systems C.

Wie oben beschrieben, ist das Diagnoseverfahren des mo­ difizierten ARTMAP-Netzwerks 200 dazu bestimmt, die zwei wahrscheinlichsten Fehler für jedes Muster herauszufin­ den, das dem Netzwerk 200 präsentiert wird. Das Suchen nach diesen zwei möglichen Fehlern wird sequentiell auf dem 486er PC durchgeführt, was bedeutet, daß das modifi­ zierte ARTMAP-Netzwerk 200 den ersten Knoten in der F₂- Lage oder -Ebene, die den Vigilanz- oder Wachsamkeitstest 250 besteht, als den ersten möglichen Fehler findet und dann den nächsten als den zweiten möglichen Fehler findet. In einem bevorzugten Ausführungsbeispiel wird diese Vorgehensweise auf Transputern implementiert. Fig. 14 eine Transputerimplementierung des FDN-Diagnose­ verfahrens.

Es wurde gezeigt, daß ein einziger T800-25-Transputer viel langsamer ist als ein 486er PC. Dies kommt nicht nur daher, weil die CPU-Geschwindigkeit des T800-25-Transpu­ ters langsamer ist als die des 486er PCs, sondern auch weil es einen festen Kommunikationsbedarf (communication overhead) bei der Transputerimplementierung gibt. Jedoch wird der Parallelverarbeitungsvorteil von Transputern signifikant, wenn die Effizienz bzw. der Wirkungsgrad der Verwendung eines Transputers mit der bzw. dem der Ver­ wendung von zwei Transputern verglichen wird. Die Effi­ zienz bzw. der Wirkungsgrad der Diagnose erhöht sich um ungefähr 42% (von 0,19 Sekunden auf 0,11 Sekunden). Außerdem ist die Leistung der Verwendung von zwei Trans­ putern beim Diagnostizieren von fünf Mustern die gleiche wie die eines 486er PCs.

Ferner ist die Abweichung (deviation) der Diagnosezeiten größer für Transputer. Transputer neigen dazu, beim er­ sten Versuch mehr Zeit zu brauchen. Dies kommt daher, daß alle Netzwerkinformation beim ersten Mal übertragen werden muß, während danach nur der Eingabevektor über­ tragen werden muß.

Die zeitaufwendigste Aufgabe in dem Trainingsverfahren des modifizierten ARTMAP-Netzwerks 200 (das in Fig. 5 gezeigt ist), ist die Anpassung von "unten-hoch"-Gewichten (bottom-up weights (B_ÿ)) und "oben-runter"-Gewichten (top-down weights (T_ji)). Dies kommt daher, daß die Gewichtsanpassung iterativ für jedes Trainingsmuster durchgeführt wird. Wie unten beschrieben wird, wird das Verfahren der FDN-Gewichtsanpassung auf einem Transputer­ netzwerk implementiert.

Die Transputerimplementierung des Trainingsverfahrens des modifizierten ARTMAP-Netzwerk 200 ist in Fig. 11 darge­ stellt. Verschiedene Arten der Implementierung wurden in Erwägung gezogen: Die Verwendungen von einem, zwei und drei Transputern, um nach einem Knoten (node) in der F₂- Lage oder -Ebene zu suchen, der beide Vigilanz- oder Wachsamkeitstests 140 und 250 besteht und das Gewichts­ anpassungsverfahren durchführt. Im ersten Fall werden alle Gewichtsanpassungen sequentiell auf einem Transputer 1110 durchgeführt. Im zweiten Fall wird die Aktualisie­ rung der Gewichte zwischen der F₂-Lage oder -Ebene 240 und dem Kartenfeld 130 auf einem ersten Transputer 1110 durchgeführt, während die "unten-hoch"- und "oben- runter"-Gewichtsanpassung auf einem zweiten Transputer 1120 durchgeführt wird. Dann werden die "unten-hoch" -und "oben-runter"-Gewichte im letzten Fall weiter getrennt, um auf zwei Transputern 1120, 1130 zu arbeiten. Wie oben erwähnt wurde, wird der normalisierte Eingabevektor p in der F₁-Lage oder -Ebene 230 jedes Mal aktualisiert, wenn jeweils eine Gewichtsaktualisierungsitertion durchgeführt wird. Daher werden in dem zweiten Transputer 1120 Be­ rechnungen des Vektors p durchgeführt, nachdem die "oben- runter"-Gewichte aktualisiert wurden. Dann wird der neu aktualisierte Vektor p an den dritten Transputer 1130 geschickt, um für die "unten-hoch"-Gewichtsanpassung ver­ wendet zu werden (siehe Gleichung (35)). Daher gibt es eine Einbahnkommunikationsverbindung 1140 vom Transputer 1120 zum Transputer 1130.

Die Programmierlogik für dieses Verfahren auf Transputern ist die gleiche wie die Diagnose. Der einzige Unterschied besteht darin, daß sowohl der Zielausgabevektor 220 als auch die Gewichte zwischen der F₂-Lage oder -Ebene 240 und dem Kartenfeld 130 an die Transputer geschickt werden müssen.

Es wurde gezeigt, daß ein 486er PC viel schneller ist als die anderen drei Transputerimplementierungskonfigura­ tionen. Zusätzlich ist die Verbesserung der Trainings­ leistung von der Verwendung eines Transputers zu der Verwendung von zwei Transputern nicht erheblich (ungefähr 5%). Die schlechteste Trainingsleistung kommt vor, wenn drei Transputer verwendet werden. Sie ist ungefähr drei­ mal langsamer als die des 486er PC. Der Grund für diese langsame Trainingsgeschwindigkeit liegt darin, daß es einen großen Kommunikationsbedarf (communication over­ head) zwischen den Knoten 1 und 2 gibt.

Wie bei der Abweichung (Deviation) der Trainingszeit be­ sitzt der 486er PC eine größere Abweichung (Deviation). Dies kommt daher, daß die Anzahl von Netzwerkrückstel­ lungen (resets) dazu neigt, für spätere Trainingsmuster höher zu sein, was bedeutet, daß mehr Trainingszeit be­ nötigt wird. Jedoch ist die Abweichung (Deviation) für die Transputer nicht so groß wie bei dem 486er PC, weil es beim Training einen Kommunikationsbedarf (communi­ cation overhead) gibt. Daher brauchten spätere Tests länger.

Ein alternatives Ausführungsbeispiel verwendet mehrfache Prozessoren, indem der Zentralrechner bzw. PC und die Transputer parallel arbeiten. Wenn der Zentralrechner bzw. PC die Dateien- und Daten-Eingabe/Ausgabe für das erste Trainingsmuster beendet, fährt er fort, die In­ formation für das nächste Trainingsmuster von dem Ver­ wender zu empfangen, während die Transputer die Daten von dem Zentralrechner bzw. PC empfangen und den Trainings­ prozeß beginnen. Die gesamte Zeitverminderung für Ein­ gabe/Ausgabe und Training bei dieser Technik nach fünf Tests ist ungefähr 12,6% (von 45,02 Sekunden auf 39,35 Sekunden).

Im weiteren wird eine Transputerimplementierung des auf Fuzzy Logic basierenden Hypothesen- und Testverfahrens beschrieben. Wie oben beschrieben wurde, ist der Zweck dieses Verfahrens, eine "tiefe Fehlerentscheidung" (deep fault reasoning) für die Muster durchzuführen, die das Fehlerdiagnosenetzwerk nicht erkennen konnte. Das aus Fuzzy Logic basierende Hypothesen- und Testverfahren erzeugt zuerst beispielsweise sechs Bezugsmuster ba­ sierend auf den gegebenen Lagerparametern, dem Maschi­ nenlaufzustand und der Grundschwingungssignatur (baseline vibration signature) und vergleicht dann diese erzeugten Muster mit der gegebenen unbekannten Schwingungssignatur, um die Ähnlichkeit dazwischen zu bestimmen.

Fig. 12 zeigt Transputerimplementierungen des Hypothesen- und Testverfahrens unter Verwendung eines Transputers und dreier Transputer. Für den Fall der Verwendung eines Transputers wird die Erzeugung und der Vergleich aller sechs Lagerdefekte oder -fehler sequentiell auf einem einzigen Transputer 1110 durchgeführt. Für den Fall der Verwendung von drei Transputern 1110-1130 arbeiten alle Transputer parallel, wobei jeweils einem von ihnen zu­ gewiesen wird, mit zwei Defekt- oder Fehlermustern zu arbeiten. Der Zentralrechner (host computer) 1105 ist verantwortlich für die Eingabe/Ausgabe und die Verwen­ derschnittstelle, sowie für das Schicken von Lagerpara­ metern, dem Maschinenlaufzustand, etc. an die Transpu­ terknoten und für das Empfangen der Ausgaben (d. h. der Ähnlichkeit) von allen drei Transputern 1110-1130.

Es wurde gezeigt, daß der 486er PC schneller ist als ein einziger Transputer. Wenn jedoch die Aufgabe in drei Teile aufgeteilt wird, die von drei Transputern durch­ geführt werden, ist die durchschnittliche Zeitvermin­ derung ungefähr 37% (von 0,60 Sekunden auf 0,38 Se­ kunden). Die Leistung des Hypothesen- und Testverfahrens kann in großem Maße verbessert werden, wenn mehr Defekte oder Fehler in dem Modell umfaßt werden und gleichzeitig mehr Transputer verwendet werden, um das Verfahren aus­ zuführen bzw. zu implementieren.

6. Schlußfolgerung

Mehr und mehr Herstellungsfirmen übernehmen heute vor­ aussagende Wartung in ihre Wartungsprogramme. Das hier präsentierte Fehlerdiagnosesystem sieht ein effektives Voraussagen des Wartungsprogramms vor. Mit seiner Fähig­ keit zum Durchführen robuster Fehlerdiagnose on-line ist das System in der Lage, Maschinenstandzeiten und Kosten dramatisch zu vermindern.

Während die Erfindung besonders gezeigt und beschrieben wurde mit Bezug auf bevorzugte Ausführungsbeispiele da­ von, ist es für den Fachmann verständlich, daß verschie­ dene Änderungen bezüglich Form und Einzelheiten darin durchgeführt werden können, ohne von dem Bereich der Er­ findung abzuweichen.

Zusammenfassend sieht die Erfindung also ein zuverläs­ siges Maschinenfehlerdiagnosesystem vor, um bei der Gewährleistung einer effektiven Ausrüstungs- bzw. Maschinenwartung zu helfen. Mehrere verschiedene Technologien werden integriert, um die Vielseitigkeit und Zuverlässigkeit des Fehlerdiagnosesystems zu erhöhen. Die Haupttechnik, die zur Fehlerdiagnose verwendet wird, ist ein Fehlerdiagnosenetzwerk (FDN), das auf einer modifi­ zierten ARTMAP-Neuralnetzwerkarchitektur basiert. Es wird offenbart, daß ein Hypothesen- und Testverfahren, das auf Fuzzy Logic und gegenständlichen Lagermodellen basiert, mit dem FDN arbeitet zum Detektieren von Fehlern, die von dem FDN nicht erkannt werden können, und zum Analysieren komplexer Maschinenzustände. Das hier beschriebene Ver­ fahren ist in der Lage, eine genaue Fehlerdiagnose sowohl für einen als auch für mehrfache Fehlerzustände vorzu­ sehen. Ferner wird eine parallele Verarbeitungstechnik auf Transputerbasis verwendet, bei der das FDN in einem Netzwerk von vier T800-25-Transputern implementiert oder ausgeführt ist.

Anhang A: Physische oder physikalische bzw. gegenständliche Lagermodelle

Nachfolgend ist eine Liste theoretischer Gleichungen zur Berechnung von Lagerfehler- oder -defekt-Schwingungs­ signalfrequenzen angegeben (siehe S. Braun, Mechanical Signature Analysis: Theory and Applications, Academic Press, London, 1986; J. Sandy, "Monitoring and Diagnostics for Rolling Element Bearings", Sound and Vibration, Juni 1986, S. 16-20):

wobei
N = Wellendrehzahl (UPM)
n = Anzahl drehender Elemente
d = rollender bzw. drehender Elementdurchmesser (rolling element diameter)
D = Wälzdurchmesser des Lagers (zur Rollen- oder Walzenmitte) (bearing pitch diameter (to roller center))
α = Kontaktwinkel
f_ir = Innenlaufringdefekt (inner race defect)
f_or = Außenlaufringdefekt (outer race defect)
f_c = Käfig- oder Gehäusedefekt (cage defect)
f_rs = Rollen- oder Walzendrehung bzw. -spin (roller spin)
f_m = Fehlausrichtung
f_im = Wellenunausgeglichenheit bzw. -unwucht (shaft imbalance)

Claims (28)

1. Fehlerdiagnosesystem (400), das folgendes aufweist:

• (a) ein Datenerfassungsmodul (410), das Sensor­ signale sammelt;
• (b) ein Diagnosemodul (420), das mit dem Daten­ erfassungsmodul (410) verbunden ist und das Detektieren und die Diagnose für eine gegen­ ständliche Maschine oder einen Prozeß on-line durchführt und Empfehlungen bezüglich der Fehler­ detektierung und der Fehlerdiagnose liefert; und
• (c) ein Maschinenmodellmodul (430), das mit dem Diagnosemodul (420) verbunden ist und ein gegen­ ständliches Modell vorsieht zum Identifizieren von Fehlerzuständen, die von dem Diagnosemodul (420) nicht diagnostiziert werden können.

2. Fehlerdiagnosesystem gemäß Anspruch 1, wobei das Da­ tenerfassungsmodul (410) eine Vielzahl von Sensoren umfaßt, die jeweils zur Echtzeitdatenerfassung in der Lage sind.

3. Fehlerdiagnosesystem gemäß einem oder mehreren der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 1, wobei das Diagnosemodul (420) ein Parametermodellmodul (310), ein modifiziertes ARTMAP-Neuralnetzwerk (200), ein Fuzzy-Logic-Modul (940) und ein Expertensystem umfaßt.

4. Fehlerdiagnosesystem gemäß einem oder mehreren der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 3, wobei das Maschinenmodellmodul (430) gegenständliche Modelle für Lager und Zahnräder bzw. Getriebe umfaßt und Daten liefert für vorläufiges Training des modifizierten ARTMAP-Neutralnetzwerks (200).

5. Fehlerdiagnosesystem gemäß einem oder mehreren der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 1, wobei das Datenerfassungsmodul (410) Mittel (320) zum Vorverarbeiten der Sensorsignale umfaßt unter Verwendung eines autoregressiven Modells.

6. Fehlerdiagnosesystem gemäß einem oder mehreren der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 1, wobei das Diagnosemodul (420) Detek­ tierungsmittel zur Durchführung der Fehlerdetek­ tierung aufweist, die das Detektieren abnormaler Zustände in der gegenständlichen Maschine oder dem Prozeß umfaßt, durch Verwendung einer Gesamt- Quadratmittelwert-Messung (RMS), und einer Ko­ varianzstatistik eines Verfahrens mit exponentiell gewichtetem gleitendem Durchschnitt (EWMA), wobei eine Kontrollgrenze für den RMS und den EWMA gesetzt ist, und wenn die Sensorzustände die Kontrollgrenze überschreiten, dann ist ein abnormaler Zustand vorhanden.

7. Fehlerdiagnosesystem gemäß einem oder mehreren der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 1, wobei das Diagnosemodul (420) Identifizierungsmittel aufweist zum Durchführen einer Fehleridentifizierung basierend auf einer Entscheidungstechnik auf Modellbasis (model-based reasoning), die Fuzzy-Logic-Verfahren bzw. -Methodenlehre umfaßt.

8. Fehlerdiagnosesystem gemäß einem oder mehreren der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 1, wobei das Diagnosemodul (420) ein Expertensystem umfaßt, das eine Fehlerbestätigung durchführt und das Empfehlungen bezüglich der detektierten Fehler an einen Verwender liefert.

9. Fehlerdiagnosesystem gemäß einem oder mehreren der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 1, wobei das Diagnosemodul (420) und das Maschinenmodellmodul (430) in einem Transputer­ netzwerk implementiert sind.

10. Fehlerdiagnosesystem gemäß einem oder mehreren der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 1, wobei die Sensorsignale Vibrations- oder Schwingungssignale, Drucksignale und/oder Temperatursignale von der gegenständlichen Maschine oder dem Prozeß umfassen.

11. Fehlerdiagnosesystem gemäß einem oder mehreren der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 1, wobei das Diagnosemodul (420) ein Fehlerdiagnosenetzwerk (200) aufweist, das folgendes umfaßt:

• (a) ein ART-Modul (110, 120), das ein Eingabemuster annimmt bzw. akzeptiert, wobei das ART-Modul (110, 120) eine erste Lage oder Ebene (F₁) und eine zweite Lage oder Ebene (F₂) besitzt und so konfiguriert ist, daß es einen ersten Vigilanz- oder Wachsamkeitstest (140) durchführt und eine Erkennungskategorie erzeugt; und
• (b) ein Kartenfeld (map field) (130, 230), das mit dem ART-Modul (110, 120) und einem Zielausgabemuster (220) verbunden ist, wobei das Kartenfeldmapping zwischen der Erkennungskategorie und dem Zielaus­ gabemuster (220) durchführt und die Durchführung eines zweiten Vigilanz- oder Wachsamkeitstests (250) auslöst;

wobei der zweite Vigilanz- oder Wachsamkeitstest (250) die Nähe bzw. Übereinstimmung zwischen dem Zielausgabemuster (220) und der Erkennungskategorie bestimmt.

12. Fehlerdiagnosesystem gemäß einem oder mehreren der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 11, wobei die erste Lage oder Ebene (F₁) drei Ebenen aufweist, die jeweils folgendes umfassen:
Mittel zum Durchführen einer Integration von Ein­ gaben innerhalb eines Felds (intrafield) und zwi­ schen Feldern (interfield), um ein integriertes Ak­ tivierungssignal zu erzeugen; und
Mittel zum Durchführen der Normalisierung des integrierten Aktivierungssignals.

13. Fehlerdiagnosesystem gemäß einem oder mehreren der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 11, wobei das ART-Modul (110, 120) ein ART2-Netzwerk ist, das binäre oder analoge Eingabemuster annehmen bzw. akzeptieren kann.

14. Fehlerdiagnosesystem gemäß einem oder mehreren der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 11, wobei das Zielausgabemuster (220) ein Binärvektor ist, wobei jeder Knoten des Binärvektors einen bestimmten Maschinen- oder Prozeßzustand entspricht.

15. Fehlerdiagosesystem gemäß einem oder mehreren der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 11, wobei das Fehlerdiagnosesystem (200) ferner Parametermittel (310) aufweist zum Einpassen eines rohen Vibrations- oder Schwingungssignals, das von einer Maschine gesammelt wurde, unter Berück­ sichtigung eines vorbestimmten Parametermodells, wobei die Parametermittel (310) einen Parameter erzeugen.

16. Fehlerdiagnosesystem gemäß einem oder mehreren der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 15, wobei das Fehlerdiagnosesystem (200) ferner ein Normalisierungsmodul (320) aufweist, das mit den Parametermitteln (310) verbunden ist und bedeutungsvolle Negativwerte von dem Parameter entfernt.

17. Fehlerdiagnosesystem gemäß einem oder mehreren der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 16, wobei das Normalisierungsmodul (320) folgendes aufweist:

• (1) Mittel zum Aufteilen des Parameters in einen negativen Teil und einen positiven Teil;
• (2) Mittel zum Skalieren des negativen Teils und des positiven Teils durch Teilen des Parameters durch einen maximalen Parameterwert.

18. Fehlerdiagnosesystem gemäß einem oder mehreren der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 11, wobei jeder Knoten der zweiten Lage oder Ebene (F₂) einem bestimmten Fehlerzustand entspricht.

19. Fehlerdiagnosesystem gemäß einem oder mehreren der vorhergehenden Ansprüche, insbesondere gemäß Anspruch 1, wobei das Maschinenmodellmodul (430) ferner einen tiefen Fehlerentscheidungsmechanismus (deep fault reasoning) aufweist, um komplexe oder mehrfache Fehlerzustände zu identifizieren.

20. Verfahren zur Diagnose einer gegenständlichen Ma­ schine oder eines Prozesses, wobei das Verfahren die folgenden Schritte aufweist:

• (1) Auffassen eines ersten Datensatzes von der ge­ genständlichen Maschine oder dem Prozeß;
• (2) Vorverarbeiten der erfaßten Daten unter Ver­ wendung eines autoregressiven Modells, wobei das Vorverarbeiten einen autoregressiven Parameter erzeugt; und
• (3) Detektieren abnormaler Zustände in dem auto­ regressiven Parameter unter Verwendung einer Gesamt- Quadratmittelwert-Messung (RMS) und einer Kovarianz­ statistik eines exponentiell gewichteten gleitenden Durchschnitts (EWMA), wobei dann, wenn ein abnorma­ ler Zutand detektiert wird,
  • (a) identifiziert wird, ob die gegenständliche Ma­ schine der der Prozeß einen Fehler aufweist, ein­ schließlich
    • (i) Bestimmen einer Hypothese mit Hilfe eines Fehlerdiagnosenetzwerks, und, wenn das Fehler­ diagnosenetzwerk keine Hypothese erzeugen kann, dann
    • (ii) Bestimmen einer Hypothese mit Hilfe einer Entscheidungstechnik auf Modellbasis (model­ based reasoning), wobei die Entscheidungstechnik auf Modellbasis Fuzzy Logic verwendet; und
  • (b) Liefern des identifizierbaren Fehlers an ein Fehlerentscheidungsexpertensystem mit einer Wis­ sensbasis mit einem Satz bzw. einer Menge von Re­ geln, wobei das Fehlerentscheidungsexpertensystem den identifizierbaren Fehler anhand der Regeln überprüft.

21. Verfahren gemäß Anspruch 20, wobei der Schritt (3) die folgenden Schritte aufweist: Vorsehen einer An­ zeige an den Verwender, daß die Maschine oder der Prozeß in einer normalen Weise, in einer möglicher­ weise problematischen Weise oder in einer gefährli­ chen Weise arbeitet.

22. Verfahren gemäß Anspruch 20 oder 21, wobei das Fehlerentscheidungsexpertensystem auch den identifi­ zierbaren Fehler anhand einer Schadens- und Reparaturgeschichte und Maschinengebrauchs­ information überprüft.

23. Verfahren gemäß einem der Ansprüche 20-22, wobei das Verfahren ferner den folgenden Schritt aufweist:
Anzeigen des identifizierbaren Fehlers zusammen mit Empfehlungen über eine Verwenderschnittstelle.

24. Verfahren gemäß einem der Ansprüche 20-23, wobei das Verfahren ferner die folgenden Schritte aufweist:
Vorverarbeiten des zweiten erfaßten Datensatzes unter Verwendung eines autoregressiven Modells, wobei das Vorverarbeiten einen autoregressiven Parameter erzeugt und Normalisieren des auto­ regressiven Parameters.

25. Verfahren einem der Ansprüche 20-24, wobei das Verfahren ferner den folgenden Schritt aufweist:
Erfassen eines zweiten Datensatzes von der gegen­ ständlichen Maschine oder dem Prozeß vor dem Schritt 3(a).

26. Verfahren zur Diagnose einer gegenständlichen Ma­ schine oder eines Prozesses, wobei das Verfahren die folgenden Schritte aufweist:

• (1) Erfassen eines Datensatzes von der gegenständ­ lichen Maschine oder dem Prozeß; und
• (2) Identifizieren, ob die gegenständliche Maschine oder der Prozeß einen Fehler aufweist, und zwar einschließlich der folgenden Schritte:
  • (i) Bestimmen einer Hypothese mit Hilfe eines Feh­ lerdiagnosenetzwerks, und, wenn das Fehlerdiagno­ senetzwerk keine Hypothese erzeugen kann, dann
  • (ii) Bestimmen einer Hypothese mit Hilfe einer Entscheidungstechnik auf Modellbasis (model-based­ reasoning), wobei die Entscheidungstechnik auf Mo­ dellbasis Fuzzy Logic verwendet.

27. Verfahren gemäß Anspruch 26, wobei das Verfahren ferner den folgenden Schritt aufweist: Liefern des identifizierbaren Fehlers an ein Fehlerentschei­ dungsexpertensystem mit einer Wissensbasis mit einem Satz bzw. einer Länge von Regeln, wobei das Fehler­ entscheidungsexpertensystem den identifizierbaren Fehler anhand der Regeln überprüft.