DE4447288B4 - Maschinenfehlerdiagnosesystem und -verfahren - Google Patents

Maschinenfehlerdiagnosesystem und -verfahren Download PDF

Info

Publication number
DE4447288B4
DE4447288B4 DE4447288A DE4447288A DE4447288B4 DE 4447288 B4 DE4447288 B4 DE 4447288B4 DE 4447288 A DE4447288 A DE 4447288A DE 4447288 A DE4447288 A DE 4447288A DE 4447288 B4 DE4447288 B4 DE 4447288B4
Authority
DE
Germany
Prior art keywords
machine
module
fault
error
network
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.)
Expired - Fee Related
Application number
DE4447288A
Other languages
English (en)
Other versions
DE4447288A1 (de
Inventor
Hsu-Pin Tallahassee Wang
Hsin-Hao Huang
Gerald M. Knapp
Chang-Ching Tallahassee Lin
Shui-Shun Tallahassee Lin
Julie K. Tallahassee Spoerre
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Caterpillar Inc
Original Assignee
Caterpillar Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Caterpillar Inc filed Critical Caterpillar Inc
Publication of DE4447288A1 publication Critical patent/DE4447288A1/de
Application granted granted Critical
Publication of DE4447288B4 publication Critical patent/DE4447288B4/de
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

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)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

Fehlerdiagnosesystem (400), das folgendes aufweist:
(a) ein Datenerfassungsmodul (410), das Sensorsignale sammelt;
(b) ein Diagnosemodul (420), das mit dem Datenerfassungsmodul (410) verbunden ist und das Detektieren und die Diagnose für eine gegenständliche Maschine oder einen Prozeßon-line durchführt und Empfehlungen bezüglich der Fehlerdetektierung und der Fehlerdiagnose liefert; und
(c) ein Maschinenmodellmodul (430), das mit dem Diagnosemodul (420) verbunden ist und ein gegenständliches Modell vorsieht zum Identifizieren von Fehlerzuständen, die von dem Diagnosemodul (420) nicht diagnostiziert werden können,
dadurch gekennzeichnet, dass das Diagnosemodul (420) ein Parametermodellmodul (310), ein modifiziertes ARTMAP-Neuralnetzwerk (200), ein Fuzzy-Logic-Modul (940) und ein Expertensystem umfaßt.

Description

  • Technisches Gebiet
  • Die vorliegende Erfindung bezieht sich allgemein auf das Gebiet der Maschinenfehlerdiagnose und insbesondere auf ein System und ein Verfahren, das voraussagende Wartung verwendet für On-Line-Echtzeit-Überwachung mechanischer Bauteile oder Komponenten auf mögliche Ausfälle oder Betriebsstörungen.
  • Verwandte Technik
  • Während der letzten Jahrzehnte hat die Industrie verschiedene 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 Herstellungsprozesses anerkannt, der in der Lage ist, die Produktivität und Qualität zu erhöhen.
  • Wegen der vermehrten Verwendung von Robotern, Automatisierung und höher entwickelten Maschinen beim Herstellungsprozeß 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 Aufgaben 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 Arbeitskosten. Daher ist eine Wartungsstrategie, die in wirksamer Weise Wartungskosten vermindert, wichtig für eine moderne Industrie, um wettbewerbsfähig zu bleiben.
  • Die drei üblichsten Wartungsstrategien sind Ausfallwartung 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 voraussagende 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 angewandt. 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 Folgeschaden am Maschinenpark und die möglichen Sicherheitsrisiken hoch sind, dann ist diese Strategie nicht akzeptabel. Eine anscheinende Verbesserung dieser Strategie ist, präventive Wartung zu verwenden.
  • Obwohl präventive Wartung das Auftreten von Maschinenausfällen 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 notwendigerweise in regelmäßigen Zeitabständen versagen oder kaputt gehen. Zweitens geht wertvolle Produktionszeit verloren, da es klug ist, so viele Bauteile oder Komponenten 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 voraussagende Wartungsstrategie zu übernehmen, die den Zustand, die Leistung und die Zuverlässigkeit von Maschinen vorhersagt, 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 Wartungsstrategie als Teil ihres Wartungsprogramms übernommen, um die Zuverlässigkeit, Produktivität und Verfügbarkeit zu erhöhen, während sie die Wartungskosten und die Gesamtbetriebskosten minimieren.
  • Maschinenüberwachung und -diagnose kann als ein entscheidungsstützendes 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 vorherzusagen. 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(-aufgabe) kann nicht rechtzeitig ausgeführt werden. Daher ist Maschinenüberwachung und -diagnose wesentlich für ein effektives voraussagendes Wartungsprogramm.
  • Das letztendliche Ziel der Verwendung von Maschinenüberwachung 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 Zuverlässigkeit erhöhen durch Maximieren der mittleren bzw. durchschnittlichen Zeit zwischen Ausfällen (mean time between failures) und gleichzeitig die Wartungsfreundlichkeit 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 Ergebnis davon werden die Zuverlässigkeit und die Wartungsfreundlichkeit 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 Identifizierung bzw. das Erkennen eines Maschinenschadens jedoch völlig abhängig von der Erfahrung der Bedienungsperson oder des Ingenieurs. Außerdem werden viele Maschinenschäden nicht genau bestimmt oder akkurat eingeschätzt, 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 Emissionsanalyse, Infrarot- und Ultraschallanalyse, entwickelt, um dem Wartungstechniker oder -ingenieur zu helfen, Maschinenschäden zu detektieren und zu diagnostizieren.
  • Die Art von Signalverarbeitungstechnik, die zur Maschinenüberwachung 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, Temperatur, Kraft, Druck, Motorstrom, Schmieröl etc. Viele Studien 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), Mustererkennung 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 Maschinenüberwachungs- 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 Signalverarbeitungstechniken 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 Maschinenzustand ändert. Abnutzung oder Schäden an drehenden Elementen, Unausgeglichenheit bzw. Unwucht und Resonanz können übermäßige Schwingungen erzeugen.
  • Im allgemeinen können Schwingungsdaten in zwei unterschiedlichen 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 International 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 Entwerfen oder Konstruieren von Indices, die empfindlich sind auf die Größe impulsiver Schwingungen, die beobachtet 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, Kurtosisanalyse (Völligkeitsgrad-, Blockkoeffizient- oder Wölbungsanalyse), Zeitwellenform und Orbits (Transivitätssysteme). 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, Umhüllenden- 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, einschließlich niedriger Frequenzauflösung, impliziter Fensterbildung der Daten und keiner erheblichen Datenreduktion oder -verminderung.
  • Zusätzlich zur Spektralanalyse wurde die Parametermodelltechnik verwendet zum Abschätzen des Schwingungsspektrums. Durch Verwendung dieser Technik wurde versucht, die natürlichen oder inhärenten Beschränkungen der obengenannten FFT-Technik zu überwinden bzw. zu umgehen. Zwei Hauptvorteile der Verwendung einer Parametermodelltechnik 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 Parametermodelltechniken das Schwingungsspektrum abschätzen, beispielsweise das autoregressive (AR) Verfahren, das autoregressive Verfahren mit gleitendem Durchschnitt (ARMA = autoregressive and moving average), das Verfahren nach Prony (Prony's method), das Verfahren der minimalen Varianz und das Kovarianzverfahren. Eine detailierte Übersicht über diese Techniken ist angegeben in S.M. Kay und S.L. Marple, "Spectrum Analysis – A Modern Perspective", 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", Proceedings of the 1st 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-Informationskriterium), die als die Zielfunktion (objective function) zur Ordnungsauswahl verwendet werden können. In dem neueren Werk von C.C. Lin, "Classification of Autoregressive 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 Maschinenfehlern. Jedoch waren sie nicht in der Lage, die Ursache des Fehlers zu identifizieren. Diese Fehlererkennungsaufgabe wird üblicherweise durch den Analysierer 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 Parametermodelltechnik 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 = Rückwärtsverkettung).
  • Viele Expertensysteme wurden während der letzten Jahre für die Maschinendiagnose entwickelt. Eine detailierte Übersicht über Fehlerdiagnose-Expertensysteme ist angegeben 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 Entscheidungsketten arbeiten müssen, um zu einem Schluß zu kommen, wird mehr Verarbeitungs- bzw. Rechnerzeit benötigt. Daher macht die kurze Ansprechzeit, die benötigt wird, um Maschinenüberwachung 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 vielversprechendsten 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 mögliche 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 diagnostizieren, 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 Mustererkennungstechniken, 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., "Automotive Control System Diagnostics Using Neural Nets for Rapid Pattern Classification of Large Data Sets", Proceedings 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 Manufacturing 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 Qualitiy 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 Neuralnetzwerken 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 Expertensystemen 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 fo 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 Multisensorintegration bezeichnet wird, ist ein Integrationsverfahren für Informationen, die von verschiedenen Sensoren erhalten werden. Sie wird verwendet in der Hoffnung, beim Treffen von Entscheidungen menschenähnliche 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) betreffend 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 Verwendung 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 individuellen 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 verarbeiteten Daten werden normalerweise durch ein Vorverarbeitungsverfahren erzeugt, das Mustererkennung, Rauschfiltern oder Datenreduktion durchführt. Sie können entweder 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 verschiedener 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 verfügbar. Diese Verfahren reichen von Wahrscheinlichkeitsverteilungen 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 Sensorfusion und schließen daraus, daß eine Neuralnetzwerktechnik effektiver bzw. wirksamer ist beim Erlernen einer Beziehung zum Vorsehen von Parameterschätzungen, insbesondere wenn die Beziehung zwischen der Information auf Sensorbasis und dem tatsächlichen Parameter nichtlinear ist; auch ist eine Neuralnetzwerktechnik weniger empfindlich auf deterministische Fehler in der Information auf Sensorbasis als die anderen drei Techniken.
  • Einige populäre Techniken im Bereich der Maschinenüberwachung 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.
  • EP 0 368 265 A2 offenbart eine Anlagendiagnosevorrichtung und wurde als Grundlage für den Oberbegriff des Patentanspruchs 1 verwendet. Insbesondere ist dort eine Anlagendiagnosevorrichtung zum Bestimmen eines Auslösers eines Fehlers in einem Kraftwerk offenbart, mit einer Eingabeverarbeitungseinrichtung zum Eingeben von Daten der Anlage; einer Anlagen-Übergangsdaten-Datei zum Speichern von Übergangswerten der Anlagencharakteristika, basierend auf Daten von der Eingabeverarbeitungseinrichtung; einer Fehlererfassungseinrichtung zum Erfassen eines Fehlers in der Anlage basierend auf den Daten von der Eingabeverarbeitungseinrichtung; einer Auslöser-Abschätzungseinrichtung zum Abschätzen des Auslösers des Fehlers aus einem durch die Fehlererfassungseinrichtung erfaßten Fehlerereignis; einer Auslöserabschätzungsbilderzeugungseinrichtung zum Erzeugen eines Bildes, welches durch die Daten von der Auslöserabschätzeinrichtung angezeigt wird; einer Anzeigeverarbeitungseinrichtung zum Anzeigen und Steuern der durch die Auslöserabschätzungsbilderzeugungseinrichtung erzeugten Bilder; und einer Anzeigeeinheit zum Anzeigen der Bilder durch Steuern der Anzeigeverarbeitungseinrichtung, wobei folgendes verwendet wird: ein Anlagen-Kennwerte-Modell zum Speichern von Anlagencharakteristika; eine Simulationssteuerungseinrichtung zum Erzeugen eines Simulationsmodells für den Bereich, der dem Fehler zugeordnet ist, welcher durch die Auslöserabschätzungseinrichtung abgeschätzt wird, extrahiert aus dem Anlagen-Kennwerte-Modell, und zum Errechnen der Simulation basierend auf Daten von der Anlagen-Übergangsdaten-Datei und dem erzeugten Simulationsmodell; und eine Simulationsbilderzeugungseinrichtung zum Erzeugen eines Bildes des durch die Simulationssteuerungseinrichtung errechneten Simulationswertes; wobei die Anzeigeverarbeitungseinrichtung ebenfalls das durch die Simulationsbilderzeugungseinrichtung erzeugte Bild anzeigt und steuert.
  • Ferner wird hinsichtlich des Standes der Technik noch aus DE 34 21 522 A1 , EP 0 216 356 A2 , EP 401 816 A2 , und WO 92/02863 A2 verwiesen.
  • Es ist daher die Aufgabe der vorliegenden Erfindung, die bekannten Diagnosevorrichtungen dahingehend zu verbessern, eine schnelle und dennoch präzise Diagnose vorzusehen, die die Schwächen der einzelnen bekannten Techniken minimiert.
  • Zusammenfassung der Erfindung
  • Diese Aufgabe wird gemäß der vorliegenden Erfindung gelöst durch ein Fehlerdiagnosesystem mit den Merkmalen des Patentanspruchs 1, sowie durch ein Verfahren zur Diagnose einer gegenständlichen Maschine oder eines Prozesses gemäß Patentanspruch 19. Bevorzugte Ausgestaltungen der Erfindung ergeben sich aus den Unteransprüchen.
  • Die vorliegende Erfindung sieht eine On-Line-Echtzeitüberwachung von Maschinenbauteilen oder -komponenten auf mögliche Fehler hin vor. Ein Maschinendiagnosesystem ist gezeigt, das mehrere verschiedene Technologien integriert, um mögliche Fehlerzustände in einer physichen oder physikalischen bzw. gegenständlichen Machine oder einem Prozeß zu detektieren oder aufzuspüren und Wartungspersonal zu alarmieren. Das Maschinendiagnosesystem umfaßt die Integration von Neuralnetzwerken, Expertensystemen, 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-Neuralnetzwerkarchitektur basiert. Das modifizierte ARTMAP-Netzwerk ist ein effizientes und robustes Paradigma (Beispiel), das die einzigartige Eigenschaft des inkrementellen Lernens besitzt. Anders als andere populäre Neutralnetzwerke, wie beispielsweise Zurückverfolgung bzw. Zurückfortpflanzung (back propagation), muß das modifzierte 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. akzeptiert. Ein ART-2-Neuralnetzwerk wird als das zugrundeliegende 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 Zielausgabemuster. Das Kartenfeld löst auch einen Vigilanz- oder Wachsamkeitstest aus, der die Nähe bzw. Übereinstimmung zwischen der Erkennungkategorie und dem Zielausgabemuster bestimmt. Während des Trainings des modifizierten ARTMAP-Netzwerks werden sowohl die Eingabemuster als auch die gewünschten Ausgabemuster dem modifizierten ARTMAP-Netzwerk 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 vorläufigen 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 Maschinendiagnosesystem 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 Reparaturgeschichte und der Maschinengebrauchsinformation, um wahrscheinliche Fehler zu bestimmen.
  • Das Erfordernis schneller Verarbeitung in einem On-Line-System war Anlaß für die Verwendung paralleler Verarbeitung. Als solche ist eine parallele Verarbeitungstechnik auf Transputerbasis gezeigt. Das FDN ist ausgeführt oder implementiert in einem Netzwerk von vier T800-25-Transputern.
  • Kurze Beschreibung der Figuren
  • Die oben genannten und weitere Vorteile dieser Erfindung können besser verstanden werden bei Bezugnahme auf die folgende Beschreibung in Verbindung mit der beiegefügten Zeichnung, in der:
  • 1 eine Neuralnetzwerkarchitektur darstellt, die voraussagende adaptive Resonanztheorie (ART = predictive Adaptive Resonance Theory) oder ARTMAP genannt wird;
  • 2 stellt ein modifiziertes ARTMAP-Netzwerk dar, das verwendet wird zur Durchführung überwachten Erlernens;
  • 3 zeigt einen Rahmen, der die drei Phasen der vorliegenden Erfindung zeigt;
  • 4 zeigt ein Blockdiagramm eines integrierten Maschinenüberwachungsdiagnosesystems auf hohem Niveau;
  • 5A und 5B zeigen ein Flußdiagramm eines Trainingsverfahrens für das modifizierte ARTMAP-Netzwerk;
  • 6 stellt ein Netzwerkdiagnoseverfahren dar;
  • 7 stellt drei Ebenen oder Niveaus der Fehlerdiagnose dar, die durch die vorliegende Erfindung verwendet werden;
  • 8 ist eine genauere Darstellung der F1-Lage oder -Ebene des modifizierten ARTMAP-Netzwerks;
  • 9 zeigt ein auf Fuzzy Logic basierendes Hypothese- und Testverfahren, das gemäß des bevorzugten Ausführungsbeispiels der vorliegenden Erfindung ausgeführt oder implementiert wurde;
  • 10 zeigt die physischen oder tatsächlichen Verbindungen der vier Transputer auf einer Quadputerplatte (Quadputer board);
  • 11 zeigt eine Transputerausführung oder -implementierung der Fehlerdiagnosenetzwerktraininingsvorgehensweise;
  • 12 zeigt eine Transputerausführung oder Implementierung des Hypothese- und Testverfahrens unter Verwendung eines Transputers und dreier Transputer;
  • 13 zeigt das Architekturdiagramm der Technik auf Transputerbasis, die das Softwarepaket Express umfaßt;
  • 14 zeigt eine Transputerausführung oder -implementierung einer Fehlerdiagnosevorgehensweise;
  • 15A und 15B zeigen ein Flußdiagramm für ein Fehlerdiagnoseverfahren für ein integriertes System, das gemäß der vorliegenden Erfindung konstruiert ist;
  • 16 zeigt ein ART-2-Netzwerk mit einem Beispiel eines Eingabevektors;
  • 17 zeigt ein Paramtermodellschema, das mit ankommenden Daten oder Autokorrelationsschätzungen (autocorrelation estimates) arbeitet;
  • 18 zeigt eine Zeichnung oder Darstellung der antizipierten Zufallsverteilung von Restfehlern (residuals), die einen normalen Maschinenzustand darstellt oder repräsentiert;
  • 19 ist ein detailliertes Flußdiagramm der Verfahrensweise oder Methodenlehre, die verwendet wird zum Berechnen eines EWMA (= exponentially weighted moving average = exponentiell gewichteter gleitender Durchschnitt) gemäß der vorliegenden Erfindung;
  • 20 zeigt das Empfindlichkeitsansprechen (Amplitude) eines Beschleunigungsmessers gegen Frequenzen;
  • 21 ist ein Flußdiagramm eines Diagnose- und Überwachungsverfahrens, das einen exponentiell gewichteten gleitenden Durchschnitt (EWMA = exponentially weighted moving average) verwendet;
  • 22 ist ein EWMA-Diagramm, das drei abnormale Zustände zeigt.
  • Genaue Beschreibung bevorzugter Ausführungsbeispiele
  • 1. Übersicht
  • Die vorliegende Erfindung sieht eine On-Line-Echtzeitüberwachung von Maschinenbauteilen auf mögliche Fehler hin vor. Ein Maschinendiagnosesystem ist gezeigt, daß Neuralnetzwerke, Expertensysteme, physische bzw. gegenständliche Modelle und Fuzzy Logic verwendet, um mögliche Fehlerzustände zu detektieren oder aufzuspüren, und Wartungspersonal zu alarmieren.
  • 4 zeigt ein Blockdiagramm eines integrierten Maschinenüberwachungsdiagnosesystems 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 Echtzeitdatensammlung. 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. gegenständliche 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 Maschinenmodellmodul 430 einen Tiefenfehlerentscheidungsmechanismus (deep fault reasoning mechanism) vor zum Identifizieren komplizierter oder mehrfacher Fehlerzustände.
  • Das Datenbankmodul 440 enthält wichtige Systeminformation einschließlich der Schadens- oder Reparaturgeschichte, Neuralnetzwerktrainingssaufzeichnungen, Betriebsbedingungen oder -zustände und Maschinengebrauch. Das Verwenderschnittstellenmodul 450 liefert eine verwenderfreundliche 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 Datenbankmanagementaktivität.
  • Das Diagnosesystem 400 vorverarbeitet Sensor-Eingaben, wie Schwingungen bzw. Vibration und Schall, unter Verwendung eines autoregressiven Modells (AR). Sobald die Daten verarbeitet sind, kann die Fehlerdiagnose auf drei verschiedenen Ebenen ausgeführt werden, wie es in 7 gezeigt ist. Auf der Fehlerdetektierungsebene 710 werden auf einer Gesamt-Quadratmittelwert (RMS = root mean square)-Messung basierende Indices und eine Kovarianzstatistik eines Verfahrens mit exponentiell gewichtetem gleitendem Durchschnitt (EWMA = exponentially weighted moving average) verwendet, um einen abnormalen Maschinenzustand 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 überschreitet. Die Sensordaten werden dann auf die Fehleridentifikationsebene 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 Fehlerdiagnosenetzwerk (FDN = fault diagnostic network) verwendet 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 Entscheidungstechnik 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 Empfehlungsebene 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 Reparaturgeschichte 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 15A und 15B dargestellt ist; die 15A und 15B sind im Abschnitt 4.5 in Einzelheiten beschrieben.
  • Mit Bezug auf 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 basierend 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 Erkennungskategorien selbst zu organisieren ansprechend auf zufällige 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 Steuereinheit verbunden, die autonomen bzw. selbständigen Systembetrieb in Echtzeit gewährleisten. Das Kartenfeld 130 steuert das Erlernen einer assoziativen Karte (map) aus ARTa-Erkennungskategorien in ARTb-Erkennungskategorien sowie einhergehendes Verfolgen des ARTa-Vigilanz- bzw. -Wachsamkeitsparameters 140 (ρ'). Der Vigilanzparameter 140 bestimmt die Nähe bzw. Übereinstimmung zwischen der ARTa-Erkennungskategorie und der ARTb-Erkennungskategorie.
  • Eine Neuralnetzwerkarchitektur und ein Trainingsverfahren ist gezeigt, das eine Modifizierung einer ARTMAP-Architektur ist. 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 Zielausgabemuster 220 (auch als Zielausgabevektor 220 bezeichnet) 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. Übereinstimmung 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 Ausführungsbeispiel besteht das Eingabemuster 210 aus zweihundert (200) Datenpunkten. Das gewünschte oder Soll-Ausgabemuster 220 ist ein Binärvektor, wobei jeder Knoten (node) des Vektors einem bestimmten Maschinenzustand entspricht. Während der Netzwerktestphase wird nur das Eingabemuster 210 an das modifizierte ARTMAP-Netzwerk 200 geliefert.
  • 2. Exponentiell gewichteter gleitender Durchschnitt
  • A. Theoretischer Hintergrund und Modellbildung
  • (a) Parametermodellverfahren
  • Parametermodellverfahren bearbeiten ankommende Daten oder Autokorrelationsschätzungen (autocorrelation estimates), um eine Menge oder einen Satz von Parametern zu berechnen, die einem "a priori"-Modell der Datenstatistik entspricht. Dieses Konzept kann in 17 gezeigt werden, wo die lineare Voraussage von yt ŷt = a1yt-1 + a2y1-2 + ... apyt-p (1)ist, und p ist die Anzahl autoregressiver Parameter in dem Modell.
  • (b) Autoregressiver Prozeß
  • Ein autoregressiver Prozeß wird durch eine Differenzgleichung in der Form dargestellt bzw. repräsentiert:
    Figure 00290001
    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-Zufallsvariablen mit konstanter Varianz, das heißt E{e(n)} = 0 (3)
    Figure 00300001
  • Die Folge e(n) wird weißes Gauss'sches Rauschen genannt. Somit ist ein autoregressiver Prozeß ein Lineardifferenzgleichungsmodell, wenn die Eingabe- oder Zwangsfunktion weißes Gauss'sches Rauschen ist (siehe S. Jangi et al., "Embedding Spectral Analysis in Equipment", IEEE Spectrum, Februar 1991, S. 42).
  • Somit kann für eine unter normalen Bedingungen arbeitende Maschine der Vibrations- oder Schwingungszustand der Maschine durch einen AR-Prozeß beschrieben werden, wobei die Werte von e(n) weißes Gauss'sches Rauschen sind.
  • (c) Modellbestätigung
  • Wenn das Modell geeignet ist, wird das Schwingungssignal weitgehend durch das Modell beschrieben oder definiert und die Abweichungen (deviations) oder die Restfehler bzw. Reste (residuals) des vorausgesagten Signals von dem tatsächlichen Signal für jeden Zeitpunkt werden wie weißes Gauss'sches Rauschen verteilt und daher zufällig um den Mittelwert Null verteilt. Wenn die stochastische Komponente weißes Rauschen ist und wenn der Trend des Schwingungssignals angemessen modelliert wurde, wird erwartet, daß eine Darstellung oder Zeichnung (Plot) der Restfehler über die Zeit eine rechteckige Streudarstellung (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 Restfehler über die Zeit für einen Datensatz, der einen normalen Maschinenzustand repräsentiert, wie es in 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 Normalverteilung stark angenähert sein.
  • Eine letzte Überprüfung auf Normalität hin wurde durchgeführt durch Berechnen der Normalwerte bzw. Normalergebnisse (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 3-4). In ähnlicher Weise ergab jeder der anderen 7 Datensätze ungefähr eine gerade Linie in der Darstellung der standardisierten Restfehler gegen Normalwerte.
  • (d) Auswahl der AR-Parameter
  • Eine Bestimmung der AR-Parameter kann durch eine von mehreren Techniken durchgeführt werden: Yule-Walker-Verfahren, Burg-Verfahren, Kovarianz-Verfahren, modifiziertes 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 Kovarianzverfahren verwendet, da es Probleme beseitigt, die bei Verwendung der anderen Verfahren angetroffen werden – Frequenzauflösung, Spektrallinienteilung bzw. -splitting und Verzerrung oder Verfälschung (bias) der Frequenzschätzung (siehe S. Jangi et al., "Embedding Spectral Analysis in Equipment", IEEE Spectrum, Februar 1991, S. 42).
  • (e) Auswahl der AR-Ordnung
  • Die Kriterien, die für die Auswahl der AR-Modell-Ordnung verwendet wurden, waren die Funktion des letzten Vorhersagefehlers (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 Durchschnittsfehlervarianz 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 repräsentiert. FPE für einen AR-Prozeß wird wie folgt definiert:
    Figure 00320001
    wobei N die Anzahl von Datensätzen bzw. -proben (samples) ist, p ist die Ordnung und
    Figure 00330001
    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:
    Figure 00330002
  • Ein letztes Kriterium CAT wählt die Ordnung p als das, was die Schätzung einer Differenz zwischen den Quadratmittelfehlern des wahren Vorhersagefehlerfilters und des geschätzten Filters minimiert. Diese Differenz wird aus der folgenden Gleichung berechnet:
    Figure 00330003
    wobei
    Figure 00330004
    und p ist so gewählt, um CAT[p] zu minimieren.
  • (f) Modifiziertes Kovarianz-Verfahren
  • Die Fehler der linearen Vorwärts- und Rückwärtsvorhersage der p-ten Ordnung (pth-order forward and backward linear prediction errors) für das modifizierte Kovarianz-Verfahren können repräsentiert werden als die Vektorinnenprodukte
    Figure 00330005
    wobei der Datenvektor xρ[n] und der lineare Vorhersagekoeffizientenvektor aρ fb wie folgt definiert wird und wobei J eine (p + 1) × (p + 1)-Reflexionsmatrix ist.
  • Figure 00340001
  • Basierend auf gemessenen Datensätzen bzw. -proben (samples) x[1], ..., x[N] minimiert das modifizierte Kovarianz-Verfahren den Durchschnitt der quadratischen linearen Vorwärts- und Rückwärtsvorhersagefehler (forward and backward linear prediction squared errors).
  • (g) Exponentiell gewichteter gleitender Durchschnitt
  • (i) Kontrollstatistik
  • Die Kontrollstatistik des exponentiell gewichteten gleitenden Durchschnitts (EWMA) ist wie folgt definiert:
    Figure 00340002
    wobei EWMA0 = 0,
    EWMA1 = vorhergesagter EWMA-Wert zur Zeit t (neuer EWMA),
    EWMAt-1 = vorhergesagter EWMA-Wert zur Zeit t – 1 (alter EWMA)
    ln[ρfb normalized] ist die Proben- bzw. Sample-Varianz beobachteter Werte zur Zeit t,
    λ ist eine Ausgleichs- oder Glättungskonstante, die die Ungleichung 0 < λ ≤ 1 erfüllt und die Speichertiefe (depth of memory) des EWMA bestimmt.
  • (ii) Gewichtungskonstante
  • Der EWMA kann wie folgt beschrieben werden:
    Figure 00350001
    wobei wi die Gewichte sind und wi = λ(1 – λ)t-1.
  • Die Summe der Gewichte
    Figure 00350002
    . 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 Informationsmenge bestimmt. Wenn λ sich 1 nähert, nähert sich w1 1 an und ŷt+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.
  • (iii) Obere Kontrollgrenze
  • Die obere Kontrollgrenze (upper control limit) für die EWMA-Statistik ist
    Figure 00360001
    und n = Anzahl von Datensätzen, die anfangs bei einem normalen Maschinenzustand gesammelt wurden.
  • (iv) EWMA-Charakteristika
  • EWMA ist eine Statistik mit einer Charakteristik, die den Daten immer weniger Gewicht gibt, je älter sie werden.
  • Die EWMA-Statistik bzw. -Chart wurde gewählt, da sich erwiesen hat, daß sie der Bereichs- bzw. Variationsbreitenstatistik (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 interpretieren und seine Kontrollgrenzen sind leicht zu erhalten. Ein Hauptvorteil der Verwendung von EWMA liegt darin, daß es einen Mechanismus für dynamische Prozeßsteuerung vorsieht.
  • Um einen Prozeß zu steuern, ist es zweckdienlich vorherzusagen, wo sich der Prozeß im nächsten Augenblick bzw. Zeitpunkt befinden wird. Wenn die Vorhersage eine zukünftige 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 Experimenters, 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 logarithmische 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 Schwingungsverhalten von Maschinen liegt (siehe R. Archambault, "Getting More Out of Vibration Signals: Using the Logarithmic Scale", Proceedings of the 1st 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) unabhängig von s2 und hängt nur von der Samplegröße n ab.
  • Ein Anstieg von s2 entspricht einem Anstieg des Ortsparameters 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 aufgelisteten Eigenschaften wird die Logarithmus-Transformation 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 modifizert 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 1st International Machinery Monitoring and Diagnostics Conference, Las Vegas, NV, 1989, S. 567-571).
  • B. Genaue Betriebsbeschreibung
  • 19 ist ein detailiertes 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 Überwachung 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 Ausführungsbeispiel 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 Stahlplatte befestigt sind, ein Oszilloskop zum Anzeigen des gesammelten, rohen Schwingungssignals, ein Verstärker zur Verstärkung des Signals und eine DT2821-G-8DI-Datenerfassungsplatte. Die Schwingungssignale wurden von dem Lager gesammelt unter Verwendung von 328C04-PCB-Beschleunigungsmessern, die auf dem Lagergehäuse angebracht waren.
  • Beschleunigungsmesser sind Wandler, deren Spannungsausgabe 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 Empfindlichkeitsansprechverhalten (Amplitude) eines Beschleunigungsmessers gegen Frequenzen ist in 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 proportional 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 Maschinenzustand 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 Rückwärtsvorhersagefehler (forward and backward prediciton errors) berechnet, um den ρfb normalized-Wert der Daten zu bestimmen, 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 Normalisierung basiert auf dem normalen Maschinenzustand, da es der Zweck der vorliegenden Erfindung ist, jegliche Abweichungen von dem normalen Maschinenzustand detektieren 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.
  • Schwinguns- oder Vibrationssignaturen für viele identische 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 Maschinenzustand 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 Maschinenzustand vorhanden ist und etwas unternommen werden sollte.
  • C. Datenanalyse
  • Die folgende Beschreibung ist das Ergebnis der Anwendung der obengenannten Erfindung auf eine tatsächliche Maschine 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 beschriebenen Verfahren dazu verwendet, ein geeignetes AR-Modell zu bestimmen, um den normalen Maschinenzustand angemessen bzw. adäquat zu beschreiben. Bei einem bevorzugten 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 Frequenzverzerrung bzw. -verfälschung (frequency bias) und das Linienteilen bzw. -splitting größer wird mit einem steigenden Verhältnis von AR-Ordnung zu Sequenzlänge.
  • Sobald das normale Modell für den normalen Zustand eingerichtet bzw. etabliert ist, werden gemäß einem bevorzugten Ausführungsbeispiel Schwingungsdaten bei drei abnormalen Betriebszuständen gesammelt, nämlich fehlausgerichtete 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 repräsentieren 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 μρfb – 4σρfb für die untere Grenze und von μρfb + 4σρfb für die obere Grenze, wobei μρfb der Durchschnittswert für die EWMA-Statistik für jeden Maschinenzustand ist, d. h.
    Figure 00430001
    wobei n die Anzahl gesammelter Samples bzw. Proben ist.
  • Die Standardabweichung sowie μρfb wurde bestimmt für jeden Lagerzustand. Standardabweichungen werden durch die folgende Formel berechnet:
    Figure 00430002
  • 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 + λlnρfb normalized, 0} Tabelle 1: Berechnete "normalisierte" Varianzen für einen normalen Maschinenzustand und drei abnormale Maschinenzustände
    Figure 00440001
  • Beispielsweise bei einem Fehlausrichtungszustand wird die minimale EWMA-Statistik, die auftreten könnte, berechnet unter Verwendung der minimalen Varianz, die bei einem Fehlausrichtungszustand gefunden wird, und der minimalen EWMA-Statistik für den Normalzustand. In ähnlicher Weise wird die maximale EWMA-Statistik, die auftreten könnte, berechnet unter Verwendung der maximalen Varianz, die bei einem Fehlausrichtungszustand gefunden wird, und der maximalen EWMA-Statistik für den Normalzustand. Tabelle 2: Berechnete EWMA-Statistiken für einen normalen Maschinenzustand und drei abnormale Maschinenzustände
    Figure 00450001
    Tabelle 3: Berechnete Statistiken von EWMA-Werten für einen normalen Maschinenzustand und drei abnormale Maschinenzustände
    Figure 00450002
  • 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 Betriebszustände war genau definiert ohne Überschneidung zwischen den verschiedenen Maschinenzuständen. 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 Verschmutzung. 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 Verwenderschnittstelle 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).
  • 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. Charakerisieren des normalen Maschinenzustands, 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 Maschinenbauteil 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 Lagerzustand. Wenn diese Abweichung nahe Null ist, dann arbeitet das Lager in einem normalen Zustand; wenn dieser Wert jedoch signifikant anders ist als Null, dann existiert ein fehlerhafter oder "Außerhalb der Spule"-Zustand (out of coil) und eine Korrektur ist notwendig.
  • 3. Parametermodell und ART-2-Technik
  • 3 zeigt den Rahmen oder das Grundwerk der vorliegenden 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-Neuralnetzwerk 225 verwendet. Jedoch kann auch ein autoregressives 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 gegenständlichen Maschine oder einem Prozeß gesammelt wurde, anzupassen (d. h. mathematisch zu beschreiben). Nach dem Anpassen des Parametermodells 310 an das Schwingungssignal 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-Netzwerk 225 eingespeist werden, weil sie bedeutsame negative Werte enthalten, die das ART-2-Netzwerk 225 nicht erkennen 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 Parameterwert. 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 16 gezeigt.
    Φ1 = 1,7592
    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 Restfehlervarianz 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 letzen "obenrunter"-Gewichte (Tji) und "unten-hoch"-Gewichte (Bij) gespeichert für spätere Verwendung bei der Diagnose. Während der Diagnose eines Fehlers wird jedes Eingabemuster dem ART-2-Netzwerk 225 präsentiert. Jeder Knoten in der F2-Lage oder -ebene 240 repräsentiert eine bestimmte 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 Eingabemuster 210 als auch das gewünschte oder Soll-Ausgabemuster 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 modifizierte ARTMAP-Netzwerk 200 inkrementell bzw. schrittweise trainiert werden kann. Bei einem bevorzugten Ausführungsbeispiel bestand das Eingabemuster 210 aus 200 Datenpunkten des Schwingungsspektrums. Das gewünschte Ausgabemuster 220 ist ein Binärvektor, wobei jeder Knoten des Vektors einem bestimmten Maschinenzustand entspricht.
  • 4. Fehlerdiagnose: Verfahrensweise und Implementierung
  • Dieser Abschnitt beschreibt das Fehlerdiagnosesystem 400, das gemäß der vorliegenden Erfindung entwickelt wurde. Die in diesem System verwendeten Verfahrensweisen (methodologies) werden von diesem Abschnitt abgedeckt.
  • Der Abschnitt 4.1 führt die Anwendung der autoregressiven Modelltechnik für Datenvorverarbeitung ein. Der Abschnitt 4.2 beschreibt die Entwicklung des Fehlerdiagnosenetzwerks. Im Abschnitt 4.3 werden physische oder gegenständliche Lagermodelle und ein auf Fuzzy-Logic basierendes Hypothese- und Testverfahren für unbekannte Muster präsentiert.
  • 4.1. Autoregressives (AR) Modell
  • Eine autoregressive (AR) Technik ist ein Verfahren der Übertragens von Signalen von einem Zeitbereich bzw. einer Zeitdomäne (time domain) in einen Frequenzbereich bzw. eine Frequenzdomäne (frequency domain), und zwar so, wie sie durch einen Satz von Sensoren aufgenommen bzw. eingefangen 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 Charakteristika 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 = ΦiXt-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, σE 2).
  • Die Ordnung des AR-Modells wird bestimmt mit einer Technik, die beschrieben ist in: C.C. Lin, "Classification of Autoregressive Spectral Estimated Signal Patterns Using an Adaptive Resonace Theory (ART)", Master's Thesis, Fakultät der industriellen Ingenieurwissenschaften, 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:
    Figure 00520001
    wobei N die Zahl der Datensamples bzw. -proben ist, p ist die AR-Ordnung, und ôp 2 ist die geschätzte lineare Vorhersagefehlervarianz 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 normalisiert ist (wie oben beschrieben), kann der AR-Parameter 315 als Eingabe für das modifizierte ARTMAP-Netzwerk 200 verwendet werden.
  • 4.2. Fehlerdiagnosenetzwerk
  • Das Ziel der Verwendung eines Fehlerdiagnosenetzwerks (d. h. eines modifizierten ARTMAP-Netzwerks) ist, eine schnelle und genaue Diagnose von Maschinenfehlern vorzusehen. Das modifizierte ARTMAP-Netzwerk 200 ist ein effizientes und rubustes 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. Die Mechanik des modifizierten ARTMAP-Netzwerks 200 ist im folgenden Abschnitt beschrieben.
  • 4.2.1. Modifiziertes ARTMAP-Netzwerk
  • Das modifizierte ARTMAP-Neuralnetzwerk 200 ist eine Erweiterung des ART-Netzwerks (ART = Adaptive Resonance Theory = adaptive Resonanztheorie), das autonom bzw. selbständig lernt, zufällig geordnete Vektoren in Erkennungskategorien zu klassifizieren, und zwar basierend auf Vorhersageerfolg. Wie oben mit Bezug auf 1 beschrieben 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 Erkennungskategorien steuert.
  • Bei einem bevorzugten Ausführungsbeispiel verwendet das ARTMAP-Neuralnetzwerk nur ein Eingabemuster (d. h. AR-Parameter). Somit wurde das in 1 gezeigte ARTMAP-Netzwerk modifiziert, um überwachtes Lernen auszuführen. 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 Verwender 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 Schallsignal 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 Binäreingabemustern als Eingabe an das modifizierte ARTMAP-Neuralnetzwerk 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 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 allgemeinen führt jede Ebene zwei Berechnungen durch: Integration von Eingaben innerhalb eines Felds (intrafield) und zwischen Feldern (interfield) an dieser Ebene, die ein integriertes Aktivierungssignal und die Normalisierung 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 4 und 5 beschrieben. 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: Tij = 0 (22)
    Figure 00550001
    wobei
    0 ≤ i ≤ N – 1, wobei N die Dimension des Eingabevektors 210 ist;
    0 ≤ j ≤ M – 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 ρ.
  • Wie im Block 510 gezeigt ist, wird ein Eingabemuster, das erlernt werden soll, dem modifizierten ARTMAP-Netzwerk 200 präsentiert. Als nächstes werden die Aktivierungssignale 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 innerhalb eines Feldes (intrafield input vector wi) und des Rückkopplungssignals aui 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:
    Figure 00560001
    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: vi = f(xi) + bf(qi) (26)
    Figure 00560002
    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
    Figure 00560003
    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 Bij), das passende oder Paß-Ergebnis bzw. der Paß-Wert (matching score) für die Knoten in der F2-Lage oder -Ebene 240 dann gemäß der folgenden Gleichung berechnet:
    Figure 00570001
    wobei Bij 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 aktiviert. Die Aktivierung der F2-Lage oder -Ebene 240 ist unten angegeben:
    Figure 00570002
    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 ausgeführt um zu bestimmen, ob das "oben-runter"-Signal (top down signal) zum Eingabemuster 210 paßt. Der Vigilanz- oder Wachsamkeitstest ist wie folgt angegeben:
    Figure 00570003
    wobei c eine Konstante ist und 0 < p < 1. Wenn das (zusammenpassende) 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 (Bij) und die "obenrunter"-Gewichte (Tij) gemäß den folgenden Gleichungen angepaßt: Bij*(t + 1) = d[pi – Bij*(t)] (35) 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 Wachsamkeitstest 250 besteht. Dann werden die Aktivitäten der F2-Lage oder -Ebene 240 an das Kartenfeld 130 weitergegeben 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 empfangen werden, werden durch die folgende Gleichung berechnet: X = ωj* (37)
  • Am Kartenfeld 130 wird ein zweiter Vigilanz- oder Wachsamkeitstest 140 durchgeführt, um das Niveau des Zusammenpassens 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 zugrundeliegende ART-Modul 120 auslösen. Dies tritt immer dann auf, wenn die folgende Bedingung erfüllt ist:
    Figure 00590001
    wobei p' den assoziativen "Gedächtnis"- oder Speichervigilanzparameter (associative memory vigilance parameter) 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 Wachsamkeitstest 140 bestanden ist, werden die "oben-runter"-Gewichte (Tji) und die "unten-hoch"-Gewichte (Bij) zwischen 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 (Bij) 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 repräsentiert wird, auch aktualisiert wird, nachdem jede Aktualisierungsiteration 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 Eingabevektor 210 (d. h. AR-Parameter) als auch der Zielausgabevektor 220 (d. h. Fehlerklasse) dem Netzwerk dargeboten bzw. präsentiert. Dann beginnt das Netzwerk, die Assoziation zwischen dem Eingabevektor 210 und dem Ausgabevektor 220 zu lernen, und zwar gemäß der oben beschriebenen 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, repräsentiert 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:
    Figure 00610001
    Tj*k = 0 (41)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 folgenden Gleichung aktualisiert: wj*k = 0 (42)
  • 4.2.2. Diagnose durch das modifizierte ARTMAP-Netzwerk
  • Das Netzwerkdiagnoseverfahren ist in 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 Möglichkeiten bzw. Optionen verfügbar. Wie im Block 660 gezeigt ist, kann der Verwender die korrekte Fehlerklassifizierung angeben bzw. spezifizieren und das Netzwerk trainieren, wenn er/sie die korrekte Fehlerklassifizierung 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 untersucht. Die Leistung des Netzwerks blieb gleich, wenn die Vigilanz oder Wachsamkeit (vigilance) auf 0,3, 0,5, 0,7, 0,8 oder 0,9 eingestellt wurde. Wenn jedoch die Trainingssatzgröße auf 3 eingestellt wurde (eins für jede Kategorie), dann erreichte das Netzwerk eine Genauigkeit von 97 %. Sobald die Trainingssatzgröße auf 6 erhöht wurde (zwei für jede Kategorie), war das Netzwerk in der Lage, alle Testdaten korrekt zu identifizieren.
  • 4.3. Hypothese und Test für unbekannte Muster
  • Wie oben beschrieben wurde, ist die in erster Linie verwendete oder primäre Technik, die zur Maschinenfehlerdiagnose 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 modifizierte ARTMAP-Netzwerk 200 ein solches Muster vorher noch nie angetroffen oder "erfahren" hat. Unter diesen Umständen wird das modifizierte ARTMAP-Netzwerk 200 dazu gezwungen, ein "unbekanntes Muster" zu diagnostizieren. Um dieses Problem zu lösen, werden bei einem bevorzugten Ausführungsbeispiel physische bzw. gegenständliche Lagermodelle und Fuzzy Loqic verschmolzen, um ein Hypothese- und Testverfahren durchzuführen zum Analysieren 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. gegenständliche Lagermodelle nur als Beispiel zur Verdeutlichung verwendet werden. Wie dem Fachmann klar ist, können andere physische oder physikalische bzw. gegenständliche 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 Testmechanismus der vorliegenden Erfindung basierend auf dem Fuzzy-Logic-Verfahren ausgeführt bzw. implementiert.
  • 9 verdeutlicht bzw. zeigt das auf Fuzzy Logic basierende Hypothese- und Testverfahren, das gemäß einem bevorzugten Ausführungsbeispiel der vorliegenden Erfindung 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 Fehlersignaturen 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-Vorgehensweise. 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.
  • Figure 00650001
  • 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:
    Figure 00650002
    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 identifizierbaren möglichen Fehler auflistet, und ihre Ähnlichkeit wird dem Verwender zur weiteren Bestätigung dargeboten bzw. präsentiert, wie es im Block 960 gezeigt ist.
  • 4.4. Fehlerentscheidungsexpertensystem (Fault Reasoning Expert System)
  • Bei einem bevorzugten Ausführungsbeispiel wird das Diagnosesystem durch ein Fehlerentscheidungsexpertensystem (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 Maschinengebrauchsinformation, 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 Subharmonien (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 ÖLWIRBELINSTABILITÄT (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 KRAFTUNAUSGEGLICHENHEIT 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 HZW. -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 Erhöhung 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 WINRELFEHLAUSRICHTUNG (ANGULAR MISALIGNMENT).
    • • WENN die dominierende Schwingung bei 2 × UPM ist UND Unter- bzw. Oberschwingungen oder Subharmonien 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 UNAUSGELICHENHEIT 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 Laufdrehzahlharmonien (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 Phasenverschiebung 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 KUGELVORBEILAUFFREQUENZ (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 ZAHNRADEINGRIFFSFREQUENZ* eine SINUS-Welle oder eine MODIFIZIERTE SINUS-Welle ist UND die Schwingungsfrequenz bei 1× oder 2× UPM auftritt UND die Zahnradeingriffsfrequenz* mit SEITENBÄNDERN (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 zugehörigen 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 besitzen wie die GRUNDFREQUENZ DANN muß DAS ZAHNRAD ODER GETRIEBE AUSGETAUSCHT werden.
    • • WENN die NATÜRLICHE ODER EIGENFREQUENZ DES ZAHNRADS erregt wird zusammen mit den Seitenbändern 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 ZEITER oder HÖHERER Ordnung der ZAHNRADEINGRIFFSFREQUENZ* erregt werden UND die Harmonien oder Oberschwingungen Seitenbänder bei der LAUFDREHZAHL besitzen UND eine kleine Amplitude bei 1 × ZAHNRADEINGRIFFSFREQUENZ* vorhanden ist UND höhere Amplituden bei 2× oder 3× ZAHNRADEINGRIFFSFREQUENZ* vorhanden sind DANN ist der Zahnrad- oder Getriebezustand ZAHNRADFEHLAUSRICHTUNG.
    • • WENN sich eine Spitze bei 1 × UPM zeigt DANN ist der Zahnrad- oder Getriebezustand ZAHNRAD AUSSER GLEICHGEWICHT BZW. BALANCE oder FEHLENDER ZAHN.
    • * Zahnradeingriffsfrequenz (gear mesh frequency) = Anzahl von Zähnen × Zahnraddrehzahl
  • Natürlich können andere Expertenregeln implementiert oder ausgeführt werden, wie es dem Fachmann klar ist. Das heißt, die obengenannten Expertenregeln sollen nicht als vollständig oder erschöpfend angesehen werden, sondern nur als Beispiele von Expertenregeln, die bei einem bevorzugten Ausführungsbeispiel der vorliegenden Erfindung verwendet werden.
  • 4.5 Fehlerdiagnose
  • Mit Bezug auf 15A wird eine physische bzw. gegenständliche 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 vorverarbeitet unter Verwendung eines AR-Modells, wie es im Block 1510 gezeigt ist.
  • Als nächstes wird der durch das AR-Modell erzeugte Parameter verwendet, um abnormale Zustände in der gegenständlichen 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 Fehlerdiagnose 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 15B wird eine Diagnose durchgeführt, wenn ein gelber oder roter Zustand vorhanden ist, wie es im Block 1535 gezeigt ist. In einem bevorzugten Ausführungsbeispiel 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 verwendet werden.
  • Als nächstes werden die Daten dem FDN 200 (dem modifizierten ARTMAP-Netzwerk 200) präsentiert, wie es im Block 1545 gezeigt ist. Natürlich wurde das FDN 200 vorher trainiert unter Verwendung der oben beschriebenen Vorgehensweise. 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 liefern, 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 Fehlerfrequenzen erzeugt, die aus bekannten theoretischen Gleichungen erzeugt werden, die mit normalen Signalen kombiniert werden, welche von der Maschine oder dem Prozeß unter normalen Betriebsbedingungen genommen werden. Diese Kombination ergibt einen Satz bzw. eine Menge von Fehlersignaturen.
  • Als nächstes wird das Fuzzy-Logic-Verfahren bzw. die Fuzzy-Logic-Methodenlehre auf die Fehlersignaturen angewandt, wie es im Block 1560 gezeigt ist. Es sei bemerkt, daß selbst dann, wenn das FDN 200 eine Diagnose vorsieht, dennoch Fuzzy Logic als eine sekundäre Überprüfung 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 Diagnosystem 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 identifizierbaren möglichen Fehler anhand der Regeln in seiner Wissensbasis, der Schadens- oder Reperaturgeschichte und der Maschinengebrauchsinformation, um wahrscheinnliche 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 Datenbank 440 mit den Endergebnissesn des oben beschriebenen Diagnoseverfahrens aktualisiert.
  • 5. Transputernetzwerk
  • Bei einem bevorzugten Ausführungsbeispiel implementiert die vorliegende Erfindung die Diagnose und das Training des modifizierten ARTMAP-Netzwerks 200 (oder des FDN) sowie die auf Fuzzy-Logic basierenden Hypothesen- und Testverfahren in einem Transputernetzwerk. Der Bedarf nach Computern mit höherer Leistung ist wegen der Fortschritte der Technologie signifikant angestiegen, die ermöglicht, daß Sensoren mehr Daten produzieren und Systeme höher entwickelt werden. Fast alle der heute auf dem Markt befindlichen Computer sind sogenannte sequentielle 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 Vektormaschinen 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 Anweisungen 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 Hochleistungs-Gleichlaufsystem zu bilden. Zusätzlich können Transputernetzwerke jegliche gewünschte Topologie besitzen, wie beispielsweise eine Leitungs- (pipeline), Baum- (tree) und Anordnungsstruktur (array), was bedeutet, 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 Rechneraufgaben 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 Datenerfassung. Eine Anzahl von Maschinen oder Komponenten kann unter Verwendung dieses Systems überwacht werden.
  • Im weiteren sind die Hardware- und Softwarekonfigurationen des durch das bevorzugte Ausführungsbeispiel verwendeten Transputernetzwerks und die Ausführungen oder Implementierungen der FDN-Diagnose- und -Trainingsverfahren 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 verglichen.
  • Die Parallelverarbeitungshardware, die in einem bevorzugten Ausführungsbeispiel verwendet wird, ist eine MikroWay's Quadputer-Platte. Der Quadputer ist eine Einzeleinschub-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. 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 Baumkonfiguration 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 10 ist auch ersichtlich, daß vier freie bzw. nicht zugewiesene Verbindungen (links) T1L0, T2L1, T3L2 und T4L3 vorhanden sind. Diese Verbindungen können verwendet werden zur Verbindung mit anderen Transputerplatten 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 Ausführungsbeispiel 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 Informationstransfer durch den Wurzeltransputer 1010 gehen muß, ist die Komplexität der Kommunikation bzw. der Verbindungen in dem Netzwerk erhöht. Daher muß ein Programmierer sich völlig im klaren sein über die genauen Verbindungen 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 verwendet, das Express 1310 genannt wird, wie es in 13 gezeigt ist. Express 1310 ist erhältlich von ParaSoft Cells Corp., 27415 Trabuco Circle, Mission Viejo, Kalifornien. Mit diesem Paket ist jeglicher Transputer in der Lage, Nachrichten direkt zueinander sowie zu dem Zentralrechner 1105 zu senden bzw. von diesem zu empfangen, und zwar unabhängig von der speziellen verwendeten Hardware oder Konfiguration. 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 andere 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 Aktivitäten auf den Transputerknoten koordiniert und steuert. 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 Anwendungszwecke entscheidend. Darüber hinaus kann es verschwenderisch sein, die entwickelten Graphikverwenderschnittstellen- 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 Ausführungsbeispiel 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 Transputerknoten werden geschrieben und ausgeführt unter Verwendung von Logical Systems C.
  • Wie oben beschrieben, ist das Diagnoseverfahren des modifizierten ARTMAP-Netzwerks 200 dazu bestimmt, die zwei wahrscheinlichsten Fehler für jedes Muster herauszufinden, das dem Netzwerk 200 präsentiert wird. Das Suchen nach diesen zwei möglichen Fehlern wird sequentiell auf dem 486er PC durchgeführt, was bedeutet, daß das modifizierte 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. 14 eine Transputerimplementierung des FDN-Diagnoseverfahrens.
  • 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-Transputers 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 Verwendung von zwei Transputern verglichen wird. Die Effizienz 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 Transputern 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 ersten Versuch mehr Zeit zu brauchen. Dies kommt daher, daß alle Netzwerkinformation beim ersten Mal übertragen werden muß, während danach nur der Eingabevektor übertragen werden muß.
  • Die zeitaufwendigste Aufgabe in dem Trainingsverfahren des modifizierten ARTMAP-Netzwerks 200 (das in 5 gezeigt ist), ist die Anpassung von "unten-hoch"-Gewichten (bottom-up weights (Bij)) 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 Transputernetzwerk implementiert.
  • Die Transputerimplementierung des Trainingsverfahrens des modifizierten ARTMAP-Netzwerk 200 ist in 11 dargestellt. 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 Gewichtsanpassungsverfahren durchführt. Im ersten Fall werden alle Gewichtsanpassungen sequentiell auf einem Transputer 1110 durchgeführt. Im zweiten Fall wird die Aktualisierung 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 Berechnungen des Vektors p durchgeführt, nachdem die "obenrunter"-Gewichte aktualisiert wurden. Dann wird der neu aktualisierte Vektor p an den dritten Transputer 1130 geschickt, um für die "unten-hoch"-Gewichtsanpassung verwendet 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 Transputerimplementierungskonfigurationen. Zusätzlich ist die Verbesserung der Trainingsleistung 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 dreimal langsamer als die des 486er PC. Der Grund für diese langsame Trainingsgeschwindigkeit liegt darin, daß es einen großen Kommunikationsbedarf (communication overhead) zwischen den Knoten 1 und 2 gibt.
  • Wie bei der Abweichung (Deviation) der Trainingszeit besitzt der 486er PC eine größere Abweichung (Deviation). Dies kommt daher, daß die Anzahl von Netzwerkrückstellungen (resets) dazu neigt, für spätere Trainingsmuster höher zu sein, was bedeutet, daß mehr Trainingszeit benötigt wird. Jedoch ist die Abweichung (Deviation) für die Transputer nicht so groß wie bei dem 486er PC, weil es beim Training einen Kommunikationsbedarf (communication 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 Information für das nächste Trainingsmuster von dem Verwender zu empfangen, während die Transputer die Daten von dem Zentralrechner bzw. PC empfangen und den Trainingsprozeß beginnen. Die gesamte Zeitverminderung für Eingabe/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 basierend auf den gegebenen Lagerparametern, dem Maschinenlaufzustand und der Grundschwingungssignatur (baseline vibration signature) und vergleicht dann diese erzeugten Muster mit der gegebenen unbekannten Schwingungssignatur, um die Ähnlichkeit dazwischen zu bestimmen.
  • 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 zugewiesen wird, mit zwei Defekt- oder Fehlermustern zu arbeiten. Der Zentralrechner (host computer) 1105 ist verantwortlich für die Eingabe/Ausgabe und die Verwenderschnittstelle, sowie für das Schicken von Lagerparametern, dem Maschinenlaufzustand, etc. an die Transputerknoten 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 durchgeführt werden, ist die durchschnittliche Zeitvermin derung ungefähr 37 % (von 0,60 Sekunden auf 0,38 Sekunden). 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 auszuführen bzw. zu implementieren.
  • 6. Schlußfolgerung
  • Mehr und mehr Herstellungsfirmen übernehmen heute voraussagende Wartung in ihre Wartungsprogramme. Das hier präsentierte Fehlerdiagnosesystem sieht ein effektives Voraussagen des Wartungsprogramms vor. Mit seiner Fähigkeit 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 davon, ist es für den Fachmann verständlich, daß verschiedene Änderungen bezüglich Form und Einzelheiten darin durchgeführt werden können, ohne von dem Bereich der Erfindung abzuweichen.
  • Zusammenfassend sieht die Erfindung also ein zuverlässiges 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 modifizierten 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 Verfahren ist in der Lage, eine genaue Fehlerdiagnose sowohl für einen als auch für mehrfache Fehlerzustände vorzusehen. Ferner wird eine parallele Verarbeitungstechnik auf Transputerbasis verwendet, bei der das FDN in einem Netzwerk von vier T800-25-Transputern implementiert oder ausgeführt ist.
  • Anhang A:
  • Physische oder physikalische bzw. gegenständliche Lagermodelle
  • Nachfolgend ist eine Liste theoretischer Gleichungen zur Berechnung von Lagerfehler- oder -defekt-Schwingungssignalfrequenzen 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):
    Figure 00860001
    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)

Claims (24)

  1. Fehlerdiagnosesystem (400), das folgendes aufweist: (a) ein Datenerfassungsmodul (410), das Sensorsignale sammelt; (b) ein Diagnosemodul (420), das mit dem Datenerfassungsmodul (410) verbunden ist und das Detektieren und die Diagnose für eine gegenständliche Maschine oder einen Prozeßon-line durchführt und Empfehlungen bezüglich der Fehlerdetektierung und der Fehlerdiagnose liefert; und (c) ein Maschinenmodellmodul (430), das mit dem Diagnosemodul (420) verbunden ist und ein gegenständliches Modell vorsieht zum Identifizieren von Fehlerzuständen, die von dem Diagnosemodul (420) nicht diagnostiziert werden können, dadurch gekennzeichnet, dass das Diagnosemodul (420) ein Parametermodellmodul (310), ein modifiziertes ARTMAP-Neuralnetzwerk (200), ein Fuzzy-Logic-Modul (940) und ein Expertensystem umfaßt.
  2. Fehlerdiagnosesystem gemäß Anspruch 1, wobei das Datenerfassungsmodul (410) eine Vielzahl von Sensoren umfaßt, die jeweils zur Echtzeitdatenerfassung in der Lage sind.
  3. Fehlerdiagnosesystem gemäß einem der vorhergehenden Ansprüche, wobei das Maschinenmodellmodul (430) gegenständliche Modelle für Lager und Zahnräder bzw. Getriebe umfaßt und Daten liefert für vorläufiges Training des modifizierten ARTMAP-Neuralnetzwerks (200).
  4. Fehlerdiagnosesystem gemäß einem der vorhergehenden Ansprüche, wobei das Datenerfassungsmodul (410) Mittel (320) zum Vorverarbeiten der Sensorsignale umfaßt unter Verwendung eines autoregressiven Modells.
  5. Fehlerdiagnosesystem gemäß einem der vorhergehenden Ansprüche, wobei das Diagnosemodul (420) Detektierungsmittel zur Durchführung der Fehlerdetektierung aufweist, die das Detektieren abnormaler Zustände in der gegenständlichen Maschine oder dem Prozeß umfaßt, durch Verwendung einer Gesamt-Quadratmittelwert-Messung (RMS), und einer Kovarianzstatistik 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.
  6. Fehlerdiagnosesystem gemäß einem der vorhergehenden Ansprüche, 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.
  7. Fehlerdiagnosesystem gemäß einem der vorhergehenden Ansprüche, wobei das Diagnosemodul (420) ein Expertensystem umfaßt, das eine Fehlerbestätigung durchführt und das Empfehlungen bezüglich der detektierten Fehler an einen Verwender liefert.
  8. Fehlerdiagnosesystem gemäß einem der vorhergehenden Ansprüche, wobei das Diagnosemodul (420) und das Maschinenmodellmodul (430) in einem Transputernetzwerk implementiert sind.
  9. Fehlerdiagnosesystem gemäß einem der vorhergehenden Ansprüche, wobei die Sensorsignale Vibrations- oder Schwingungssignale, Drucksignale und/oder Temperatursignale von der gegenständlichen Maschine oder dem Prozeß umfassen.
  10. Fehlerdiagnosesystem gemäß einem der vorhergehenden Ansprüche, 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 Zielausgabemuster (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.
  11. Fehlerdiagnosesystem gemäß Anspruch 10, wobei die erste Lage oder Ebene (F1) drei Ebenen aufweist, die jeweils folgendes umfassen: Mittel zum Durchführen einer Integration von Eingaben innerhalb eines Felds (intrafield) und zwischen Feldern (interfield), um ein integriertes Aktivierungssignal zu erzeugen; und Mittel zum Durchführen der Normalisierung des integrierten Aktivierungssignals.
  12. Fehlerdiagnosesystem gemäß Anspruch 10, wobei das ART-Modul (110, 120) ein ART2-Netzwerk ist, das binäre oder analoge Eingabemuster annehmen bzw. akzeptieren kann.
  13. Fehlerdiagnosesystem gemäß Anspruch 10, wobei das Zielausgabemuster (220) ein Binärvektor ist, wobei jeder Knoten des Binärvektors einen bestimmten Maschinen- oder Prozeßzustand entspricht.
  14. Fehlerdiagosesystem gemäß Anspruch 10, wobei das Fehlerdiagnosesystem (200) ferner Parametermittel (310) aufweist zum Einpassen eines rohen Vibrations- oder Schwingungssignals, das von einer Maschine gesammelt wurde, unter Berücksichtigung eines vorbestimmten Parametermodells, wobei die Parametermittel (310) einen Parameter erzeugen.
  15. Fehlerdiagnosesystem gemäß Anspruch 14, wobei das Fehlerdiagnosesystem (200) ferner ein Normalisierungsmodul (320) aufweist, das mit den Parametermitteln (310) verbunden ist und bedeutungsvolle Negativwerte von dem Parameter entfernt.
  16. Fehlerdiagnosesystem gemäß Anspruch 15, 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.
  17. Fehlerdiagnosesystem gemäß Anspruch 10, wobei jeder Knoten der zweiten Lage oder Ebene (F2) einem bestimmten Fehlerzustand entspricht.
  18. Fehlerdiagnosesystem gemäß einem der vorhergehenden Ansprüche, wobei das Maschinenmodellmodul (430) ferner einen tiefen Fehlerentscheidungsmechanismus (deep fault reasoning) aufweist, um komplexe oder mehrfache Fehlerzustände zu identifizieren.
  19. Verfahren zur Diagnose einer gegenständlichen Maschine oder eines Prozesses, wobei das Verfahren die folgenden Schritte aufweist: (1) Auffassen eines ersten Datensatzes von der gegenständlichen Maschine oder dem Prozeß; (2) Vorverarbeiten der erfaßten Daten unter Verwendung eines autoregressiven Modells, wobei das Vorverarbeiten einen autoregressiven Parameter erzeugt; und (3) Detektieren abnormaler Zustände in dem autoregressiven Parameter unter Verwendung einer Gesamt-Quadratmittelwert-Messung (RMS) und einer Kovarianzstatistik eines exponentiell gewichteten gleitenden Durchschnitts (EWMA), wobei dann, wenn ein abnormaler Zutand detektiert wird, (a) identifiziert wird, ob die gegentändliche Maschine der der Prozeß einen Fehler aufweist, einschließlich (i) Bestimmen einer Hypothese mit Hilfe eines Fehlerdiagnosenetzwerks, und, wenn das Fehlerdiagnosenetzwerk keine Hypothese erzeugen kann, dann (ii) Bestimmen einer Hypothese mit Hilfe einer Entscheidungstechnik auf Modellbasis (modelbased reasoning), wobei die Entscheidungstechnik auf Modellbasis Fuzzy Logic verwendet; und (b) Liefern des identifizierbaren Fehlers an ein Fehlerentscheidungssexpertensystem mit einer Wissensbasis mit einem Satz bzw. einer Menge von Regeln, wobei das Fehlerentscheidungsexpertensystem den identifizierbaren Fehler anhand der Regeln überprüft.
  20. Verfahren gemäß Anspruch 19, wobei der Schritt (3) die folgenden Schritte aufweist: Vorsehen einer Anzeige an den Verwender, daß die Maschine oder der Prozeß in einer normalen Weise, in einer möglicherweise problematischen Weise oder in einer gefährlichen Weise arbeitet.
  21. Verfahren gemäß Anspruch 19 oder 20, wobei das Fehlerentscheidungsexpertensystem auch den identifizierbaren Fehler anhand einer Schadens- und Reparaturgeschichte und Maschinengebrauchsinformation überprüft.
  22. Verfahren gemäß einem der Ansprüche 19-21, wobei das Verfahren ferner den folgenden Schritt aufweist: Anzeigen des identifizierbaren Fehlers zusammen mit Empfehlungen über eine Verwenderschnittstelle.
  23. Verfahren gemäß einem der Ansprüche 19-22, 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 autoregressiven Parameters.
  24. Verfahren gemäß einem der Ansprüche 19-23, 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).
DE4447288A 1993-12-30 1994-12-30 Maschinenfehlerdiagnosesystem und -verfahren Expired - Fee Related DE4447288B4 (de)

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 DE4447288A1 (de) 1995-07-06
DE4447288B4 true 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 (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104142254A (zh) * 2014-08-06 2014-11-12 浙江大学 一种汽轮机通流部分故障诊断方法
US9104650B2 (en) 2005-07-11 2015-08-11 Brooks Automation, Inc. Intelligent condition monitoring and fault diagnostic system for preventative maintenance
DE102014104637A1 (de) 2014-04-02 2015-10-08 Harting Kgaa Intelligente Überwachung von Produktionsmaschinen
DE102018109252A1 (de) 2018-04-18 2019-10-24 Schuler Pressen Gmbh KI-System
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
US11686756B2 (en) 2020-02-28 2023-06-27 Oracle International Corporation Kiviat tube based EMI fingerprinting for counterfeit device detection
US11726160B2 (en) 2020-03-17 2023-08-15 Oracle International Corporation Automated calibration in electromagnetic scanners
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
WO2024153771A1 (de) * 2023-01-20 2024-07-25 Lenze Se Verfahren zur inbetriebnahme eines elektrischen antriebssystems
EP4442997A1 (de) * 2023-04-03 2024-10-09 Bachmann GmbH Verfahren und vorrichtung zur überwachung eines maschinenzustands einer maschinenanlage, insbesondere einer windkraftanlage

Families Citing this family (423)

* Cited by examiner, † Cited by third party
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
DE19537694A1 (de) * 1995-10-10 1997-04-17 Schenck Ag Carl Verfahren zur Überwachung einer Maschine oder Anlage
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
DE69629711T2 (de) * 1996-05-15 2004-07-08 Thales Systemes Aeroportes S.A. Diagnose von Netzen von Bauelementen unter Verwendung einer Bänder-Modellierung
DE69718714T2 (de) * 1996-06-28 2003-11-06 Siemens Corp. Research, 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
DE19732046A1 (de) * 1997-07-25 1999-01-28 Abb Patent Gmbh Prozeßdiagnosesystem und Verfahren zur Diagnose von Vorgängen und Zuständen eines technischen Prozesses
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
US6507790B1 (en) * 1998-07-15 2003-01-14 Horton, Inc. Acoustic monitor
FI112972B (fi) * 1998-07-15 2004-02-13 Abb Research Ltd Laakerin kunnon arviointi
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
DE19903233B4 (de) * 1999-01-27 2005-08-04 Hrch. Huppmann Gmbh Brauereianlage mit akustischer Überwachung und Verfahren zur Steuerung oder Regelung einer Brauereinlage
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
CA2387934C (en) * 1999-10-28 2008-08-19 General Electric Company A process for the monitoring and diagnostics of data from a remote asset
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
ATE242499T1 (de) * 2000-01-29 2003-06-15 Abb Research Ltd Verfahren zum automatisierten generieren einer fehlerbaumstruktur
US7739096B2 (en) * 2000-03-09 2010-06-15 Smartsignal Corporation System for extraction of representative data for training of adaptive process monitoring equipment
US6957172B2 (en) 2000-03-09 2005-10-18 Smartsignal Corporation Complex signal decomposition and modeling
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
US6366862B1 (en) * 2000-04-19 2002-04-02 National Instruments Corporation System and method for analyzing signals generated by rotating machines
US6810341B2 (en) 2000-04-19 2004-10-26 National Instruments Corporation Time varying harmonic analysis including determination of order components
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
US6983207B2 (en) * 2000-06-16 2006-01-03 Ntn Corporation Machine component monitoring, diagnosing and selling system
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
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
EP1307816A1 (de) * 2000-08-09 2003-05-07 ABB Research Ltd. System zur ermittlung von fehlerursachen
US6684700B1 (en) 2000-08-11 2004-02-03 Swantech, L.L.C. Stress wave sensor
WO2002027418A2 (en) * 2000-09-25 2002-04-04 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
AU2002232601A1 (en) * 2000-12-01 2002-06-11 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
US7233886B2 (en) * 2001-01-19 2007-06-19 Smartsignal Corporation Adaptive modeling of changed states in predictive condition monitoring
US20020099702A1 (en) * 2001-01-19 2002-07-25 Oddo Anthony Scott Method and apparatus for data clustering
CA2438903C (en) * 2001-03-08 2008-10-21 California Institute Of Technology Exception analysis for multimissions
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
DE10126251A1 (de) * 2001-05-29 2003-01-23 Buehler Ag Online-Prozessüberwachung und Online-Prozessmodelierung
US6907416B2 (en) * 2001-06-04 2005-06-14 Honeywell International Inc. Adaptive knowledge management system for vehicle trend monitoring, health management and preventive maintenance
JP3906840B2 (ja) * 2001-06-08 2007-04-18 オムロン株式会社 セーフティネットワークシステム
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
CA2456296C (en) * 2001-08-24 2019-09-24 Bio-Rad Laboratories, Inc. Biometric quality control process
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
GB0127551D0 (en) * 2001-11-16 2002-01-09 Abb Ab Analysing events
GB0127552D0 (en) * 2001-11-16 2002-01-09 Abb Ab Analysing events
GB0127553D0 (en) * 2001-11-16 2002-01-09 Abb Ab Provision of data for analysis
US7421140B2 (en) * 2001-11-21 2008-09-02 Shraga Rottem Method and system for enhancing the quality of device images
DE10210565A1 (de) * 2002-03-09 2003-09-18 Abb Research Ltd System und Verfahren zur Vorhersage von Störungsauswirkungen
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
DE10225343A1 (de) * 2002-06-06 2003-12-18 Abb Research Ltd Verfahren zur Erkennung von Ausreißern in einer Folge von digitalisierten Messwerten
DE10238829A1 (de) * 2002-08-23 2004-03-04 Link Systemtechnik Gmbh Stör- und/oder Zustandsanalyse
JP3874110B2 (ja) * 2002-08-30 2007-01-31 日本精工株式会社 異常診断システム
WO2004027370A1 (ja) * 2002-08-30 2004-04-01 Nsk Ltd. 機械設備の状態監視方法及び装置ならびに異常診断装置
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
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
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
DE60318408T2 (de) * 2003-06-21 2009-01-29 Abb Research Ltd. Ermittlung elektromechanischer Schwingungen in Stromversorgungssystemen
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
US7047160B2 (en) * 2004-06-09 2006-05-16 Polaroid Corporation System and method for determining maintenance needs of complex electromechanical systems
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
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
CN102512187B (zh) 2004-11-16 2015-08-12 拜耳医疗保健公司 对病人体内的药物传播建模的系统和方法
DK1835959T3 (da) 2004-11-24 2013-03-25 Medrad Inc Indretninger, systemer og fremgangsmåder til afgivelse af fluidum
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
US7953559B2 (en) 2005-04-28 2011-05-31 Caterpillar Inc. Systems and methods for maintaining load histories
US7487066B2 (en) * 2005-04-28 2009-02-03 Caterpillar Inc. Classifying a work machine operation
EP2998894B1 (de) * 2005-07-11 2021-09-08 Brooks Automation, Inc. Intelligentes zustandsüberwachungs- und fehlerdiagnosesystem
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
BRPI0706580A2 (pt) 2006-01-20 2011-03-29 Landmark Graphics Corp gerenciamento dinámico de sistema de produção
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
DE102006050938A1 (de) * 2006-10-28 2008-04-30 Abb Technology Ag Verfahren zur vorausschauenden Ermittlung einer Prozessgröße
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
US9302044B2 (en) 2006-12-29 2016-04-05 Bayer Healthcare Llc Patient-based parameter generation systems for medical injection procedures
EP2097004A2 (de) * 2006-12-29 2009-09-09 Medrad, Inc. Modellierung der pharmazeutischen ausbreitung
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
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
US7979088B2 (en) * 2007-08-13 2011-07-12 International Business Machines Corporation Water friend or foe system for global vessel identification and tracking
US7992094B2 (en) * 2007-08-14 2011-08-02 International Business Machines Corporation Intelligence driven icons and cursors
US7823082B2 (en) * 2007-08-14 2010-10-26 International Business Machines Corporation Intelligence driven icons and cursors
US7693589B2 (en) * 2007-08-14 2010-04-06 International Business Machines Corporation Anomaly anti-pattern
US7889100B2 (en) * 2007-08-14 2011-02-15 International Business Machines Corporation Water friend or foe system for global vessel identification and tracking
US7756593B2 (en) * 2007-08-14 2010-07-13 International Business Machines Corporation Anomaly anti-pattern
ATE544102T1 (de) * 2007-12-06 2012-02-15 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
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
US7864037B2 (en) * 2008-06-16 2011-01-04 International Business Machines Corporation Pattern-driven communication architecture
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
US8532808B2 (en) 2009-06-22 2013-09-10 Johnson Controls Technology Company Systems and methods for measuring and verifying energy savings in buildings
US9753455B2 (en) 2009-06-22 2017-09-05 Johnson Controls Technology Company Building management system with fault analysis
US9286582B2 (en) 2009-06-22 2016-03-15 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
US8600556B2 (en) 2009-06-22 2013-12-03 Johnson Controls Technology Company Smart building manager
US9196009B2 (en) 2009-06-22 2015-11-24 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
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
US11269303B2 (en) 2009-06-22 2022-03-08 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
US10739741B2 (en) 2009-06-22 2020-08-11 Johnson Controls Technology Company Systems and methods for detecting changes in energy usage in a building
DE102009027269A1 (de) 2009-06-29 2010-12-30 Trumpf Werkzeugmaschinen Gmbh + Co. Kg System und Verfahren zur Überwachung des Zustands einer Maschine
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
US9157832B2 (en) * 2010-03-12 2015-10-13 Honeywell International Inc. Method and system for detecting incipient bearing failures
DE102010013885A1 (de) * 2010-03-30 2011-10-06 Khs Gmbh Mobile Wartungseinheit
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
AU2011270772C1 (en) 2010-06-24 2017-04-20 Bayer Healthcare Llc Modeling of pharmaceutical propagation and parameter generation for injection protocols
JP2013540326A (ja) * 2010-10-11 2013-10-31 ゼネラル・エレクトリック・カンパニイ 冗長センサ信号でシフトを検出するためのシステム、方法、及び装置
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
WO2012076427A1 (de) * 2010-12-09 2012-06-14 Basf Se Verfahren und vorrichtung zur modellbasierten überwachung einer turbomaschine
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
DE102011017448A1 (de) 2011-04-18 2012-10-18 Krones Aktiengesellschaft Verfahren zum Betreiben einer Behältnisbehandlungsanlage mit Störungsdiagnose
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
US8620853B2 (en) 2011-07-19 2013-12-31 Smartsignal Corporation Monitoring method using kernel regression modeling with pattern sequences
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
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
DK3489667T3 (da) 2012-05-14 2021-08-02 Bayer Healthcare Llc Systemer og fremgangsmåder til bestemmelse af protokoller for farmaceutisk væskeinjektion baseret på røntgenrørsspænding
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
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
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
US20150122037A1 (en) * 2013-10-30 2015-05-07 Syncrude Canada Ltd. In Trust For The Owners Of The Syncrude Project Method for diagnosing faults in slurry pump impellers
CN105900022A (zh) * 2013-11-27 2016-08-24 精通人工智能系统有限公司 使用概率介质的基于人工智能模型的动态过程控制的方法和系统
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
DE102013226049A1 (de) 2013-12-16 2015-06-18 Siemens Aktiengesellschaft Vorrichtung sowie Verfahren zum Erfassen des aktuellen Schädigungszustandes einer Maschine
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
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
US9644735B2 (en) 2014-11-24 2017-05-09 Ford Global Technologies, Llc Powertrain control based on bearing speed
US10417076B2 (en) 2014-12-01 2019-09-17 Uptake Technologies, Inc. Asset health score
EP3186598B1 (de) * 2014-12-02 2018-06-27 Siemens Aktiengesellschaft Überwachung einer vorrichtung mit einem beweglichen teil
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
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
US10254751B2 (en) 2015-06-05 2019-04-09 Uptake Technologies, Inc. Local analytics at an asset
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
KR20180042865A (ko) 2015-09-17 2018-04-26 업테이크 테크놀로지스 인코포레이티드 네트워크 상의 데이터 플랫폼들 사이에서 자산-관련된 정보를 공유하기 위한 컴퓨터 시스템들 및 방법들
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
AT517886B1 (de) * 2015-11-05 2018-05-15 Engel Austria Gmbh Vorrichtung zum Überprüfen eines Zustandes eines Maschinenteils
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
WO2017196821A1 (en) * 2016-05-09 2017-11-16 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
WO2017139046A1 (en) 2016-02-09 2017-08-17 Presenso, Ltd. System and method for unsupervised root cause analysis of machine failures
US10898638B2 (en) 2016-03-03 2021-01-26 Bayer Healthcare Llc System and method for improved fluid delivery in multi-fluid injector systems
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
JP6414127B2 (ja) * 2016-04-18 2018-10-31 トヨタ自動車株式会社 異常判定装置及び異常判定方法
EP3242118A1 (de) * 2016-05-06 2017-11-08 DANA ITALIA S.r.l. Sensorsystem zur überwachung einer fahrzeugachse und zur unterscheidung mehrerer achsenfehlerarten
US11774944B2 (en) 2016-05-09 2023-10-03 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
US11507064B2 (en) 2016-05-09 2022-11-22 Strong Force Iot Portfolio 2016, Llc Methods and systems for industrial internet of things data collection in downstream oil and gas environment
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
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
US10732606B2 (en) * 2016-05-13 2020-08-04 Ricoh Company, Ltd. Information processing apparatus, information processing method, and information processing system
WO2017199652A1 (ja) * 2016-05-16 2017-11-23 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
US20170353353A1 (en) 2016-06-03 2017-12-07 Uptake Technologies, Inc. Provisioning 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
EP3293594A1 (de) * 2016-09-13 2018-03-14 Primetals Technologies Germany GmbH Verwendung umfassender künstlicher intelligenz bei anlagen der grundstoffindustrie
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
EP3619582A4 (de) 2017-05-02 2020-07-29 Lateral Solutions, Inc. Steuersystem für eine maschine mit mehreren komponenten und betriebsverfahren
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
DE102018111892B4 (de) 2017-05-22 2023-06-29 Okuma Corporation Betriebsüberwachungsvorrichtung und Steuerprogramm dafür
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
CN110073301A (zh) 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
JP7221885B2 (ja) 2017-08-31 2023-02-14 バイエル・ヘルスケア・エルエルシー 注入器圧力較正システムおよび方法
US11779702B2 (en) 2017-08-31 2023-10-10 Bayer Healthcare Llc Method for dynamic pressure control in a fluid injector system
JP7252143B2 (ja) 2017-08-31 2023-04-04 バイエル・ヘルスケア・エルエルシー 駆動部材の位置及び流体注入器システムの機械的較正のためのシステム及び方法
US11141535B2 (en) 2017-08-31 2021-10-12 Bayer Healthcare Llc Fluid path impedance assessment for improving fluid delivery performance
CA3066780A1 (en) 2017-08-31 2019-03-07 Bayer Healthcare Llc Fluid injector system volume compensation system and method
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
WO2019186453A1 (en) * 2018-03-28 2019-10-03 L&T Technology Services Limited System and method for monitoring health and predicting failure of an electro-mechanical machine
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
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
US10989750B1 (en) * 2018-05-07 2021-04-27 Inhand Networks Inc. System for locating fault in power distribution network based on mixed mode wave recording
US10860599B2 (en) 2018-06-11 2020-12-08 Uptake Technologies, Inc. Tool for creating and deploying configurable pipelines
DE102018210520B3 (de) 2018-06-27 2019-09-05 Kuka Deutschland Gmbh Verfahren und System zur Diagnose eines Maschinenprozesses
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
WO2020036818A1 (en) * 2018-08-12 2020-02-20 Presenso, Ltd. System and method for forecasting industrial machine failures
EP3620983B1 (de) 2018-09-05 2023-10-25 Sartorius Stedim Data Analytics AB Computerimplementiertes verfahren, computerprogrammprodukt und system zur datenanalyse
CN109271697B (zh) * 2018-09-10 2022-11-18 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
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
EP3882591A4 (de) * 2018-11-14 2021-12-29 Panasonic Intellectual Property Management Co., Ltd. Schallzustandsanzeigeverfahren, schallzustandsanzeigevorrichtung und schallzustandsanzeigesystem
IT201800020143A1 (it) * 2018-12-18 2020-06-18 Prima Ind Spa Procedimento di diagnosi per macchine operatrici, macchina operatrice e prodotto informatico corrispondenti
CN109800861A (zh) 2018-12-28 2019-05-24 上海联影智能医疗科技有限公司 一种设备故障识别方法、装置、设备及计算机系统
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
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
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
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
US10975841B2 (en) 2019-08-02 2021-04-13 Uptake Technologies, Inc. Computer system and method for detecting rotor imbalance at a wind turbine
US11112783B2 (en) * 2019-10-25 2021-09-07 Computational Systems, Inc. Method and apparatus for machine monitoring with continuous improvement of a predictive maintenance database
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
DE102020111674A1 (de) 2020-04-29 2021-11-04 Krones Aktiengesellschaft Behälterbehandlungsmaschine und Verfahren zum Überwachen des Betriebs einer Behälterbehandlungsmaschine
DE102020205895B4 (de) 2020-05-11 2024-10-10 Iba Ag Verfahren sowie Vorrichtung zur automatischen Überwachung eines zyklischen Prozesses
WO2021240750A1 (ja) * 2020-05-28 2021-12-02 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
CN111931851B (zh) * 2020-08-11 2024-08-02 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
DE102021109399A1 (de) 2021-04-14 2022-10-20 Pilz Gmbh & Co. Kg Vorrichtung und Verfahren zur Identifizierung von Veränderungen an einer Maschinenanordnung
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
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
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
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
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
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
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
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
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
DE102022122555A1 (de) * 2022-09-06 2024-03-07 Krones Aktiengesellschaft Verfahren zur Steuerung von Prozessen bei der Handhabung von Artikeln
CN116028879A (zh) * 2022-12-29 2023-04-28 深圳博浩远科技有限公司 一种在线故障诊断的方法、系统、设备及介质
DE102023105820B3 (de) 2023-03-09 2024-05-29 Perma-Tec Gmbh & Co. Kg Verfahren zur Bestimmung und/oder Überwachung des Zustandes eines Schmierstoffspenders
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
CN118329197B (zh) * 2024-06-17 2024-08-27 滕州运城制版有限公司 一种印刷版辊的异常监测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3421522A1 (de) * 1983-06-10 1984-12-13 Kabushiki Kaisha Toshiba, Kawasaki, Kanagawa Verfahren und einrichtung zur diagnose eines waermekraftwerks
EP0216356A2 (de) * 1985-09-24 1987-04-01 Kabushiki Kaisha Toshiba Anlagen-Diagnosesystem
EP0368265A2 (de) * 1988-11-09 1990-05-16 Mitsubishi Denki Kabushiki Kaisha Anlagen-Diagnoseapparat
EP0401816A2 (de) * 1989-06-09 1990-12-12 Mitsubishi Denki Kabushiki Kaisha Unterstützungsverfahren für den Betrieb einer Anlage
WO1992002863A2 (en) * 1990-08-03 1992-02-20 E.I. Du Pont De Nemours And Company Neural network/expert system process control system and method

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61218323A (ja) * 1985-03-20 1986-09-27 株式会社東芝 事故判定方法
WO1987003411A1 (en) * 1985-11-27 1987-06-04 The Trustees Of Boston University Pattern encoding system
US4803736A (en) * 1985-11-27 1989-02-07 The Trustees Of Boston University Neural networks for machine vision
WO1987003399A1 (en) * 1985-11-27 1987-06-04 The Trustees Of Boston University Pattern recognition system
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
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
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
EP0567557A1 (de) * 1991-01-15 1993-11-03 Trustees Of Boston University Vektor assoziatives kartensystem
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3421522A1 (de) * 1983-06-10 1984-12-13 Kabushiki Kaisha Toshiba, Kawasaki, Kanagawa Verfahren und einrichtung zur diagnose eines waermekraftwerks
EP0216356A2 (de) * 1985-09-24 1987-04-01 Kabushiki Kaisha Toshiba Anlagen-Diagnosesystem
EP0368265A2 (de) * 1988-11-09 1990-05-16 Mitsubishi Denki Kabushiki Kaisha Anlagen-Diagnoseapparat
EP0401816A2 (de) * 1989-06-09 1990-12-12 Mitsubishi Denki Kabushiki Kaisha Unterstützungsverfahren für den Betrieb einer Anlage
WO1992002863A2 (en) * 1990-08-03 1992-02-20 E.I. Du Pont De Nemours And Company Neural network/expert system process control system and method

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9104650B2 (en) 2005-07-11 2015-08-11 Brooks Automation, Inc. Intelligent condition monitoring and fault diagnostic system for preventative maintenance
DE102014104637A1 (de) 2014-04-02 2015-10-08 Harting Kgaa Intelligente Überwachung von Produktionsmaschinen
WO2015149750A1 (de) 2014-04-02 2015-10-08 Harting Kgaa Überwachung von produktionsmaschinen mittels einer vielzahl von internen und externen sensoren
CN104142254A (zh) * 2014-08-06 2014-11-12 浙江大学 一种汽轮机通流部分故障诊断方法
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
WO2019201813A1 (de) 2018-04-18 2019-10-24 Schuler Pressen Gmbh Ki-system
DE102018109252A1 (de) 2018-04-18 2019-10-24 Schuler Pressen Gmbh KI-System
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
US11686756B2 (en) 2020-02-28 2023-06-27 Oracle International Corporation Kiviat tube based EMI fingerprinting for counterfeit device detection
US11726160B2 (en) 2020-03-17 2023-08-15 Oracle International Corporation Automated calibration in electromagnetic scanners
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
WO2024153771A1 (de) * 2023-01-20 2024-07-25 Lenze Se Verfahren zur inbetriebnahme eines elektrischen antriebssystems
EP4442997A1 (de) * 2023-04-03 2024-10-09 Bachmann GmbH Verfahren und vorrichtung zur überwachung eines maschinenzustands einer maschinenanlage, insbesondere einer windkraftanlage

Also Published As

Publication number Publication date
FR2714750A1 (fr) 1995-07-07
FR2714750B1 (fr) 1996-09-06
DE4447288A1 (de) 1995-07-06
JPH07209143A (ja) 1995-08-11
US5566092A (en) 1996-10-15

Similar Documents

Publication Publication Date Title
DE4447288B4 (de) Maschinenfehlerdiagnosesystem und -verfahren
DE102017009223B4 (de) Steuervorrichtung zum Steuern eines Roboters durch Lernen einer Aktion einer Person, Robotersystem und Produktionssystem
DE102016015936B4 (de) Vorrichtung für maschinelles Lernen, Robotersystem und maschinelles Lernsysem zum Lernen eines Werkstückaufnahmevorgangs
DE60211002T2 (de) Verfahren und system zum analysieren der steuerschaltungsleistungsfähigkeit in einem industriellen prozess
DE112010000775B4 (de) Industrierobotersystem
DE102017108169B4 (de) Produktionssystem, das einen Bestimmungswert einer Variablen in Bezug auf eine Produktabweichung festlegt
DE602005004997T2 (de) Diagnostisches Verfahren und System
EP1250632B1 (de) System und verfahren zur ermittlung der produktionsanlagen-effektivität, von fehlerereignissen und der fehlerursachen
DE69910800T2 (de) Verfahren und Vorrichtung zur Überwachung des Betriebszustandes einer einzelnen Maschine
DE69212048T2 (de) Vorrichtung und Verfahren, die ein Echtzeitexpertensystem verwenden zur Vorhersage der Werkzeuglebensdauer und zur Diagnose des Werkzeugverschleisses
DE60203458T3 (de) Integrierte Steuerung und Diagnose für ein motorbetriebenes System unter Verwendung von Schwingungs-, Druck-, Temperatur-, Geschwindigkeits-, und/oder Stromanalyse
DE4108310C2 (de) Verarbeitungssystem für eine Wissensbank in einem Expertensystem
DE4436658B4 (de) Vorrichtung und Verfahren zur Störungsuntersuchung
DE69930501T2 (de) Ultrasensitive überwachung von sensoren und prozessen
DE69937737T2 (de) Beurteilung des zustands eines lagers
DE112006000819T5 (de) Diagnose- und Vorhersageverfahren und -system
DE112004000432T5 (de) Generierung von Daten für die Kennzeichnung des betrieblichen Zustands von Maschinen
DE102018103244B4 (de) Bildverarbeitugssystem
EP0643345A1 (de) Verfahren und Datenverarbeitungsanlage zur Überwachung von Betriebszuständen einer technischen Anlage
WO2021121695A1 (de) Verfahren, vorrichtung und system zur detektion von anomalen betriebszuständen eines geräts
DE102019217613A1 (de) Verfahren zur diagnose eines motorzustands und diagnostisches modellierungsverfahren dafür
WO2021001312A1 (de) Durchführen einer applikation mithilfe wenigstens eines roboters
DE4406723B4 (de) Verfahren zur Überwachung des Betriebszustands einer Maschine oder Anlage
DE69818380T2 (de) Verfahren zur Überwachung eines mit Beschleunigungssensoren versehenen Planetengetriebes in einem Fortbewegungsmittel, insbesondere in einem Helikopter
DE102019211770B3 (de) Verfahren zur rechnergestützten Erfassung und Auswertung eines Arbeitsablaufs, bei dem ein menschlicher Werker und ein robotisches System wechselwirken

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