DE4447288A1 - Maschinenfehlerdiagnosesystem und -verfahren - Google Patents
Maschinenfehlerdiagnosesystem und -verfahrenInfo
- Publication number
- DE4447288A1 DE4447288A1 DE4447288A DE4447288A DE4447288A1 DE 4447288 A1 DE4447288 A1 DE 4447288A1 DE 4447288 A DE4447288 A DE 4447288A DE 4447288 A DE4447288 A DE 4447288A DE 4447288 A1 DE4447288 A1 DE 4447288A1
- Authority
- DE
- Germany
- Prior art keywords
- machine
- module
- fault diagnosis
- network
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title description 40
- 238000003745 diagnosis Methods 0.000 claims abstract description 107
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims description 204
- 230000008569 process Effects 0.000 claims description 69
- 239000013598 vector Substances 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 33
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 26
- 230000006378 damage Effects 0.000 claims description 18
- 230000010354 integration Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000010355 oscillation Effects 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000001373 regressive effect Effects 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 2
- 102100024405 GPI-linked NAD(P)(+)-arginine ADP-ribosyltransferase 1 Human genes 0.000 claims 1
- 101000981252 Homo sapiens GPI-linked NAD(P)(+)-arginine ADP-ribosyltransferase 1 Proteins 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 26
- 238000005516 engineering process Methods 0.000 abstract description 24
- 238000012423 maintenance Methods 0.000 description 41
- 238000004458 analytical method Methods 0.000 description 25
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 22
- 238000004519 manufacturing process Methods 0.000 description 20
- 230000007547 defect Effects 0.000 description 19
- 238000010998 test method Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- 230000004927 fusion Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000006854 communication Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 9
- 238000013459 approach Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000002405 diagnostic procedure Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 7
- 238000010183 spectrum analysis Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 241001123248 Arma Species 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000003909 pattern recognition Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000001845 vibrational spectrum Methods 0.000 description 5
- 230000003449 preventive effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 101100045694 Caenorhabditis elegans art-1 gene Proteins 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000036626 alertness Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 241000428352 Amma Species 0.000 description 1
- 241000331231 Amorphocerini gen. n. 1 DAD-2008 Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000002177 Cataract Diseases 0.000 description 1
- 102100023774 Cold-inducible RNA-binding protein Human genes 0.000 description 1
- 101000906744 Homo sapiens Cold-inducible RNA-binding protein Proteins 0.000 description 1
- 241001397173 Kali <angiosperm> Species 0.000 description 1
- 235000010678 Paulownia tomentosa Nutrition 0.000 description 1
- 240000002834 Paulownia tomentosa Species 0.000 description 1
- 241000033695 Sige Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000010397 one-hybrid screening Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/043—Analysing solids in the interior, e.g. by shear waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/449—Statistical methods not provided for in G01N29/4409, e.g. averaging, smoothing and interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/025—Change of phase or condition
- G01N2291/0258—Structural degradation, e.g. fatigue of composites, ageing of oils
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33027—Artificial neural network controller
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33303—Expert system for diagnostic, monitoring use of tree and probability
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34065—Fuzzy logic, controller
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/903—Control
- Y10S706/904—Manufacturing or machine, e.g. agricultural machinery, machine tool
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/911—Nonmedical diagnostics
- Y10S706/912—Manufacturing or machine, e.g. agricultural machinery, machine tool
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Manufacturing & Machinery (AREA)
- Acoustics & Sound (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Description
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.
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.
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.
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.
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 (ARTa 110 und ARTb 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 ARTa-Erkennungskategorien in ARTb-Erkennungs
kategorien sowie einhergehendes Verfolgen des ARTa-
Vigilanz- bzw. -Wachsamkeitsparameters 140 (ρ′). Der
Vigilanzparameter 140 bestimmt die Nähe bzw. Überein
stimmung zwischen der ARTa-Erkennungskategorie und der
ARTb-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.
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 yt
t = a₁yt-1 + a₂yt-2 + . . . apyt-p (1)
ist, und p ist die Anzahl autoregressiver Parameter in
dem Modell.
Ein autoregressiver Prozeß wird durch eine
Differenzgleichung in der Form dargestellt bzw.
repräsentiert:
wobei X(n) die echte Zufallsfolge Φi, 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.
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 tth-
Normalwert ist als der (t-3/8)/(n+1/4)-Prozentpunkt
der Standardnormalverteilung definiert. Mit normal
verteilten Daten sollte eine Darstellung des tth
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.
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).
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.
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 xρ[n] und der lineare Vorhersage
koeffizientenvektor aρ 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).
Die Kontrollstatistik des exponentiell gewichteten
gleitenden Durchschnitts (EWMA) ist wie folgt definiert:
wobei EWMA₀ = 0,
EWMA₁ = vorhergesagter EWMA-Wert zur Zeit t (neuer EWMA), EWMAt-1 = vorhergesagter EWMA-Wert zur Zeit t-1 (alter EWMA)
In [ρfb 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.
EWMA₁ = vorhergesagter EWMA-Wert zur Zeit t (neuer EWMA), EWMAt-1 = vorhergesagter EWMA-Wert zur Zeit t-1 (alter EWMA)
In [ρfb 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.
Der EWMA kann wie folgt beschrieben werden:
wobei wi die Gewichte sind und wi = 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 yt. Wenn andererseits λ sich 0 nähert, hat
die zuletzt gemachte Beobachtung ein geringes Gewicht und
die vorherigen Beobachtungen besitzen fast gleiche
Gewichte.
Die obere Kontrollgrenze (upper control limit) für die
EWMA-Statistik ist
UCL = µρfb + 4 σρfb (15)
wobei
und n = Anzahl von Datensätzen, die anfangs bei einem
normalen Maschinenzustand gesammelt wurden.
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(ρfb) 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(ρfb)). 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).
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
(Φi1), Parameter zweiter Ordnung (Φi2) bis zu Parametern
p-ter Ordnung (Φip) 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 ρfb 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 ρfb-Werte.
Wenn der ρfb-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.
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 µp fb-4σρ fb für die
untere Grenze und von µρ fb+4σρ fb für die obere Grenze,
wobei µp 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 µρ 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
EWMAt = max{(1-λ)EWMAt-1 + λlnρ fb normalized, 0}
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.
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.
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
σE = 0,3838
Φ₂ = -1,7289
Φ₃ = 0,8364
θ₁ = -1,0300
θ₂ = -0,7562
σE = 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 (Tji) und "unten-hoch"-Gewichte (Bÿ)
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.
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.
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.
Xt = Φ₁ Xt-1 + Φ₂Xt-2+ . . . + ΦpXt-p + Et (19)
wobei Xt = Zeitfolge, Φi = die AR-Parameter, p = die
Ordnung des AR-Modells, Et = Restfehler (residuals) mit
NID (0, σE²).
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 ôp² 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.
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.
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.
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;
wi = xi = vi = ui = qi = pi = 0; und
Menge (set) a, b, c, d, e, θ und p.
0iN-1, wobei N die Dimension des Eingabevektors 210 ist;
0jM-1, wobei M die Anzahl von F₂-Knoten ist;
wi = xi = vi = ui = qi = pi = 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 wi die Integration eines Eingabevektors Ii inner
halb eines Feldes (intrafield input vector wi) und des
Rückkopplungssignals auf zwischen Feldern (interfield
feedback signal aui), d. h.
Wi = Ii + aui (24)
wobei i der i-te Knoten an der F₁-Lage oder -Ebene 230
ist und a ist eine Konstante. Sobald der Vektor wi
erhalten wurde, kann er durch die folgende Gleichung
normalisiert werden, um xi 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 Tji 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 Bÿ), 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 Bÿ 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 (Bÿ) und die "oben
runter" -Gewichte (Tji) gemäß den folgenden Gleichungen
angepaßt:
Bÿ*(t+1) = d [pi-Bÿ*(t)] (35)
Tj*i(t+1) = d [pi-Tj*i(t)] (36)
Tj*i(t+1) = d [pi-Tj*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 (wjk) 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 = ωj* (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 (Tji) und die "unten-hoch"-Gewichte (Bÿ) 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:
ωj*k = Yk (39)
Der Schritt des Aktualisierens der der "oben-runter"-
Gewichte (Tji) und "unten-hoch"-Gewichte (Bÿ) 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:
wj*k = 0 (42)
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.
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
Xi und Xj 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.
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.
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.
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 (Bÿ)) und "oben-runter"-Gewichten
(top-down weights (Tji)). 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.
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.
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
fir = Innenlaufringdefekt (inner race defect)
for = Außenlaufringdefekt (outer race defect)
fc = Käfig- oder Gehäusedefekt (cage defect)
frs = Rollen- oder Walzendrehung bzw. -spin (roller spin)
fm = Fehlausrichtung
fim = Wellenunausgeglichenheit bzw. -unwucht (shaft imbalance)
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
fir = Innenlaufringdefekt (inner race defect)
for = Außenlaufringdefekt (outer race defect)
fc = Käfig- oder Gehäusedefekt (cage defect)
frs = Rollen- oder Walzendrehung bzw. -spin (roller spin)
fm = Fehlausrichtung
fim = 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.
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.
- (a) identifiziert wird, ob die gegenständliche Ma
schine der der Prozeß einen Fehler aufweist, ein
schließlich
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.
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.
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).
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.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US08/176,482 US5566092A (en) | 1993-12-30 | 1993-12-30 | Machine fault diagnostics system and method |
US08/176,482 | 1993-12-30 |
Publications (2)
Publication Number | Publication Date |
---|---|
DE4447288A1 true DE4447288A1 (de) | 1995-07-06 |
DE4447288B4 DE4447288B4 (de) | 2007-10-11 |
Family
ID=22644530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE4447288A Expired - Fee Related DE4447288B4 (de) | 1993-12-30 | 1994-12-30 | Maschinenfehlerdiagnosesystem und -verfahren |
Country Status (4)
Country | Link |
---|---|
US (1) | US5566092A (de) |
JP (1) | JPH07209143A (de) |
DE (1) | DE4447288B4 (de) |
FR (1) | FR2714750B1 (de) |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0768584A1 (de) * | 1995-10-10 | 1997-04-16 | Carl Schenck Ag | Verfahren zur Überwachung einer Maschine oder Anlage |
DE19732046A1 (de) * | 1997-07-25 | 1999-01-28 | Abb Patent Gmbh | Prozeßdiagnosesystem und Verfahren zur Diagnose von Vorgängen und Zuständen eines technischen Prozesses |
DE19903233A1 (de) * | 1999-01-27 | 2000-08-10 | Hrch Huppmann Gmbh | Brauereianlage mit akustischer Überwachung |
DE10034524A1 (de) * | 2000-07-15 | 2002-01-24 | Volkswagen Ag | Verfahren und Vorrichtung zur Erkennung einer unfallbedingten Verformung mindestens eines Bauteils eines Kraftfahrzeugs |
DE10036971A1 (de) * | 2000-07-28 | 2002-02-28 | Siemens Ag | Verfahren zur Ferndiagnose eines technologischen Prozesses |
DE10126251A1 (de) * | 2001-05-29 | 2003-01-23 | Buehler Ag | Online-Prozessüberwachung und Online-Prozessmodelierung |
DE10210565A1 (de) * | 2002-03-09 | 2003-09-18 | Abb Research Ltd | System und Verfahren zur Vorhersage von Störungsauswirkungen |
DE10225343A1 (de) * | 2002-06-06 | 2003-12-18 | Abb Research Ltd | Verfahren zur Erkennung von Ausreißern in einer Folge von digitalisierten Messwerten |
EP1394759A2 (de) * | 2002-08-23 | 2004-03-03 | Link Systemtechnik GmbH | Stör- und/oder Zustandsanalyse |
DE102004028559A1 (de) * | 2004-06-15 | 2006-01-05 | Abb Patent Gmbh | Verfahren und System zur Verschleißabschätzung von Achsen eines Roboterarmes |
DE102004028565A1 (de) * | 2004-06-15 | 2006-01-05 | Abb Patent Gmbh | Verfahren und System zur Ermittlung eines Wartungsbedarfs |
WO2007024203A2 (en) * | 2004-06-09 | 2007-03-01 | Polaroid Corporation | System and method for determining maintenance needs of complex electromechanical systems |
EP1913506A2 (de) * | 2005-07-11 | 2008-04-23 | Brooks Automation, Inc. | Intelligente zustandsüberwachung und fehlerdiagnosesystem für prädiktive wartung |
WO2008052711A1 (de) * | 2006-10-28 | 2008-05-08 | Abb Technology Ag | Verfahren zur vorausschauenden ermittlung einer prozessgrösse |
DE102009027269A1 (de) | 2009-06-29 | 2010-12-30 | Trumpf Werkzeugmaschinen Gmbh + Co. Kg | System und Verfahren zur Überwachung des Zustands einer Maschine |
DE102010013885A1 (de) * | 2010-03-30 | 2011-10-06 | Khs Gmbh | Mobile Wartungseinheit |
WO2012076427A1 (de) * | 2010-12-09 | 2012-06-14 | Basf Se | Verfahren und vorrichtung zur modellbasierten überwachung einer turbomaschine |
WO2012143252A1 (de) * | 2011-04-18 | 2012-10-26 | Krones Ag | Verfahren zum betreiben einer behältnisbehandlungsanlage mit störungsdiagnose |
CN102937534A (zh) * | 2012-11-26 | 2013-02-20 | 北京信息科技大学 | 一种基于组合预测模型对机电设备的故障预测方法 |
WO2015090698A1 (de) * | 2013-12-16 | 2015-06-25 | Siemens Aktiengesellschaft | Vorrichtung sowie verfahren zum erfassen des aktuellen schädigungszustandes einer maschine |
AT517886A1 (de) * | 2015-11-05 | 2017-05-15 | Engel Austria Gmbh | Vorrichtung zum Überprüfen eines Zustandes eines Maschinenteils |
EP3238887A3 (de) * | 2016-04-18 | 2017-11-15 | Toyota Jidosha Kabushiki Kaisha | Vorrichtung zur feststellung von anomalien und verfahren zur feststellung von anomalien |
WO2018050438A3 (de) * | 2016-09-13 | 2018-05-31 | Primetals Technologies Germany Gmbh | Verwendung umfassender künstlicher intelligenz bei anlagen der grundstoffindustrie |
CN109271697A (zh) * | 2018-09-10 | 2019-01-25 | 云南省红河州水利水电勘察设计研究院 | 基于VBA处理AutoCAD中断面数据处理系统及方法、计算机程序 |
DE102018210520B3 (de) | 2018-06-27 | 2019-09-05 | Kuka Deutschland Gmbh | Verfahren und System zur Diagnose eines Maschinenprozesses |
CN110412997A (zh) * | 2019-07-22 | 2019-11-05 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于神经网络的航天器姿控喷管故障智能诊断系统及方法 |
DE102019116139A1 (de) * | 2019-06-13 | 2020-12-17 | Endress+Hauser Group Services Ag | Verfahren zum Überprüfen des Produktionsprozesses von Feldgeräten mittels eines Machine-Learning-, bzw. Prognosesystems |
CN112534370A (zh) * | 2018-08-12 | 2021-03-19 | 斯凯孚人工智能有限公司 | 用于预测工业机器故障的系统和方法 |
DE102020101008B3 (de) * | 2019-10-25 | 2021-04-29 | Computational Systems, Inc. | Verfahren und vorrichtung zur maschinenüberwachung mit kontinuierlicher verbesserung einer vorausschauenden wartungsdatenbank |
DE102020111674A1 (de) | 2020-04-29 | 2021-11-04 | Krones Aktiengesellschaft | Behälterbehandlungsmaschine und Verfahren zum Überwachen des Betriebs einer Behälterbehandlungsmaschine |
DE102020205895A1 (de) | 2020-05-11 | 2021-11-11 | Iba Ag | Verfahren sowie Vorrichtung zur automatischen Überwachung eines zyklischen Prozesses |
CN113696454A (zh) * | 2021-10-28 | 2021-11-26 | 南通三信塑胶装备科技股份有限公司 | 一种基于人工智能的挤塑设备故障预警方法及系统 |
CN114252250A (zh) * | 2021-12-09 | 2022-03-29 | 郑州恩普特科技股份有限公司 | 一种基于部件分解的机械故障诊断方法 |
US11448567B2 (en) * | 2016-05-06 | 2022-09-20 | Dana Italia S.R.L. | Sensor system for monitoring a vehicle axle and for discriminating between a plurality of axle failure modes |
DE102021109399A1 (de) | 2021-04-14 | 2022-10-20 | Pilz Gmbh & Co. Kg | Vorrichtung und Verfahren zur Identifizierung von Veränderungen an einer Maschinenanordnung |
WO2022233724A1 (de) * | 2021-05-06 | 2022-11-10 | Liebherr-Components Biberach Gmbh | Vorrichtung zum bestimmen des ist-zustands und/oder der restlebensdauer von strukturbauteilen einer arbeitsmaschine |
US20230121897A1 (en) * | 2021-10-20 | 2023-04-20 | Oracle International Corporation | Autonomous discrimination of operation vibration signals |
DE102018111892B4 (de) | 2017-05-22 | 2023-06-29 | Okuma Corporation | Betriebsüberwachungsvorrichtung und Steuerprogramm dafür |
DE102022102379A1 (de) | 2022-02-02 | 2023-08-03 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Betreiben einer Anlage für eine Serienherstellung von Bauteilen, Computerprogramm und Datenträger |
DE102022108584A1 (de) | 2022-04-08 | 2023-10-12 | Krones Aktiengesellschaft | Verfahren und Vorrichtung zur automatischen Ermittlung eines aktuellen Zustands einer in Betrieb befindlichen Anlage |
WO2024051977A1 (de) * | 2022-09-06 | 2024-03-14 | Krones Aktiengesellschaft | Verfahren und steuerungseinheit zur steuerung von prozessen bei der handhabung von artikeln |
DE102023105820B3 (de) | 2023-03-09 | 2024-05-29 | Perma-Tec Gmbh & Co. Kg | Verfahren zur Bestimmung und/oder Überwachung des Zustandes eines Schmierstoffspenders |
Families Citing this family (386)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2721123B1 (fr) * | 1994-06-08 | 1996-09-06 | Digilog | Procédé et système pour l'estimation optimale non linéaire des processus dynamique en temps réel. |
JP3058564B2 (ja) * | 1994-07-14 | 2000-07-04 | 東京電力株式会社 | 送電線故障区間及び故障様相の評定方法 |
US5864773A (en) * | 1995-11-03 | 1999-01-26 | Texas Instruments Incorporated | Virtual sensor based monitoring and fault detection/classification system and method for semiconductor processing equipment |
US5806011A (en) * | 1995-12-04 | 1998-09-08 | General Electric Company | Method and apparatus for performance based assessment of locomotive diesel engines |
US5943634A (en) * | 1996-05-14 | 1999-08-24 | Csi Technology, Inc. | Vibration data analysis based on time waveform parameters |
US6172966B1 (en) * | 1996-05-15 | 2001-01-09 | Dassault Electronique | Diagnosis of networks of components, with stripwise modeling |
DE69718714T2 (de) * | 1996-06-28 | 2003-11-06 | Siemens Corp Res Inc | Fehlererfassung während des Betriebes von elektrischer Gerätschaft |
US6041287A (en) * | 1996-11-07 | 2000-03-21 | Reliance Electric Industrial Company | System architecture for on-line machine diagnostics |
US5854993A (en) * | 1996-12-10 | 1998-12-29 | Caterpillar Inc. | Component machine testing using neural network processed vibration data analysis |
DE19707173C5 (de) * | 1997-02-22 | 2006-06-14 | Voith Siemens Hydro Power Generation Gmbh & Co. Kg | Maschinendiagnosesystem und Verfahren zur zustandsorientierten Betriebsüberwachung einer Maschine |
US6027239A (en) * | 1997-04-30 | 2000-02-22 | Endevco Corporation | On-board engine trim balance display and interface |
EP0881572B1 (de) * | 1997-05-28 | 2001-10-10 | Agilent Technologies, Inc. (a Delaware corporation) | Permanente Fehlerüberwachung in komplexen Systemen |
US6073262A (en) * | 1997-05-30 | 2000-06-06 | United Technologies Corporation | Method and apparatus for estimating an actual magnitude of a physical parameter on the basis of three or more redundant signals |
US5933818A (en) * | 1997-06-02 | 1999-08-03 | Electronic Data Systems Corporation | Autonomous knowledge discovery system and method |
US6260427B1 (en) | 1997-07-28 | 2001-07-17 | Tri-Way Machine Ltd. | Diagnostic rule tool condition monitoring system |
US6308138B1 (en) * | 1997-07-28 | 2001-10-23 | Tri-Way Machine Ltd. | Diagnostic rule base tool condition monitoring system |
US5995887A (en) * | 1997-10-06 | 1999-11-30 | Ford Global Technologies, Inc. | Apparatus and method for determining a failure of an automatic transmission fluid temperature sensor |
FI107312B (fi) * | 1997-10-14 | 2001-06-29 | Nokia Networks Oy | Verkonvalvontamenetelmä tietoliikenneverkkoa varten |
US6240372B1 (en) * | 1997-11-14 | 2001-05-29 | Arch Development Corporation | System for surveillance of spectral signals |
DE19755133A1 (de) * | 1997-12-11 | 1999-06-24 | Siemens Ag | Verfahren zur Überwachung von Bearbeitungsanlagen |
US6260004B1 (en) | 1997-12-31 | 2001-07-10 | Innovation Management Group, Inc. | Method and apparatus for diagnosing a pump system |
DE19805061A1 (de) * | 1998-02-10 | 1999-08-19 | Univ Hannover | Prozeßgüte-Überwachungssystem |
DE19808197C2 (de) * | 1998-02-27 | 2001-08-09 | Mtu Aero Engines Gmbh | System und Verfahren zur Diagnose von Triebwerkszuständen |
US6241435B1 (en) * | 1998-03-25 | 2001-06-05 | Vought Aircraft Industries, Inc. | Universal adaptive machining chatter control fixture |
US6192490B1 (en) * | 1998-04-10 | 2001-02-20 | International Business Machines Corporation | Method and system for monitoring computer performance utilizing sound diagnostics |
US7024335B1 (en) * | 1998-04-15 | 2006-04-04 | The Texas A&M University System | Condition assessment and life expectancy prediction for devices |
DE59906108D1 (de) * | 1998-04-17 | 2003-07-31 | Siemens Ag | Akustisches diagnosesystem und -verfahren |
US6490500B1 (en) | 1998-06-01 | 2002-12-03 | Paradyne | Visual drag diagnostic apparatus and method |
US6549932B1 (en) | 1998-06-03 | 2003-04-15 | International Business Machines Corporation | System, method and computer program product for discovery in a distributed computing environment |
US6128543A (en) * | 1998-06-24 | 2000-10-03 | Hitchner; Jim | Method and apparatus for collecting manufacturing equipment downtime data |
US5965819A (en) * | 1998-07-06 | 1999-10-12 | Csi Technology | Parallel processing in a vibration analyzer |
FI112972B (fi) * | 1998-07-15 | 2004-02-13 | Abb Research Ltd | Laakerin kunnon arviointi |
US6507790B1 (en) * | 1998-07-15 | 2003-01-14 | Horton, Inc. | Acoustic monitor |
US6192325B1 (en) * | 1998-09-15 | 2001-02-20 | Csi Technology, Inc. | Method and apparatus for establishing a predictive maintenance database |
US6466840B1 (en) * | 1998-11-03 | 2002-10-15 | The Minster Machine Company | Detailed die process severity analysis and optimization methodology |
US6526163B1 (en) * | 1998-11-23 | 2003-02-25 | G.E. Diasonics Ltd. | Ultrasound system with parallel processing architecture |
US6301572B1 (en) * | 1998-12-02 | 2001-10-09 | Lockheed Martin Corporation | Neural network based analysis system for vibration analysis and condition monitoring |
US6240343B1 (en) | 1998-12-28 | 2001-05-29 | Caterpillar Inc. | Apparatus and method for diagnosing an engine using computer based models in combination with a neural network |
EP1022632A1 (de) * | 1999-01-21 | 2000-07-26 | ABB Research Ltd. | Überwachungs- und Diagnoseeinrichtung mit neuronalem Netzwerk zur Modellierung der normalen oder anormalen Funktionsfähigkeit eines elektrischen Gerätes |
JP2000210800A (ja) * | 1999-01-27 | 2000-08-02 | Komatsu Ltd | 産業機械のモニタ方法およびその装置 |
US6172509B1 (en) | 1999-02-11 | 2001-01-09 | The United States Of America As Represented By The Secretary Of The Air Force | Detecting polyphase machine faults via current deviation |
DE19905841A1 (de) * | 1999-02-12 | 2000-08-24 | Kuka Roboter Gmbh | Vorrichtung zum Verarbeiten sicherheitsrelevanter Daten |
JP2000263381A (ja) * | 1999-03-19 | 2000-09-26 | Komatsu Ltd | プレスラインの保全管理システム |
KR20000066728A (ko) * | 1999-04-20 | 2000-11-15 | 김인광 | 음향방향과 동작방향 검출 및 지능형 자동 충전 기능을 갖는 로봇 및 그 동작 방법 |
US6494617B1 (en) | 1999-04-30 | 2002-12-17 | General Electric Company | Status detection apparatus and method for fluid-filled electrical equipment |
US6853921B2 (en) | 1999-07-20 | 2005-02-08 | Halliburton Energy Services, Inc. | System and method for real time reservoir management |
US20110208567A9 (en) * | 1999-08-23 | 2011-08-25 | Roddy Nicholas E | System and method for managing a fleet of remote assets |
EP1078729A1 (de) * | 1999-08-25 | 2001-02-28 | Engel Maschinenbau Gesellschaft Mbh | Spritzgiessmaschine mit Mittel zum Nachweisen des Versagen eines Sensors |
DE19942430A1 (de) | 1999-09-06 | 2001-03-08 | Sperling Axel | Betriebsumgebungs-Kontrolleinrichtung für Computer mit Bauelementen-spezifischer Überwachung und Ansteuerung |
US6532426B1 (en) | 1999-09-17 | 2003-03-11 | The Boeing Company | System and method for analyzing different scenarios for operating and designing equipment |
US6442542B1 (en) * | 1999-10-08 | 2002-08-27 | General Electric Company | Diagnostic system with learning capabilities |
ATE426845T1 (de) | 1999-10-28 | 2009-04-15 | Gen Electric | Prozess zum uberwachen und diagnostizieren von daten eines entfernt gelegenen gegenstands |
JP2001153892A (ja) * | 1999-10-28 | 2001-06-08 | Agilent Technol Inc | 波形表示方法 |
AU1602101A (en) * | 1999-11-12 | 2001-06-06 | Zebrazone, Inc. | Highly distributed computer server architecture and operating system |
US6351713B1 (en) * | 1999-12-15 | 2002-02-26 | Swantech, L.L.C. | Distributed stress wave analysis system |
DE50002501D1 (de) * | 2000-01-29 | 2003-07-10 | Abb Research Ltd | Verfahren zum automatisierten generieren einer fehlerbaumstruktur |
US6957172B2 (en) | 2000-03-09 | 2005-10-18 | Smartsignal Corporation | Complex signal decomposition and modeling |
US7739096B2 (en) * | 2000-03-09 | 2010-06-15 | Smartsignal Corporation | System for extraction of representative data for training of adaptive process monitoring equipment |
US6917845B2 (en) * | 2000-03-10 | 2005-07-12 | Smiths Detection-Pasadena, Inc. | Method for monitoring environmental condition using a mathematical model |
EP1132791A3 (de) * | 2000-03-11 | 2002-04-17 | Paul Maxwell Girdham | Verfahrenstechnische Anlage und Steuerungssystem dafür |
JP2001272385A (ja) * | 2000-03-28 | 2001-10-05 | Toyo Seikan Kaisha Ltd | 線形予測係数法を用いた打検方法および打検装置 |
JP3410426B2 (ja) * | 2000-04-07 | 2003-05-26 | 新東工業株式会社 | 設備のメンテナンス支援方法およびそのシステム |
EP1146468A3 (de) * | 2000-04-13 | 2004-01-21 | General Electric Company | System und Verfahren zum Vorhersagen der Zeitpunkte für und der Kosten von Wartungsereignissen während der Lebensdauer eines Produkts |
US6810341B2 (en) | 2000-04-19 | 2004-10-26 | National Instruments Corporation | Time varying harmonic analysis including determination of order components |
US6366862B1 (en) * | 2000-04-19 | 2002-04-02 | National Instruments Corporation | System and method for analyzing signals generated by rotating machines |
US20160078695A1 (en) * | 2000-05-01 | 2016-03-17 | General Electric Company | Method and system for managing a fleet of remote assets and/or ascertaining a repair for an asset |
DE10024412A1 (de) * | 2000-05-19 | 2001-11-29 | Westfalia Separator Ind Gmbh | Verfahren zur Steuerung von Maschinen und Informationssystemen |
US6799154B1 (en) * | 2000-05-25 | 2004-09-28 | General Electric Comapny | System and method for predicting the timing of future service events of a product |
US6898554B2 (en) * | 2000-06-12 | 2005-05-24 | Scientific Monitoring, Inc. | Fault detection in a physical system |
EP1164550B1 (de) * | 2000-06-16 | 2008-12-03 | Ntn Corporation | Überwachungs-, Diagnose- und Verkaufssystem für Maschinenkomponenten |
JP3612472B2 (ja) * | 2000-06-22 | 2005-01-19 | 株式会社日立製作所 | 遠隔監視診断システム、及び遠隔監視診断方法 |
DE60126708T2 (de) * | 2000-06-30 | 2007-10-25 | Siemens Corporate Research, Inc. | Verfahren und System zur industriellen Bedienerführung mittels prädiktiver Alarmerkennung |
US6745107B1 (en) * | 2000-06-30 | 2004-06-01 | Honeywell Inc. | System and method for non-invasive diagnostic testing of control valves |
AU2000272739A1 (en) * | 2000-08-09 | 2002-02-18 | Abb Research Ltd | System for determining error causes |
US6684700B1 (en) | 2000-08-11 | 2004-02-03 | Swantech, L.L.C. | Stress wave sensor |
US20040236450A1 (en) * | 2000-09-25 | 2004-11-25 | Motorwiz, Inc. | Model-based machine diagnostics and prognostics using theory of noise and communications |
US6496782B1 (en) * | 2000-10-30 | 2002-12-17 | General Electric Company | Electric machine monitoring method and system |
US6556939B1 (en) * | 2000-11-22 | 2003-04-29 | Smartsignal Corporation | Inferential signal generator for instrumented equipment and processes |
US6486678B1 (en) * | 2000-11-28 | 2002-11-26 | Paul Spears | Method for non-destructive analysis of electrical power system equipment |
CA2428168A1 (en) * | 2000-12-01 | 2002-06-06 | Unova Ip Corp. | Control embedded machine condition monitor |
US8041541B2 (en) * | 2001-05-24 | 2011-10-18 | Test Advantage, Inc. | Methods and apparatus for data analysis |
US6633821B2 (en) * | 2001-01-08 | 2003-10-14 | Xerox Corporation | System for sensing factory workspace |
US20020099702A1 (en) * | 2001-01-19 | 2002-07-25 | Oddo Anthony Scott | Method and apparatus for data clustering |
US7233886B2 (en) * | 2001-01-19 | 2007-06-19 | Smartsignal Corporation | Adaptive modeling of changed states in predictive condition monitoring |
EP1374167B1 (de) * | 2001-03-08 | 2010-05-12 | California Institute Of Technology | Raumzeitliche echtzeit-kohärenzschätzung zur autonom-modusidentifikation und invarianzverfolgung |
US7539597B2 (en) * | 2001-04-10 | 2009-05-26 | Smartsignal Corporation | Diagnostic systems and methods for predictive condition monitoring |
US20020183971A1 (en) * | 2001-04-10 | 2002-12-05 | Wegerich Stephan W. | Diagnostic systems and methods for predictive condition monitoring |
US6795778B2 (en) * | 2001-05-24 | 2004-09-21 | Lincoln Global, Inc. | System and method for facilitating welding system diagnostics |
US6907416B2 (en) * | 2001-06-04 | 2005-06-14 | Honeywell International Inc. | Adaptive knowledge management system for vehicle trend monitoring, health management and preventive maintenance |
WO2002101475A1 (fr) * | 2001-06-08 | 2002-12-19 | Omron Corporation | Systeme de reseau de securite |
US6975962B2 (en) | 2001-06-11 | 2005-12-13 | Smartsignal Corporation | Residual signal alert generation for condition monitoring using approximated SPRT distribution |
US6526356B1 (en) * | 2001-06-19 | 2003-02-25 | The Aerospace Corporation | Rocket engine gear defect monitoring method |
DE10133103A1 (de) * | 2001-07-12 | 2003-01-30 | Daimler Chrysler Ag | Verfahren und Vorrichtung zur Messung und Nachbildung einer von einer Person subjektiv wahrgenommenen Umgebung |
US6590362B2 (en) * | 2001-07-27 | 2003-07-08 | Texas A&M University System | Method and system for early detection of incipient faults in electric motors |
US20030028353A1 (en) * | 2001-08-06 | 2003-02-06 | Brian Gventer | Production pattern-recognition artificial neural net (ANN) with event-response expert system (ES)--yieldshieldTM |
EP1428021A4 (de) * | 2001-08-24 | 2007-04-11 | Bio Rad Laboratories | Biometrisches qualtiätskontrollverfahren |
US6687654B2 (en) | 2001-09-10 | 2004-02-03 | The Johns Hopkins University | Techniques for distributed machinery monitoring |
JP4031928B2 (ja) * | 2001-11-09 | 2008-01-09 | 株式会社日立製作所 | 設備保守業務支援方法および保守業務支援サーバ |
GB0127553D0 (en) * | 2001-11-16 | 2002-01-09 | Abb Ab | Provision of data for analysis |
GB0127552D0 (en) * | 2001-11-16 | 2002-01-09 | Abb Ab | Analysing events |
GB0127551D0 (en) * | 2001-11-16 | 2002-01-09 | Abb Ab | Analysing events |
US7421140B2 (en) * | 2001-11-21 | 2008-09-02 | Shraga Rottem | Method and system for enhancing the quality of device images |
US6668220B2 (en) * | 2002-04-17 | 2003-12-23 | Motorola, Inc. | Synchronous sampling of rotating elements in a fault detection system having audio analysis and method of using the same |
US6839660B2 (en) * | 2002-04-22 | 2005-01-04 | Csi Technology, Inc. | On-line rotating equipment monitoring device |
US20030204781A1 (en) * | 2002-04-30 | 2003-10-30 | International Business Machines Corporation | Method and apparatus for displaying diagnostic recommendations for monitored processes |
JP3918939B2 (ja) * | 2002-11-21 | 2007-05-23 | 日本精工株式会社 | 機械設備の監視システム |
JP2004257836A (ja) * | 2003-02-25 | 2004-09-16 | Nsk Ltd | 機械装置の異常診断装置 |
JP3871050B2 (ja) * | 2002-12-20 | 2007-01-24 | 日本精工株式会社 | 異常診断装置 |
US7184930B2 (en) | 2002-08-30 | 2007-02-27 | Nsk Ltd. | Method and device for monitoring status of mechanical equipment and abnormality diagnosing device |
JP3874110B2 (ja) * | 2002-08-30 | 2007-01-31 | 日本精工株式会社 | 異常診断システム |
JP3871054B2 (ja) * | 2003-06-26 | 2007-01-24 | 日本精工株式会社 | 機械設備の状態監視方法及び装置 |
EP1413957A3 (de) * | 2002-10-23 | 2010-03-03 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur rechnergestützten Analyse eines technischen Systems |
US6909960B2 (en) * | 2002-10-31 | 2005-06-21 | United Technologies Corporation | Method for performing gas turbine performance diagnostics |
US7233884B2 (en) * | 2002-10-31 | 2007-06-19 | United Technologies Corporation | Methodology for temporal fault event isolation and identification |
US7016742B2 (en) * | 2002-11-27 | 2006-03-21 | Bahelle Memorial Institute | Decision support for operations and maintenance (DSOM) system |
US6970804B2 (en) * | 2002-12-17 | 2005-11-29 | Xerox Corporation | Automated self-learning diagnostic system |
US8073653B2 (en) * | 2002-12-23 | 2011-12-06 | Caterpillar Inc. | Component life indicator |
US7027953B2 (en) * | 2002-12-30 | 2006-04-11 | Rsl Electronics Ltd. | Method and system for diagnostics and prognostics of a mechanical system |
US7228461B2 (en) * | 2003-01-09 | 2007-06-05 | Siemens Energy & Automation, Inc. | System, method, and user interface for acceptance testing |
US7584165B2 (en) * | 2003-01-30 | 2009-09-01 | Landmark Graphics Corporation | Support apparatus, method and system for real time operations and maintenance |
EP1590756A2 (de) * | 2003-02-04 | 2005-11-02 | Netstal-Maschinen AG | Wartungs-/serviceeinheit sowie verfahren für ein rechnergesttztes wartungs- und/oder service-management |
JP3731125B2 (ja) * | 2003-03-03 | 2006-01-05 | ダイキン工業株式会社 | 保守情報提供システム |
US7341410B2 (en) * | 2003-03-10 | 2008-03-11 | Foster-Miller, Inc. | Dynamical instrument for machining |
GB0307406D0 (en) * | 2003-03-31 | 2003-05-07 | British Telecomm | Data analysis system and method |
US20040236706A1 (en) * | 2003-04-30 | 2004-11-25 | Fitch James Chester | Automated machinery lubrication service and maintenance planning system |
US7075327B2 (en) * | 2003-06-18 | 2006-07-11 | Eaton Corporation | System and method for proactive motor wellness diagnosis |
ES2299678T3 (es) * | 2003-06-21 | 2008-06-01 | Abb Research Ltd. | Metodo para detectar oscilaciones electromecanicas en sistema de potencia. |
US6980874B2 (en) * | 2003-07-01 | 2005-12-27 | General Electric Company | System and method for detecting an anomalous condition in a multi-step process |
US7050875B2 (en) * | 2003-07-01 | 2006-05-23 | General Electric Company | System and method for detecting an anomalous condition |
US20050004684A1 (en) * | 2003-07-01 | 2005-01-06 | General Electric Company | System and method for adjusting a control model |
US7209860B2 (en) * | 2003-07-07 | 2007-04-24 | Snap-On Incorporated | Distributed expert diagnostic service and system |
US7519604B2 (en) * | 2003-08-29 | 2009-04-14 | Nokia Corporation | Troubleshooting engine and method for using same |
US7096159B2 (en) * | 2003-09-05 | 2006-08-22 | Siemens Corporate Research Corp. | System and method for detecting and excluding outlier sensors in sensor-based monitoring |
JP2005121639A (ja) * | 2003-09-22 | 2005-05-12 | Omron Corp | 検査方法および検査装置ならびに設備診断装置 |
US7627441B2 (en) * | 2003-09-30 | 2009-12-01 | Rosemount Inc. | Process device with vibration based diagnostics |
US8180610B2 (en) * | 2003-10-08 | 2012-05-15 | Honeywell International Inc. | Model-based diagnostic interface for a vehicle health management system having a system model with a system nomeclature |
US7529979B2 (en) * | 2003-12-12 | 2009-05-05 | International Business Machines Corporation | Hardware/software based indirect time stamping methodology for proactive hardware/software event detection and control |
US7149612B2 (en) * | 2004-01-05 | 2006-12-12 | Arinc Incorporated | System and method for monitoring and reporting aircraft quick access recorder data |
US7206657B2 (en) * | 2004-01-09 | 2007-04-17 | Vulcan Craft Llc | Real-time measurement of tool forces and machining process model parameters |
US20050165748A1 (en) * | 2004-01-15 | 2005-07-28 | Seagate Technology Llc | Method and apparatus for querying a computerized database |
US7451003B2 (en) * | 2004-03-04 | 2008-11-11 | Falconeer Technologies Llc | Method and system of monitoring, sensor validation and predictive fault analysis |
JP3874012B2 (ja) * | 2004-05-18 | 2007-01-31 | オムロン株式会社 | 知識作成支援装置および表示方法 |
JP4458349B2 (ja) * | 2004-08-27 | 2010-04-28 | 日立アプライアンス株式会社 | 機器診断装置、その動作プログラム、機器診断方法 |
US7173539B2 (en) * | 2004-09-30 | 2007-02-06 | Florida Power And Light Company | Condition assessment system and method |
EP1645922B1 (de) * | 2004-10-08 | 2009-08-05 | Rockwell Automation Germany GmbH & Co. KG | Modulares und konfigurierbares Sicherheitssystem |
US7230527B2 (en) * | 2004-11-10 | 2007-06-12 | The Boeing Company | System, method, and computer program product for fault prediction in vehicle monitoring and reporting system |
JP2008520287A (ja) | 2004-11-16 | 2008-06-19 | メドラッド インコーポレーテッド | 薬剤注入に対する患者搬送関数を決定し、患者反応をモデル化するシステム及び方法 |
DK2990073T3 (en) | 2004-11-24 | 2018-08-13 | Bayer Healthcare Llc | DEVICES AND SYSTEMS FOR DELIVERING FLUIDS |
US7194383B2 (en) * | 2004-12-06 | 2007-03-20 | Caterpillar Inc | Vibration analysis system and method for a machine |
US20060156141A1 (en) * | 2004-12-07 | 2006-07-13 | Ouchi Norman K | Defect symptom repair system and methods |
GB0427695D0 (en) * | 2004-12-17 | 2005-01-19 | Ncr Int Inc | A method of and system for prediction of the state of health of an apparatus |
US7280941B2 (en) * | 2004-12-29 | 2007-10-09 | General Electric Company | Method and apparatus for in-situ detection and isolation of aircraft engine faults |
US7937197B2 (en) * | 2005-01-07 | 2011-05-03 | GM Global Technology Operations LLC | Apparatus and methods for evaluating a dynamic system |
US7249003B2 (en) * | 2005-02-11 | 2007-07-24 | California Institute Of Technology | System for solving diagnosis and hitting set problems |
EP1705542B1 (de) * | 2005-03-24 | 2008-08-06 | Abb Research Ltd. | Abschätzen der Zustandparameter oder Erscheinung eines alternden Systems |
US7899761B2 (en) * | 2005-04-25 | 2011-03-01 | GM Global Technology Operations LLC | System and method for signal prediction |
US7487066B2 (en) * | 2005-04-28 | 2009-02-03 | Caterpillar Inc. | Classifying a work machine operation |
US7953559B2 (en) | 2005-04-28 | 2011-05-31 | Caterpillar Inc. | Systems and methods for maintaining load histories |
US9104650B2 (en) | 2005-07-11 | 2015-08-11 | Brooks Automation, Inc. | Intelligent condition monitoring and fault diagnostic system for preventative maintenance |
JP4717579B2 (ja) * | 2005-09-30 | 2011-07-06 | 株式会社小松製作所 | 作業機械のメンテナンス作業管理システム |
EP1791094A1 (de) * | 2005-11-10 | 2007-05-30 | Siemens Aktiengesellschaft | Vorrichtung zum automatischen Warten einer technischen Anlage |
US7966150B2 (en) * | 2005-11-17 | 2011-06-21 | Florida Power & Light Company | Data analysis applications |
US7603586B1 (en) * | 2005-12-30 | 2009-10-13 | Snap-On Incorporated | Intelligent stationary power equipment and diagnostics |
WO2007084611A2 (en) | 2006-01-20 | 2007-07-26 | Landmark Graphics Corporation | Dynamic production system management |
US7499900B2 (en) * | 2006-04-20 | 2009-03-03 | International Business Machines Corporation | Device, method and computer program product for situation monitoring |
US7421349B1 (en) * | 2006-05-15 | 2008-09-02 | United States Of America As Represented By The Secretary Of The Navy | Bearing fault signature detection |
JP4940779B2 (ja) * | 2006-06-22 | 2012-05-30 | マツダ株式会社 | 遠隔故障診断システム |
US20080059080A1 (en) * | 2006-08-31 | 2008-03-06 | Caterpillar Inc. | Method and system for selective, event-based communications |
US8275577B2 (en) | 2006-09-19 | 2012-09-25 | Smartsignal Corporation | Kernel-based method for detecting boiler tube leaks |
US8311774B2 (en) | 2006-12-15 | 2012-11-13 | Smartsignal Corporation | Robust distance measures for on-line monitoring |
JP4282717B2 (ja) * | 2006-12-27 | 2009-06-24 | 株式会社東芝 | 定期点検データ分析装置およびその方法 |
JP2010514506A (ja) * | 2006-12-29 | 2010-05-06 | メドラッド インコーポレーテッド | 薬剤伝搬のモデリング |
EP2097835B1 (de) | 2006-12-29 | 2018-05-30 | Bayer Healthcare LLC | Patientenbasierte parametergenerierungssysteme für medizinische injektionsverfahren |
US7496472B2 (en) * | 2007-01-25 | 2009-02-24 | Johnson Controls Technology Company | Method and system for assessing performance of control systems |
US7578192B2 (en) * | 2007-01-29 | 2009-08-25 | Ford Motor Company | System and method for monitoring operation of a press assembly |
DE102007006084A1 (de) | 2007-02-07 | 2008-09-25 | Jacob, Christian E., Dr. Ing. | Verfahren zum zeitnahen Ermitteln der Kennwerte, Harmonischen und Nichtharmonischen von schnell veränderlichen Signalen mit zusätzlicher Ausgabe davon abgeleiteter Muster, Steuersignale, Ereignisstempel für die Nachverarbeitung sowie einer Gewichtung der Ergebnisse |
US7398184B1 (en) * | 2007-04-09 | 2008-07-08 | Honeywell International Inc. | Analyzing equipment performance and optimizing operating costs |
US20080255773A1 (en) * | 2007-04-13 | 2008-10-16 | Chao Yuan | Machine condition monitoring using pattern rules |
US7668696B2 (en) * | 2007-04-16 | 2010-02-23 | Sun Microsystems, Inc. | Method and apparatus for monitoring the health of a computer system |
US20080270074A1 (en) * | 2007-04-30 | 2008-10-30 | Caterpillar Inc. | User customized machine data acquisition system |
US7979088B2 (en) * | 2007-08-13 | 2011-07-12 | International Business Machines Corporation | Water friend or foe system for global vessel identification and tracking |
US8712987B2 (en) * | 2007-08-13 | 2014-04-29 | International Business Machines Corporation | Emergent information database management system |
US9076314B2 (en) * | 2007-08-13 | 2015-07-07 | International Business Machines Corporation | Emergent information pattern driven sensor networks |
US7992094B2 (en) * | 2007-08-14 | 2011-08-02 | International Business Machines Corporation | Intelligence driven icons and cursors |
US7756593B2 (en) * | 2007-08-14 | 2010-07-13 | International Business Machines Corporation | Anomaly anti-pattern |
US7823082B2 (en) * | 2007-08-14 | 2010-10-26 | International Business Machines Corporation | Intelligence driven icons and cursors |
US7889100B2 (en) * | 2007-08-14 | 2011-02-15 | International Business Machines Corporation | Water friend or foe system for global vessel identification and tracking |
US7693589B2 (en) * | 2007-08-14 | 2010-04-06 | International Business Machines Corporation | Anomaly anti-pattern |
EP2219090B1 (de) * | 2007-12-06 | 2012-02-01 | ABB Research Ltd. | Roboterbetriebssystem und Verfahren zur Bereitstellung einer Fernsteuerung für einen Roboter |
US8417432B2 (en) * | 2008-04-30 | 2013-04-09 | United Technologies Corporation | Method for calculating confidence on prediction in fault diagnosis systems |
US7864037B2 (en) * | 2008-06-16 | 2011-01-04 | International Business Machines Corporation | Pattern-driven communication architecture |
US8086547B2 (en) * | 2008-06-16 | 2011-12-27 | International Business Machines Corporation | Data pattern generation, modification and management utilizing a semantic network-based graphical interface |
US20100017092A1 (en) * | 2008-07-16 | 2010-01-21 | Steven Wayne Butler | Hybrid fault isolation system utilizing both model-based and empirical components |
US9618037B2 (en) | 2008-08-01 | 2017-04-11 | Honeywell International Inc. | Apparatus and method for identifying health indicators for rolling element bearings |
US8028581B2 (en) * | 2008-08-08 | 2011-10-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | Methods and systems for ultrasonic inspection of rotating shafts |
US8271416B2 (en) * | 2008-08-12 | 2012-09-18 | Stratus Technologies Bermuda Ltd. | Method for dynamically determining a predetermined previous condition of a rule-based system |
US8794016B2 (en) * | 2008-08-14 | 2014-08-05 | Raytheon Company | Monitoring the health of a cryocooler |
US8055375B2 (en) * | 2008-09-30 | 2011-11-08 | Rockwell Automation Technologies, Inc. | Analytical generator of key performance indicators for pivoting on metrics for comprehensive visualizations |
US7825721B2 (en) * | 2008-10-17 | 2010-11-02 | United Technologies Corp. | Systems and methods for filtering signals corresponding to sensed parameters |
US20100106458A1 (en) * | 2008-10-28 | 2010-04-29 | Leu Ming C | Computer program and method for detecting and predicting valve failure in a reciprocating compressor |
US9421330B2 (en) | 2008-11-03 | 2016-08-23 | Bayer Healthcare Llc | Mitigation of contrast-induced nephropathy |
JP5101465B2 (ja) * | 2008-11-25 | 2012-12-19 | 三菱重工業株式会社 | 設備の不具合管理方法 |
US8386848B2 (en) * | 2009-05-11 | 2013-02-26 | Microsoft Corporation | Root cause analysis for complex event processing |
US10739741B2 (en) | 2009-06-22 | 2020-08-11 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
US8731724B2 (en) | 2009-06-22 | 2014-05-20 | Johnson Controls Technology Company | Automated fault detection and diagnostics in a building management system |
US9286582B2 (en) | 2009-06-22 | 2016-03-15 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
US8788097B2 (en) | 2009-06-22 | 2014-07-22 | Johnson Controls Technology Company | Systems and methods for using rule-based fault detection in a building management system |
US9753455B2 (en) | 2009-06-22 | 2017-09-05 | Johnson Controls Technology Company | Building management system with fault analysis |
US9196009B2 (en) | 2009-06-22 | 2015-11-24 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
US8532839B2 (en) | 2009-06-22 | 2013-09-10 | Johnson Controls Technology Company | Systems and methods for statistical control and fault detection in a building management system |
US11269303B2 (en) | 2009-06-22 | 2022-03-08 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
US9606520B2 (en) | 2009-06-22 | 2017-03-28 | Johnson Controls Technology Company | Automated fault detection and diagnostics in a building management system |
US8600556B2 (en) | 2009-06-22 | 2013-12-03 | Johnson Controls Technology Company | Smart building manager |
US20110106747A1 (en) * | 2009-10-30 | 2011-05-05 | General Electric Company | Turbine life assessment and inspection system and methods |
US8494826B2 (en) * | 2010-01-13 | 2013-07-23 | The United States Postal Service | Systems and methods for analyzing equipment failures and maintenance schedules |
WO2011100255A2 (en) | 2010-02-09 | 2011-08-18 | Johnson Controls Technology Company | Systems and methods for measuring and verifying energy savings in buildings |
US9157832B2 (en) * | 2010-03-12 | 2015-10-13 | Honeywell International Inc. | Method and system for detecting incipient bearing failures |
US8862433B2 (en) | 2010-05-18 | 2014-10-14 | United Technologies Corporation | Partitioning of turbomachine faults |
DE102010021382A1 (de) * | 2010-05-25 | 2011-12-01 | Abb Ag | Verfahren und System zur Erzeugung eines Integrationsmodells |
CN103221071B (zh) | 2010-06-24 | 2016-09-21 | 拜耳医药保健有限公司 | 药物传输的建模和注射方案的参数产生 |
US9151786B2 (en) * | 2010-10-11 | 2015-10-06 | General Electric Company | Systems, methods, and apparatus for detecting shifts in redundant sensor signals |
US20120101863A1 (en) * | 2010-10-22 | 2012-04-26 | Byron Edwin Truax | Machine-management system |
US8587320B2 (en) | 2010-11-09 | 2013-11-19 | Honeywell International Inc. | System and method for testing a secondary servo control circuit in a redundant control configuration |
JP2012181185A (ja) * | 2011-02-08 | 2012-09-20 | Ricoh Co Ltd | 検知装置、画像形成装置、プログラムおよび検知システム |
US8996334B2 (en) * | 2011-03-02 | 2015-03-31 | General Electric Company | Method and system for analysis of turbomachinery |
CN102288283B (zh) * | 2011-05-13 | 2014-02-12 | 北京必可测科技股份有限公司 | 汽轮发电机组振动故障的监测方法及装置 |
US20120330577A1 (en) * | 2011-06-22 | 2012-12-27 | Honeywell International Inc. | Vibration severity analysis apparatus and method for rotating machinery |
DE102011079015B4 (de) * | 2011-07-12 | 2020-03-19 | Man Energy Solutions Se | Verfahren zur Maschinenzustandsüberwachung |
US9256224B2 (en) | 2011-07-19 | 2016-02-09 | GE Intelligent Platforms, Inc | Method of sequential kernel regression modeling for forecasting and prognostics |
US9250625B2 (en) | 2011-07-19 | 2016-02-02 | Ge Intelligent Platforms, Inc. | System of sequential kernel regression modeling for forecasting and prognostics |
US8620853B2 (en) | 2011-07-19 | 2013-12-31 | Smartsignal Corporation | Monitoring method using kernel regression modeling with pattern sequences |
US8751413B2 (en) | 2011-07-26 | 2014-06-10 | General Electric Company | Fuzzy logic based system monitoring system and method |
US9477223B2 (en) | 2011-09-14 | 2016-10-25 | General Electric Company | Condition monitoring system and method |
US8930775B2 (en) * | 2011-11-28 | 2015-01-06 | International Business Machines Corporation | Preventing disturbance induced failure in a computer system |
US20130166051A1 (en) * | 2011-12-21 | 2013-06-27 | Lennox Industries, Inc. | Hvac unit with audio monitoring, a method of audio monitoring events of an hvac unit and a controller configured to perform the method of audio monitoring |
BR112014028442A2 (pt) | 2012-05-14 | 2018-04-24 | Bayer Medical Care Inc. | sistemas e métodos de protocolos de injeção de fluido farmacêutico com base em voltagem de tubo de raios x |
US9390388B2 (en) | 2012-05-31 | 2016-07-12 | Johnson Controls Technology Company | Systems and methods for measuring and verifying energy usage in a building |
US9205845B2 (en) | 2012-06-07 | 2015-12-08 | Honeywell International Inc. | System and method for detecting spall initiation and defining end of life in engine components |
CN102799176A (zh) * | 2012-08-20 | 2012-11-28 | 上海理工大学 | 基于模糊理论的非线性时滞离散系统故障诊断方法 |
GB201215071D0 (en) | 2012-08-23 | 2012-10-10 | Wp Thompson | Method and apparatus for determining motor operation states |
TWI443356B (zh) * | 2012-09-14 | 2014-07-01 | Chunghwa Telecom Co Ltd | 電器設備的異常狀態偵測系統及方法 |
CN103033359B (zh) * | 2012-12-19 | 2015-10-28 | 西安交通大学 | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 |
US9555379B2 (en) | 2013-03-13 | 2017-01-31 | Bayer Healthcare Llc | Fluid path set with turbulent mixing chamber, backflow compensator |
US20140288861A1 (en) * | 2013-03-20 | 2014-09-25 | Xerox Corporation | Sampling methodology for measuring power consumption for a population of power-consuming devices |
US9728014B2 (en) * | 2013-04-23 | 2017-08-08 | B. G. Negev Technologies And Applications Ltd. | Sensor fault detection and diagnosis for autonomous systems |
US10552511B2 (en) * | 2013-06-24 | 2020-02-04 | Infosys Limited | Systems and methods for data-driven anomaly detection |
CN103439944A (zh) * | 2013-08-27 | 2013-12-11 | 中联重科股份有限公司渭南分公司 | 一种工程机械智能故障诊断系统、方法和工程机械 |
CA2869487A1 (en) * | 2013-10-30 | 2015-04-30 | Syncrude Canada Ltd. In Trust For The Owners Of The Syncrude Project, As Such Owners Exist Now And In The Future | Method for diagnosing faults in slurry pump impellers |
US9645575B2 (en) | 2013-11-27 | 2017-05-09 | Adept Ai Systems Inc. | Method and apparatus for artificially intelligent model-based control of dynamic processes using probabilistic agents |
MX2016006764A (es) * | 2013-11-27 | 2016-12-16 | Adept Ai Systems Inc | Metodo y sistema para controlar procesos dinamicos con base en un modelo artificialmente inteligente usando agentes probabilisticos. |
US20150204757A1 (en) * | 2014-01-17 | 2015-07-23 | United States Of America As Represented By The Secretary Of The Navy | Method for Implementing Rolling Element Bearing Damage Diagnosis |
DE102014104637A1 (de) | 2014-04-02 | 2015-10-08 | Harting Kgaa | Intelligente Überwachung von Produktionsmaschinen |
US9797808B2 (en) | 2014-05-16 | 2017-10-24 | RMCI, Inc. | Diagnosis of gear condition by comparing data from coupled gears |
US10533920B2 (en) * | 2014-08-05 | 2020-01-14 | Acoem France | Automatic rotating-machine fault diagnosis with confidence level indication |
CN104142254B (zh) * | 2014-08-06 | 2017-01-18 | 浙江大学 | 一种汽轮机通流部分故障诊断方法 |
US9644735B2 (en) | 2014-11-24 | 2017-05-09 | Ford Global Technologies, Llc | Powertrain control based on bearing speed |
US9471452B2 (en) | 2014-12-01 | 2016-10-18 | Uptake Technologies, Inc. | Adaptive handling of operating data |
CN107003663B (zh) * | 2014-12-02 | 2019-10-25 | 西门子公司 | 具有活动部分的装置的监视 |
US9778639B2 (en) | 2014-12-22 | 2017-10-03 | Johnson Controls Technology Company | Systems and methods for adaptively updating equipment models |
CN104503444B (zh) * | 2014-12-31 | 2017-03-15 | 中联重科股份有限公司 | 工程机械的故障处理的方法及系统 |
CN104634603A (zh) * | 2015-03-16 | 2015-05-20 | 汪文峰 | 一种复杂设备早期故障诊断方法 |
US10254751B2 (en) | 2015-06-05 | 2019-04-09 | Uptake Technologies, Inc. | Local analytics at an asset |
US10579750B2 (en) | 2015-06-05 | 2020-03-03 | Uptake Technologies, Inc. | Dynamic execution of predictive models |
US10176279B2 (en) | 2015-06-05 | 2019-01-08 | Uptake Technologies, Inc. | Dynamic execution of predictive models and workflows |
DE102015210974A1 (de) * | 2015-06-15 | 2016-12-15 | Windmöller & Hölscher Kg | Verpackungsanlage und ein Verfahren zum Verpacken eines Produkts in eine Mehrzahl an Säcken oder Beutel |
US10878385B2 (en) | 2015-06-19 | 2020-12-29 | Uptake Technologies, Inc. | Computer system and method for distributing execution of a predictive model |
JP6523815B2 (ja) * | 2015-06-22 | 2019-06-05 | 株式会社日立製作所 | プラント診断装置及びプラント診断方法 |
EP3350717A4 (de) | 2015-09-17 | 2019-04-17 | Uptake Technologies, Inc. | Computersysteme und verfahren zur gemeinsamen nutzung asset-bezogener informationen zwischen datenplattformen über ein netzwerk |
US9732838B2 (en) | 2015-09-22 | 2017-08-15 | Caterpillar Inc. | Gearbox component and lubricant condition monitoring system |
ES2826348T3 (es) * | 2015-09-29 | 2021-05-18 | Siemens Ag | Procedimiento y sistema para el reconocimiento de fallos y la vigilancia de una parte de máquina regulada o controlada electrónicamente |
US10623294B2 (en) | 2015-12-07 | 2020-04-14 | Uptake Technologies, Inc. | Local analytics device |
WO2017105181A1 (es) * | 2015-12-14 | 2017-06-22 | Diaz Quintanar José Antonio | Sistema y método de predicción de fallas en equipos remotamente distribuidos |
CN105424395B (zh) * | 2015-12-15 | 2018-05-18 | 珠海格力电器股份有限公司 | 设备故障的确定方法和装置 |
DE102015122998B3 (de) * | 2015-12-30 | 2017-01-05 | Haddadin Beteiligungs UG (haftungsbeschränkt) | Roboter und Verfahren zum Betreiben eines Roboters |
WO2017116627A1 (en) * | 2016-01-03 | 2017-07-06 | Presenso, Ltd. | System and method for unsupervised prediction of machine failures |
WO2017120579A1 (en) * | 2016-01-10 | 2017-07-13 | Presenso, Ltd. | System and method for validating unsupervised machine learning models |
US11295217B2 (en) | 2016-01-14 | 2022-04-05 | Uptake Technologies, Inc. | Localized temporal model forecasting |
WO2017139046A1 (en) | 2016-02-09 | 2017-08-17 | Presenso, Ltd. | System and method for unsupervised root cause analysis of machine failures |
EP3423130A1 (de) | 2016-03-03 | 2019-01-09 | Bayer Healthcare LLC | System und verfahren zur verbesserten fluidabgabe in injektorsystem für mehrere fluide |
US10510006B2 (en) | 2016-03-09 | 2019-12-17 | Uptake Technologies, Inc. | Handling of predictive models based on asset location |
WO2017163153A1 (en) * | 2016-03-21 | 2017-09-28 | Jambholkar Praveen | System and method for predictive condition monitoring and controlling of machines |
US10796235B2 (en) | 2016-03-25 | 2020-10-06 | Uptake Technologies, Inc. | Computer systems and methods for providing a visualization of asset event and signal data |
KR102000416B1 (ko) * | 2016-05-09 | 2019-07-15 | 스트롱 포스 아이오티 포트폴리오 2016, 엘엘씨 | 산업용 사물 인터넷을 위한 방법들 및 시스템들 |
US20180284735A1 (en) | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for industrial internet of things data collection in a network sensitive upstream oil and gas environment |
US11327475B2 (en) | 2016-05-09 | 2022-05-10 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for intelligent collection and analysis of vehicle data |
US10983507B2 (en) | 2016-05-09 | 2021-04-20 | Strong Force Iot Portfolio 2016, Llc | Method for data collection and frequency analysis with self-organization functionality |
US11774944B2 (en) | 2016-05-09 | 2023-10-03 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for the industrial internet of things |
US10732606B2 (en) * | 2016-05-13 | 2020-08-04 | Ricoh Company, Ltd. | Information processing apparatus, information processing method, and information processing system |
JP6725652B2 (ja) * | 2016-05-16 | 2020-07-22 | 株式会社日立製作所 | 診断システム及び電子制御装置 |
JP2017214049A (ja) * | 2016-05-27 | 2017-12-07 | ローベルト ボッシュ ゲゼルシャフト ミット ベシュレンクテル ハフツング | セキュリティ検査システム、セキュリティ検査方法、機能評価装置、及びプログラム |
US10333775B2 (en) | 2016-06-03 | 2019-06-25 | Uptake Technologies, Inc. | Facilitating the provisioning of a local analytics device |
JP6639014B2 (ja) | 2016-06-10 | 2020-02-05 | 株式会社神戸製鋼所 | 樹脂ペレタイザ装置 |
US11237546B2 (en) | 2016-06-15 | 2022-02-01 | Strong Force loT Portfolio 2016, LLC | Method and system of modifying a data collection trajectory for vehicles |
CN106217128B (zh) * | 2016-07-06 | 2018-07-13 | 陕西柴油机重工有限公司 | 基于大数据挖掘的变工况下刀具磨损状态预测方法 |
US10210037B2 (en) | 2016-08-25 | 2019-02-19 | Uptake Technologies, Inc. | Interface tool for asset fault analysis |
GB201614685D0 (en) * | 2016-08-31 | 2016-10-12 | Rolls Royce Plc | Method and apparatus for monitoring abrasive machining |
US10474932B2 (en) | 2016-09-01 | 2019-11-12 | Uptake Technologies, Inc. | Detection of anomalies in multivariate data |
DE102016013406B4 (de) * | 2016-11-11 | 2022-02-03 | Schenck Process Europe Gmbh | Verfahren zum Betrieb eines Zustandsüberwachungssystems einer Schwingmaschine und Zustandsüberwachungssystem |
US9913006B1 (en) * | 2016-11-28 | 2018-03-06 | 01dB-METRAVIB, Société par Actions Simplifiée | Power-efficient data-load-efficient method of wirelessly monitoring rotating machines |
JP6450738B2 (ja) * | 2016-12-14 | 2019-01-09 | ファナック株式会社 | 工作機械における工具のビビり発生の予兆を検知する機械学習装置、cnc装置および機械学習方法 |
US10228925B2 (en) | 2016-12-19 | 2019-03-12 | Uptake Technologies, Inc. | Systems, devices, and methods for deploying one or more artifacts to a deployment environment |
US10579961B2 (en) | 2017-01-26 | 2020-03-03 | Uptake Technologies, Inc. | Method and system of identifying environment features for use in analyzing asset operation |
US20180225355A1 (en) * | 2017-02-07 | 2018-08-09 | International Business Machines Corporation | Self-improving classification |
CN106873577B (zh) * | 2017-03-21 | 2019-04-05 | 中国科学院国家天文台南京天文光学技术研究所 | 应用于南极大口径望远镜控制系统的故障诊断方法 |
US10268913B2 (en) | 2017-04-03 | 2019-04-23 | General Electric Company | Equipment damage prediction system using neural networks |
US11226615B2 (en) | 2017-05-02 | 2022-01-18 | Lateral Solutions, Inc. | Control system for machine with a plurality of components and methods of operation |
US10671039B2 (en) | 2017-05-03 | 2020-06-02 | Uptake Technologies, Inc. | Computer system and method for predicting an abnormal event at a wind turbine in a cluster |
US10255526B2 (en) | 2017-06-09 | 2019-04-09 | Uptake Technologies, Inc. | Computer system and method for classifying temporal patterns of change in images of an area |
EP3425460A1 (de) * | 2017-07-04 | 2019-01-09 | Siemens Aktiengesellschaft | Vorrichtung und verfahren zur bestimmung des zustands einer spindel einer werkzeugmaschine |
US10564204B2 (en) | 2017-07-28 | 2020-02-18 | General Electric Company | Method and system for diagnostics and monitoring of electric machines |
US11442445B2 (en) | 2017-08-02 | 2022-09-13 | Strong Force Iot Portfolio 2016, Llc | Data collection systems and methods with alternate routing of input channels |
EP3662331A4 (de) | 2017-08-02 | 2021-04-28 | Strong Force Iot Portfolio 2016, LLC | Verfahren und systeme zur detektion in einer industriellen internet-der-dinge-datenerfassungsumgebung mit grossen datenmengen |
WO2019046261A1 (en) | 2017-08-31 | 2019-03-07 | Bayer Healthcare Llc | SYSTEM AND METHOD FOR MECHANICAL CALIBRATION OF FLUID INJECTOR SYSTEM AND DRIVE ELEMENT POSITION |
CA3067625C (en) | 2017-08-31 | 2024-04-30 | Bayer Healthcare Llc | Injector pressure calibration system and method |
JP7493337B2 (ja) | 2017-08-31 | 2024-05-31 | バイエル・ヘルスケア・エルエルシー | 流体インジェクタシステムにおける動的圧力制御のための方法 |
JP7346309B2 (ja) | 2017-08-31 | 2023-09-19 | バイエル・ヘルスケア・エルエルシー | 流体送達性能を改善するための流体経路インピーダンス評価 |
EP3675927B1 (de) | 2017-08-31 | 2023-12-13 | Bayer Healthcare LLC | System und verfahren zur kompensation der menge eines flüssigkeitsinjektorsystems |
US10653064B2 (en) * | 2017-09-18 | 2020-05-19 | Deere & Company | Driver assistance system |
US11232371B2 (en) | 2017-10-19 | 2022-01-25 | Uptake Technologies, Inc. | Computer system and method for detecting anomalies in multivariate data |
EP3701338B1 (de) * | 2017-10-23 | 2024-02-14 | Johnson Controls Tyco IP Holdings LLP | Gebäudeverwaltungssystem mit automatischer vibrationsdatenanalyse |
US10552246B1 (en) | 2017-10-24 | 2020-02-04 | Uptake Technologies, Inc. | Computer system and method for handling non-communicative assets |
US10379982B2 (en) | 2017-10-31 | 2019-08-13 | Uptake Technologies, Inc. | Computer system and method for performing a virtual load test |
US10635519B1 (en) | 2017-11-30 | 2020-04-28 | Uptake Technologies, Inc. | Systems and methods for detecting and remedying software anomalies |
US10815966B1 (en) | 2018-02-01 | 2020-10-27 | Uptake Technologies, Inc. | Computer system and method for determining an orientation of a wind turbine nacelle |
US10921777B2 (en) * | 2018-02-15 | 2021-02-16 | Online Development, Inc. | Automated machine analysis |
US10554518B1 (en) | 2018-03-02 | 2020-02-04 | Uptake Technologies, Inc. | Computer system and method for evaluating health of nodes in a manufacturing network |
US10169135B1 (en) | 2018-03-02 | 2019-01-01 | Uptake Technologies, Inc. | Computer system and method of detecting manufacturing network anomalies |
EP3776215A4 (de) * | 2018-03-28 | 2022-04-06 | L & T Technology Services Limited | System und verfahren zur zustandsüberwachung und ausfallvorhersage einer elektromechanischen maschine |
US11099531B2 (en) * | 2018-03-30 | 2021-08-24 | General Electric Company | System and method for mechanical transmission control |
US11119454B2 (en) | 2018-03-30 | 2021-09-14 | General Electric Company | System and method for power generation control |
DE102018205491A1 (de) * | 2018-04-11 | 2019-10-17 | Zf Friedrichshafen Ag | Zustandsüberwachung für Gleitlager mittels Körperschall |
DE102018109252A1 (de) | 2018-04-18 | 2019-10-24 | Schuler Pressen Gmbh | KI-System |
US10837866B2 (en) * | 2018-04-19 | 2020-11-17 | Delphisonic, Inc. | Self-learning malfunction monitoring and early warning system |
US10635095B2 (en) | 2018-04-24 | 2020-04-28 | Uptake Technologies, Inc. | Computer system and method for creating a supervised failure model |
CN108647707B (zh) * | 2018-04-25 | 2022-09-09 | 北京旋极信息技术股份有限公司 | 概率神经网络创建方法、故障诊断方法及装置、存储介质 |
CN112041693B (zh) * | 2018-05-07 | 2023-10-17 | 美国映翰通网络有限公司 | 一种基于混合录波的配电网故障定位系统 |
US10860599B2 (en) | 2018-06-11 | 2020-12-08 | Uptake Technologies, Inc. | Tool for creating and deploying configurable pipelines |
US10579932B1 (en) | 2018-07-10 | 2020-03-03 | Uptake Technologies, Inc. | Computer system and method for creating and deploying an anomaly detection model based on streaming data |
EP3620983B1 (de) | 2018-09-05 | 2023-10-25 | Sartorius Stedim Data Analytics AB | Computerimplementiertes verfahren, computerprogrammprodukt und system zur datenanalyse |
US11119472B2 (en) | 2018-09-28 | 2021-09-14 | Uptake Technologies, Inc. | Computer system and method for evaluating an event prediction model |
KR20200041098A (ko) * | 2018-10-11 | 2020-04-21 | 현대자동차주식회사 | 파워 트레인 부품 고장 진단 방법 |
TWI669617B (zh) | 2018-10-12 | 2019-08-21 | 財團法人工業技術研究院 | 設備健康狀態監控方法及其系統 |
US11181894B2 (en) | 2018-10-15 | 2021-11-23 | Uptake Technologies, Inc. | Computer system and method of defining a set of anomaly thresholds for an anomaly detection model |
WO2020100967A1 (ja) * | 2018-11-14 | 2020-05-22 | パナソニックIpマネジメント株式会社 | 音状態表示方法、音状態表示装置および音状態表示システム |
IT201800020143A1 (it) * | 2018-12-18 | 2020-06-18 | Prima Ind Spa | Procedimento di diagnosi per macchine operatrici, macchina operatrice e prodotto informatico corrispondenti |
KR101991041B1 (ko) * | 2018-12-31 | 2019-06-19 | 서울대학교산학협력단 | 아날로그 이진인공신경망 회로에서 활성도 조절을 통한 공정변이 보상방법 및 그 시스템 |
JP2020109443A (ja) * | 2019-01-07 | 2020-07-16 | 京セラドキュメントソリューションズ株式会社 | 画像形成装置及び異常検知方法 |
US11480934B2 (en) | 2019-01-24 | 2022-10-25 | Uptake Technologies, Inc. | Computer system and method for creating an event prediction model |
US11030067B2 (en) | 2019-01-29 | 2021-06-08 | Uptake Technologies, Inc. | Computer system and method for presenting asset insights at a graphical user interface |
US11797550B2 (en) | 2019-01-30 | 2023-10-24 | Uptake Technologies, Inc. | Data science platform |
US11599103B2 (en) * | 2019-02-21 | 2023-03-07 | Dodge Industrial, Inc. | Method and system for data driven machine diagnostics |
US20200300532A1 (en) * | 2019-03-18 | 2020-09-24 | Goodrich Corporation | Diagnostic closed cycle cooler controllers and systems |
US11335137B2 (en) * | 2019-04-05 | 2022-05-17 | Conduent Business Services, Llc | Trained pattern analyzer for roll out decisions |
US11208986B2 (en) | 2019-06-27 | 2021-12-28 | Uptake Technologies, Inc. | Computer system and method for detecting irregular yaw activity at a wind turbine |
JP7351656B2 (ja) * | 2019-06-28 | 2023-09-27 | 川崎重工業株式会社 | 減速機の故障診断装置及び故障診断方法 |
US10975841B2 (en) | 2019-08-02 | 2021-04-13 | Uptake Technologies, Inc. | Computer system and method for detecting rotor imbalance at a wind turbine |
DE102019131456A1 (de) * | 2019-11-21 | 2021-05-27 | Schaeffler Technologies AG & Co. KG | Verfahren zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft |
KR102298062B1 (ko) * | 2019-12-26 | 2021-09-06 | 주식회사 모트롤 | 감속 장치의 고장진단 장치 및 방법 |
KR102298057B1 (ko) * | 2019-12-26 | 2021-09-06 | 주식회사 모트롤 | 감속 장치의 고장진단 장치 및 방법 |
US11255894B2 (en) | 2020-02-28 | 2022-02-22 | Oracle International Corporation | High sensitivity detection and identification of counterfeit components in utility power systems via EMI frequency kiviat tubes |
US11275144B2 (en) | 2020-03-17 | 2022-03-15 | Oracle International Corporation | Automated calibration of EMI fingerprint scanning instrumentation for utility power system counterfeit detection |
JP6837612B1 (ja) * | 2020-05-28 | 2021-03-03 | 三菱電機株式会社 | 機器状態監視装置および機器状態監視方法 |
CN111649872B (zh) * | 2020-06-11 | 2022-02-15 | 武汉飞恩微电子有限公司 | 具备冗余诊断的压力传感器系统 |
US11341743B2 (en) * | 2020-06-12 | 2022-05-24 | Wärtsilä Finland Oy | Apparatus and computer implemented method in marine vessel data system for generating anomaly heatmap information using neural network |
CN111859681B (zh) * | 2020-07-24 | 2023-10-03 | 重庆大学 | 一种基于arfima模型的线性结构损伤识别方法 |
CN111931851A (zh) * | 2020-08-11 | 2020-11-13 | 辽宁工程技术大学 | 一种基于一维残差神经网络的风机叶片结冰故障诊断方法 |
US11941521B2 (en) | 2020-09-11 | 2024-03-26 | Acoem France | Vibrating machine automated diagnosis with supervised learning |
CN112051836B (zh) * | 2020-09-11 | 2021-09-24 | 江苏科技大学 | 基于多核模型的水下机器人推进器状态监测方法 |
DE102020213899A1 (de) | 2020-11-04 | 2022-05-05 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein | Sensorsystem |
KR102235243B1 (ko) * | 2020-11-11 | 2021-04-02 | 주식회사 디씨알 | 스마트 진동 분석 장치 |
US11892830B2 (en) | 2020-12-16 | 2024-02-06 | Uptake Technologies, Inc. | Risk assessment at power substations |
CN112668164A (zh) * | 2020-12-18 | 2021-04-16 | 武汉大学 | 诱导有序加权证据推理的变压器故障诊断方法及系统 |
EP4033317A1 (de) * | 2021-01-26 | 2022-07-27 | Sedapta S.r.l. | Methode und system zum verwalten eines cyber-physikalischen produktionssystems mit vorrausschauenden fähigkeiten zur erkennung von annormalen betriebsbedingungen |
US11721133B2 (en) | 2021-03-30 | 2023-08-08 | International Business Machines Corporation | Augmented generation of vehicular diagnostics |
CN113162498B (zh) * | 2021-04-27 | 2021-12-21 | 谷芯(广州)技术有限公司 | 一种基于模糊pi控制的永磁同步电机矢量控制方法及系统 |
CN113218907B (zh) * | 2021-05-07 | 2022-09-27 | 电子科技大学 | 一种红外无损检测设备状态判别系统及方法 |
CN113253682B (zh) * | 2021-05-17 | 2022-04-29 | 中国石油大学(华东) | 非线性化工过程故障检测方法 |
CN113534776B (zh) * | 2021-07-16 | 2022-08-26 | 珠海丽珠试剂股份有限公司 | 数据处理方法、装置和流水线系统 |
US11822036B2 (en) | 2021-10-07 | 2023-11-21 | Oracle International Corporation | Passive spychip detection through time series monitoring of induced magnetic field and electromagnetic interference |
CN114167837B (zh) * | 2021-12-02 | 2023-09-15 | 中国路桥工程有限责任公司 | 一种铁路信号系统的智能故障诊断方法及系统 |
CN114429153B (zh) * | 2021-12-31 | 2023-04-28 | 苏州大学 | 基于终身学习的齿轮箱增量故障诊断方法及系统 |
CN114963408B (zh) * | 2022-05-25 | 2024-04-16 | 日照安泰科技发展有限公司 | 一种基于数据和特征增强的空调系统非均衡故障诊断方法 |
CN115056228B (zh) * | 2022-07-06 | 2023-07-04 | 中迪机器人(盐城)有限公司 | 一种机器人的异常监控和处理系统及方法 |
CN115081754B (zh) * | 2022-08-19 | 2022-11-15 | 合肥工业大学 | 基于混合鲸鱼-变邻域搜索的生产与维修调度方法 |
CN116382224B (zh) * | 2023-06-05 | 2023-08-04 | 云印技术(深圳)有限公司 | 一种基于数据分析的包装设备监测方法及系统 |
CN117436024B (zh) * | 2023-12-19 | 2024-03-08 | 湖南翰文云机电设备有限公司 | 一种基于钻机运行数据分析的故障诊断方法及系统 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS59229622A (ja) * | 1983-06-10 | 1984-12-24 | Toshiba Corp | プラント診断装置 |
JPS61218323A (ja) * | 1985-03-20 | 1986-09-27 | 株式会社東芝 | 事故判定方法 |
JPH0625930B2 (ja) * | 1985-09-24 | 1994-04-06 | 株式会社東芝 | プラント診断装置 |
JP2517036B2 (ja) * | 1985-11-27 | 1996-07-24 | ザ・トラステイ−ズ・オブ・ボストン・ユニバ−シテイ | パタ―ン認識システム及び方法 |
EP0247163B1 (de) * | 1985-11-27 | 1992-02-05 | Trustees Of Boston University | System zur musterkodierung |
US4803736A (en) * | 1985-11-27 | 1989-02-07 | The Trustees Of Boston University | Neural networks for machine vision |
US5133021A (en) * | 1987-06-19 | 1992-07-21 | Boston University | System for self-organization of stable category recognition codes for analog input patterns |
US4914708A (en) * | 1987-06-19 | 1990-04-03 | Boston University | System for self-organization of stable category recognition codes for analog input patterns |
US4901218A (en) * | 1987-08-12 | 1990-02-13 | Renishaw Controls Limited | Communications adaptor for automated factory system |
KR890007306A (ko) * | 1987-10-30 | 1989-06-19 | 제트.엘.더머 | 온라인 밸브 진단 감시 시스템 |
JPH06101079B2 (ja) * | 1988-11-09 | 1994-12-12 | 三菱電機株式会社 | プラント異常診断装置 |
US5315502A (en) * | 1989-06-09 | 1994-05-24 | Mitsubishi Denki Kabushiki Kaisha | Plant operation support apparatus and method using expert systems |
JPH0385601A (ja) * | 1989-08-30 | 1991-04-10 | Matsushita Electric Ind Co Ltd | ファジィ同定器 |
JPH04211829A (ja) * | 1990-03-27 | 1992-08-03 | Ricoh Co Ltd | 複合型エキスパートシステム |
US5121467A (en) * | 1990-08-03 | 1992-06-09 | E.I. Du Pont De Nemours & Co., Inc. | Neural network/expert system process control system and method |
US5130936A (en) * | 1990-09-14 | 1992-07-14 | Arinc Research Corporation | Method and apparatus for diagnostic testing including a neural network for determining testing sufficiency |
US5402519A (en) * | 1990-11-26 | 1995-03-28 | Hitachi, Ltd. | Neural network system adapted for non-linear processing |
US5157738A (en) * | 1990-12-18 | 1992-10-20 | Trustees Of Boston University | Rapid category learning and recognition system |
WO1992013306A1 (en) * | 1991-01-15 | 1992-08-06 | Trustees Of Boston University | Vector associative map system |
US5214715A (en) * | 1991-01-31 | 1993-05-25 | Trustees Of Boston University | Predictive self-organizing neural network |
US5357449A (en) * | 1991-04-26 | 1994-10-18 | Texas Instruments Incorporated | Combining estimates using fuzzy sets |
US5414645A (en) * | 1991-10-25 | 1995-05-09 | Mazda Motor Corporation | Method of fault diagnosis in an apparatus having sensors |
US5402520A (en) * | 1992-03-06 | 1995-03-28 | Schnitta; Bonnie S. | Neural network method and apparatus for retrieving signals embedded in noise and analyzing the retrieved signals |
-
1993
- 1993-12-30 US US08/176,482 patent/US5566092A/en not_active Expired - Lifetime
-
1994
- 1994-12-16 FR FR9415525A patent/FR2714750B1/fr not_active Expired - Fee Related
- 1994-12-28 JP JP6328248A patent/JPH07209143A/ja not_active Withdrawn
- 1994-12-30 DE DE4447288A patent/DE4447288B4/de not_active Expired - Fee Related
Cited By (73)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5842157A (en) * | 1995-10-10 | 1998-11-24 | Carl Schenck Ag | Process for monitoring a machine or installation |
EP0768584A1 (de) * | 1995-10-10 | 1997-04-16 | Carl Schenck Ag | Verfahren zur Überwachung einer Maschine oder Anlage |
DE19732046A1 (de) * | 1997-07-25 | 1999-01-28 | Abb Patent Gmbh | Prozeßdiagnosesystem und Verfahren zur Diagnose von Vorgängen und Zuständen eines technischen Prozesses |
DE19903233B4 (de) * | 1999-01-27 | 2005-08-04 | Hrch. Huppmann Gmbh | Brauereianlage mit akustischer Überwachung und Verfahren zur Steuerung oder Regelung einer Brauereinlage |
DE19903233A1 (de) * | 1999-01-27 | 2000-08-10 | Hrch Huppmann Gmbh | Brauereianlage mit akustischer Überwachung |
DE10034524A1 (de) * | 2000-07-15 | 2002-01-24 | Volkswagen Ag | Verfahren und Vorrichtung zur Erkennung einer unfallbedingten Verformung mindestens eines Bauteils eines Kraftfahrzeugs |
DE10034524B4 (de) * | 2000-07-15 | 2017-08-10 | Volkswagen Ag | Verfahren und Vorrichtung zur Erkennung einer unfallbedingten Verformung mindestens eines Bauteils eines Kraftfahrzeugs |
DE10036971A1 (de) * | 2000-07-28 | 2002-02-28 | Siemens Ag | Verfahren zur Ferndiagnose eines technologischen Prozesses |
DE10126251A1 (de) * | 2001-05-29 | 2003-01-23 | Buehler Ag | Online-Prozessüberwachung und Online-Prozessmodelierung |
DE10210565A1 (de) * | 2002-03-09 | 2003-09-18 | Abb Research Ltd | System und Verfahren zur Vorhersage von Störungsauswirkungen |
DE10225343A1 (de) * | 2002-06-06 | 2003-12-18 | Abb Research Ltd | Verfahren zur Erkennung von Ausreißern in einer Folge von digitalisierten Messwerten |
EP1394759A2 (de) * | 2002-08-23 | 2004-03-03 | Link Systemtechnik GmbH | Stör- und/oder Zustandsanalyse |
EP1394759A3 (de) * | 2002-08-23 | 2007-06-27 | Link Systemtechnik GmbH | Stör- und/oder Zustandsanalyse |
WO2007024203A2 (en) * | 2004-06-09 | 2007-03-01 | Polaroid Corporation | System and method for determining maintenance needs of complex electromechanical systems |
WO2007024203A3 (en) * | 2004-06-09 | 2007-04-26 | Polaroid Corp | System and method for determining maintenance needs of complex electromechanical systems |
CN101057193B (zh) * | 2004-06-09 | 2016-05-11 | 高智第一有限责任公司 | 用于确定复杂机电系统维护需要的系统和方法 |
DE102004028559A1 (de) * | 2004-06-15 | 2006-01-05 | Abb Patent Gmbh | Verfahren und System zur Verschleißabschätzung von Achsen eines Roboterarmes |
DE102004028565A1 (de) * | 2004-06-15 | 2006-01-05 | Abb Patent Gmbh | Verfahren und System zur Ermittlung eines Wartungsbedarfs |
US8290708B2 (en) | 2004-06-15 | 2012-10-16 | Abb Patent Gmbh | Method and system for determining a servicing requirement |
US7643946B2 (en) | 2004-06-15 | 2010-01-05 | Abb Patent Gmbh | Method and system for appraising the wear of axles of a robot arm |
EP1913506A4 (de) * | 2005-07-11 | 2008-08-13 | Brooks Automation Inc | Intelligente zustandsüberwachung und fehlerdiagnosesystem für prädiktive wartung |
US8356207B2 (en) | 2005-07-11 | 2013-01-15 | Brooks Automation, Inc. | Intelligent condition monitoring and fault diagnostic system for preventative maintenance |
EP1913506A2 (de) * | 2005-07-11 | 2008-04-23 | Brooks Automation, Inc. | Intelligente zustandsüberwachung und fehlerdiagnosesystem für prädiktive wartung |
EP2998894A1 (de) * | 2005-07-11 | 2016-03-23 | Brooks Automation, Inc. | Intelligentes zustandsüberwachungs- und fehlerdiagnosesystem |
US7941393B2 (en) | 2006-10-28 | 2011-05-10 | Abb Technology Ag | Method for predictive determination of a process variable based on an assignment of a discrete measured value |
WO2008052711A1 (de) * | 2006-10-28 | 2008-05-08 | Abb Technology Ag | Verfahren zur vorausschauenden ermittlung einer prozessgrösse |
DE102009027269A1 (de) | 2009-06-29 | 2010-12-30 | Trumpf Werkzeugmaschinen Gmbh + Co. Kg | System und Verfahren zur Überwachung des Zustands einer Maschine |
WO2011000368A1 (de) | 2009-06-29 | 2011-01-06 | Trumpf Werkzeugmaschinen Gmbh + Co. Kg | System und verfahren zur überwachung des zustands einer maschine |
DE102010013885A1 (de) * | 2010-03-30 | 2011-10-06 | Khs Gmbh | Mobile Wartungseinheit |
WO2012076427A1 (de) * | 2010-12-09 | 2012-06-14 | Basf Se | Verfahren und vorrichtung zur modellbasierten überwachung einer turbomaschine |
WO2012143252A1 (de) * | 2011-04-18 | 2012-10-26 | Krones Ag | Verfahren zum betreiben einer behältnisbehandlungsanlage mit störungsdiagnose |
CN103547511A (zh) * | 2011-04-18 | 2014-01-29 | 克朗斯股份公司 | 一种操作一具有故障诊断功能的容器处理系统的方法 |
CN103547511B (zh) * | 2011-04-18 | 2015-03-25 | 克朗斯股份公司 | 一种操作一具有故障诊断功能的容器处理系统的方法 |
US10489263B2 (en) | 2011-04-18 | 2019-11-26 | Krones Ag | Method for operating a container treatment system with fault diagnosis |
EP3168165A1 (de) * | 2011-04-18 | 2017-05-17 | Krones AG | Verfahren zum betreiben einer behältnisbehandlungsanlage mit störungsdiagnose |
EP2699477B1 (de) | 2011-04-18 | 2016-12-07 | Krones AG | Verfahren zum betreiben einer behältnisbehandlungsanlage mit störungsdiagnose |
CN102937534A (zh) * | 2012-11-26 | 2013-02-20 | 北京信息科技大学 | 一种基于组合预测模型对机电设备的故障预测方法 |
CN102937534B (zh) * | 2012-11-26 | 2014-08-27 | 北京信息科技大学 | 一种基于组合预测模型对机电设备的故障预测方法 |
CN105829983A (zh) * | 2013-12-16 | 2016-08-03 | 西门子公司 | 用于检测机器的当前的损伤状态的设备以及方法 |
WO2015090698A1 (de) * | 2013-12-16 | 2015-06-25 | Siemens Aktiengesellschaft | Vorrichtung sowie verfahren zum erfassen des aktuellen schädigungszustandes einer maschine |
CN105829983B (zh) * | 2013-12-16 | 2018-05-11 | 西门子公司 | 用于检测机器的当前的损伤状态的设备以及方法 |
US10088830B2 (en) | 2013-12-16 | 2018-10-02 | Siemens Aktiengesellschaft | Apparatus and method for detecting the current damaged state of a machine |
AT517886B1 (de) * | 2015-11-05 | 2018-05-15 | Engel Austria Gmbh | Vorrichtung zum Überprüfen eines Zustandes eines Maschinenteils |
AT517886A1 (de) * | 2015-11-05 | 2017-05-15 | Engel Austria Gmbh | Vorrichtung zum Überprüfen eines Zustandes eines Maschinenteils |
US10203677B2 (en) | 2015-11-05 | 2019-02-12 | Engel Austria Gmbh | Apparatus for checking a state of a machine part |
EP3238887A3 (de) * | 2016-04-18 | 2017-11-15 | Toyota Jidosha Kabushiki Kaisha | Vorrichtung zur feststellung von anomalien und verfahren zur feststellung von anomalien |
US10335948B2 (en) | 2016-04-18 | 2019-07-02 | Toyota Jidosha Kabushiki Kaisha | Abnormality determining device and abnormality determining method |
US11448567B2 (en) * | 2016-05-06 | 2022-09-20 | Dana Italia S.R.L. | Sensor system for monitoring a vehicle axle and for discriminating between a plurality of axle failure modes |
WO2018050438A3 (de) * | 2016-09-13 | 2018-05-31 | Primetals Technologies Germany Gmbh | Verwendung umfassender künstlicher intelligenz bei anlagen der grundstoffindustrie |
US11294338B2 (en) | 2016-09-13 | 2022-04-05 | Primetals Technologies Germany Gmbh | Use of comprehensive artificial intelligence in primary industry plants |
DE102018111892B4 (de) | 2017-05-22 | 2023-06-29 | Okuma Corporation | Betriebsüberwachungsvorrichtung und Steuerprogramm dafür |
DE102018210520B3 (de) | 2018-06-27 | 2019-09-05 | Kuka Deutschland Gmbh | Verfahren und System zur Diagnose eines Maschinenprozesses |
WO2020002021A1 (de) | 2018-06-27 | 2020-01-02 | Kuka Deutschland Gmbh | Verfahren und system zur diagnose eines maschinenprozesses |
CN112534370A (zh) * | 2018-08-12 | 2021-03-19 | 斯凯孚人工智能有限公司 | 用于预测工业机器故障的系统和方法 |
CN109271697A (zh) * | 2018-09-10 | 2019-01-25 | 云南省红河州水利水电勘察设计研究院 | 基于VBA处理AutoCAD中断面数据处理系统及方法、计算机程序 |
DE102019116139A1 (de) * | 2019-06-13 | 2020-12-17 | Endress+Hauser Group Services Ag | Verfahren zum Überprüfen des Produktionsprozesses von Feldgeräten mittels eines Machine-Learning-, bzw. Prognosesystems |
US11586984B2 (en) | 2019-06-13 | 2023-02-21 | Endress+Hauser Group Services Ag | Method for verifying the production process of field devices by means of a machine-learning system or of a prognosis system |
CN110412997A (zh) * | 2019-07-22 | 2019-11-05 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于神经网络的航天器姿控喷管故障智能诊断系统及方法 |
CN110412997B (zh) * | 2019-07-22 | 2022-05-10 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于神经网络的航天器姿控喷管故障智能诊断系统及方法 |
DE102020101008B3 (de) * | 2019-10-25 | 2021-04-29 | Computational Systems, Inc. | Verfahren und vorrichtung zur maschinenüberwachung mit kontinuierlicher verbesserung einer vorausschauenden wartungsdatenbank |
DE102020111674A1 (de) | 2020-04-29 | 2021-11-04 | Krones Aktiengesellschaft | Behälterbehandlungsmaschine und Verfahren zum Überwachen des Betriebs einer Behälterbehandlungsmaschine |
DE102020205895A1 (de) | 2020-05-11 | 2021-11-11 | Iba Ag | Verfahren sowie Vorrichtung zur automatischen Überwachung eines zyklischen Prozesses |
DE102021109399A1 (de) | 2021-04-14 | 2022-10-20 | Pilz Gmbh & Co. Kg | Vorrichtung und Verfahren zur Identifizierung von Veränderungen an einer Maschinenanordnung |
WO2022233724A1 (de) * | 2021-05-06 | 2022-11-10 | Liebherr-Components Biberach Gmbh | Vorrichtung zum bestimmen des ist-zustands und/oder der restlebensdauer von strukturbauteilen einer arbeitsmaschine |
US20230121897A1 (en) * | 2021-10-20 | 2023-04-20 | Oracle International Corporation | Autonomous discrimination of operation vibration signals |
US11740122B2 (en) * | 2021-10-20 | 2023-08-29 | Oracle International Corporation | Autonomous discrimination of operation vibration signals |
CN113696454A (zh) * | 2021-10-28 | 2021-11-26 | 南通三信塑胶装备科技股份有限公司 | 一种基于人工智能的挤塑设备故障预警方法及系统 |
CN114252250A (zh) * | 2021-12-09 | 2022-03-29 | 郑州恩普特科技股份有限公司 | 一种基于部件分解的机械故障诊断方法 |
CN114252250B (zh) * | 2021-12-09 | 2023-08-01 | 郑州恩普特科技股份有限公司 | 一种基于部件分解的机械故障诊断方法 |
DE102022102379A1 (de) | 2022-02-02 | 2023-08-03 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Betreiben einer Anlage für eine Serienherstellung von Bauteilen, Computerprogramm und Datenträger |
DE102022108584A1 (de) | 2022-04-08 | 2023-10-12 | Krones Aktiengesellschaft | Verfahren und Vorrichtung zur automatischen Ermittlung eines aktuellen Zustands einer in Betrieb befindlichen Anlage |
WO2024051977A1 (de) * | 2022-09-06 | 2024-03-14 | Krones Aktiengesellschaft | Verfahren und steuerungseinheit zur steuerung von prozessen bei der handhabung von artikeln |
DE102023105820B3 (de) | 2023-03-09 | 2024-05-29 | Perma-Tec Gmbh & Co. Kg | Verfahren zur Bestimmung und/oder Überwachung des Zustandes eines Schmierstoffspenders |
Also Published As
Publication number | Publication date |
---|---|
US5566092A (en) | 1996-10-15 |
FR2714750A1 (fr) | 1995-07-07 |
JPH07209143A (ja) | 1995-08-11 |
FR2714750B1 (fr) | 1996-09-06 |
DE4447288B4 (de) | 2007-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE4447288B4 (de) | Maschinenfehlerdiagnosesystem und -verfahren | |
DE102017000536B4 (de) | Zellsteuereinheit zum Feststellen einer Ursache einer Anomalie bei einer Fertigungsmaschine | |
DE102017009223B4 (de) | Steuervorrichtung zum Steuern eines Roboters durch Lernen einer Aktion einer Person, Robotersystem und Produktionssystem | |
DE102019126310B4 (de) | System und Verfahren zum Optimieren der Verbrennung eines Kessels | |
DE60211002T2 (de) | Verfahren und system zum analysieren der steuerschaltungsleistungsfähigkeit in einem industriellen prozess | |
EP1250632B1 (de) | System und verfahren zur ermittlung der produktionsanlagen-effektivität, von fehlerereignissen und der fehlerursachen | |
DE60212121T2 (de) | Erzeugung von prozessverwandten daten | |
DE69910800T2 (de) | Verfahren und Vorrichtung zur Überwachung des Betriebszustandes einer einzelnen Maschine | |
DE4108310C2 (de) | Verarbeitungssystem für eine Wissensbank in einem Expertensystem | |
DE60203458T3 (de) | Integrierte Steuerung und Diagnose für ein motorbetriebenes System unter Verwendung von Schwingungs-, Druck-, Temperatur-, Geschwindigkeits-, und/oder Stromanalyse | |
DE602005004997T2 (de) | Diagnostisches Verfahren und System | |
DE4436658B4 (de) | Vorrichtung und Verfahren zur Störungsuntersuchung | |
DE112006000819T5 (de) | Diagnose- und Vorhersageverfahren und -system | |
Merkt | On the use of predictive models for improving the quality of industrial maintenance: An analytical literature review of maintenance strategies | |
DE112004000432T5 (de) | Generierung von Daten für die Kennzeichnung des betrieblichen Zustands von Maschinen | |
EP0643345A1 (de) | Verfahren und Datenverarbeitungsanlage zur Überwachung von Betriebszuständen einer technischen Anlage | |
EP0718732A2 (de) | Verfahren und Vorrichtung zum Steuern eines autonom explorierenden Roboters | |
Khodabakhshian | Maintenance management of tractors and agricultural machinery: Preventive maintenance systems | |
EP3282399B1 (de) | Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem | |
DE102017003427A1 (de) | Produktionssystem zur Durchführung eines Produktionsplans | |
EP3876060B1 (de) | Verfahren und recheneinheit zur ursachenanalyse eines anomalen zustandes einer maschine | |
EP3876062B1 (de) | Verfahren und recheneinheit zur überwachung des zustandes einer maschine | |
DE102021210107A1 (de) | Computerimplementierte Verfahren, Module und System zur Anomalieerkennung in industriellen Fertigungsprozessen | |
EP0897155A1 (de) | Verfahren zur Steuerung von Prozessvorgängen | |
DE102008032885A1 (de) | Verfahren und Vorrichtung zur Überprüfung und Feststellung von Zuständen eines Sensors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8110 | Request for examination paragraph 44 | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |