EP3335089A1 - Verfahren zur bestimmung von diagnosemustern für zeitreihen eines technischen systems und diagnoseverfahren - Google Patents

Verfahren zur bestimmung von diagnosemustern für zeitreihen eines technischen systems und diagnoseverfahren

Info

Publication number
EP3335089A1
EP3335089A1 EP16775607.1A EP16775607A EP3335089A1 EP 3335089 A1 EP3335089 A1 EP 3335089A1 EP 16775607 A EP16775607 A EP 16775607A EP 3335089 A1 EP3335089 A1 EP 3335089A1
Authority
EP
European Patent Office
Prior art keywords
diagnostic
sequence
sequences
pattern
event
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.)
Withdrawn
Application number
EP16775607.1A
Other languages
English (en)
French (fr)
Inventor
Stephan Grimm
Stephan Guennemann
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.)
Siemens AG
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of EP3335089A1 publication Critical patent/EP3335089A1/de
Withdrawn legal-status Critical Current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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics

Definitions

  • the invention relates to a method for determining diagnostic patterns for time series of a technical system and a diagnostic method.
  • complex technical systems such as automated production systems or trains
  • numerous sensors provide large amounts of Zeitrei hen ⁇ which are automated data analysis.
  • Such time series are typically in the form of sequences of tuples, for example, with a
  • Time stamps are provided, and contain about sensor measurements, Werkspro ⁇ protocols or diagnostic messages.
  • the individual elements of the time series are therefore tuples because several properties can coincide at a time of the time series. For example, several events occurring at the same time can form a tuple.
  • diagnostic patterns are often desirable to indicate the occurrence of certain, in particular ⁇ sondere instantaneous properties of the technical system. Such properties can be formed, for example, by the failure of a system component. Data analysis can be helpful in such cases to detect or predict failures early.
  • one or more diagnostic patterns are initially set and it will be
  • such a diagnostic quality measure is the ratio of the number of sequences of the quantity associated with the event and the number of sequences of the set, the ratio being additionally provided with a correction factor which is the lower, the greater the overlap the amount with one or more other sets of further extensions.
  • the diagnostic quality measure is expediently greater, the more accurate the diagnostic pattern for the event is.
  • the pre Diagnose abroadshus is all the greater, the more sequences includes the set associated with the event in Verbin ⁇ dung.
  • such a different diagnostic quality measure is with the ratio of the number of those sequences of the quantity associated with the event to the number of sequences associated with the event (and not necessary derived from the set) preferably less the ratio of the one or more sequences of the set not related to the event to the number of non-event related sequences (and not necessarily derived from the set).
  • the first, second, third and fourth steps are repeated one or more times. Iteratively, an increasingly sophisticated diagnostic pattern or set of diagnostic patterns is obtained.
  • the time series or time series, the one or more diagnostic patterns and the sequence or sequences are sequences of elements in the form of tuples. This development of the invention takes into account the fact that time series can specify in particular the time entry of events. For example, several events may occur at the same time, which is conveniently mapped with a tuple.
  • a diagnostic pattern is extended, i.e., an extension of the diagnostic pattern is determined by appending a last item or adding another entry to a last tuple.
  • This type of diagnostic model generation by extension of the diagnostic pattern is complete and easy to count.
  • a diagnostic pattern is included in a sequence if the successive tuples of the diagnostic pattern in correct re ⁇ lativer sequence are at least components of tuples of the sequence, wherein a maximum distance between successive tuples of the diagnostic pattern within the Se ⁇ quency is not exceeded.
  • a diagnostic pattern is then contained in a sequence if successive tuples of the diagnostic pattern in the correct relative sequence are at least components of tuples of the sequence, with a maximum distance between each successive tuples of the diagnostic pattern in the sequence within the sequence is not exceeded.
  • a maximum distance is predetermined in advance between each successive tuple of the diagnostic pattern, which must not be exceeded within the sequence.
  • the maximum distance can thus change within the diagnosis ⁇ semusters.
  • the maximum distance in the above display of the diagnostic pattern is in each case as consciousnessge ⁇ set number disregard the arrows together.
  • the entry of a tuple of the diagnostic pattern is equal to a generic term of this entry.
  • a diagnostic pattern with generic terms can be used to cover a plurality of specific diagnostic patterns.
  • a sequence suitably comprises about an entry in the tuple of the Diagnosemus ⁇ ters “brake” the “hydraulic brake” or “mechanical brake” elements, so that the “brake” entry again takes place in the sequence by the "brake” entry with the elements matcht “hydraulic brake” or "mecha ⁇ African brake”.
  • the extensions of the diagnostic pattern (s) are developed in a tree-like structure, wherein the tree is searched for a breadth-first search.
  • the search space within the questionable diagnostic patterns is concentrated at each stage of the tree-like structure by the fourth step of the method according to the invention, as described above, on the region which appears to be of interest in each case.
  • one or more diagnostic patterns are or are determined by a method according to one of the preceding claims, wherein this one or more diagnostic patterns is or will be used to detect a diagnosis of characteristics of the technical system.
  • Fig. 2 shows a chain of events with sequences and Diagnosemus ⁇ tern in the implementation of the method according to the invention in a schematic
  • the output is a set of diagnostic patterns.
  • the algorithm shown can be used for example to generate diagnostic pattern by which cancellations detected early or so may be even predicted ⁇ .
  • all generated diagnostic patterns are kept in line 1.
  • (line 2) is started with an empty diagnostic pattern.
  • loop gene ⁇ riert candidates for the next "Beam” (the "Beam Search” - procedure). For each candidate in the "Beam” the diagnosis pattern is extended by means of the For loop and the
  • Fig. 2 train data analyzed for event diagnosis.
  • train data on the condition of technical on-board devices are recorded during the train operation.
  • Each event contains several pieces of information. Among them are on the one hand
  • Message Code which identifies an event type, such as a "brake lever malfunction” (ie a malfunction of the brake lever function) or a “fault emergency brake valve” (ie an error of the function of the emergency brake valve) of a train and also a Switzerlandkennziffer characterizing the respective train , the mileage of the train, GPS coordinates of the train and the temperature information of the train concerned.
  • an event type such as a "brake lever malfunction” (ie a malfunction of the brake lever function) or a “fault emergency brake valve” (ie an error of the function of the emergency brake valve) of a train and also a Switzerlandkennziffer characterizing the respective train , the mileage of the train, GPS coordinates of the train and the temperature information of the train concerned.
  • further data can not be added in further embodiments not shown separately or parts of the data, such as the temperature information, can be omitted.
  • the tensile data are ⁇ be distinguished in Fig. 2 by means of the chain of events E, which the summarizes the data from more than 200 to trains ⁇ which have been acquired over several years, so that
  • a vertical sequence of basic geometrical shapes shown in FIG. 2 indicates that the corresponding events occur at the same time t (as is usual with time rays, the respective position along the horizontal direction marks the time t at which the event occurs: the farther to the right an event is positioned, the later it occurs in time).
  • sequences will be pre-classified by means of a binary identification (namely, the label L, which may take the values "+” or accept) wel ⁇ che with a cancellation F are related:..
  • the sequence S i is associated with a train failure F, ie only the sequence S i is preceded by a train failure F of the train to which the events of the sequence S i belong
  • the label L is in each case shown as a circle with the value "+" Or
  • the diagnostic pattern ⁇ be matched for carrying out the process according to the invention having the sequence:
  • the Diagno ⁇ semuster ⁇ ⁇ 273 ⁇ - 1 ⁇ 567 ⁇ - ⁇ 2 ⁇ 527 fits to the sequence Si.
  • subsumption hierarchies can also be taken into account.
  • the numerical code can be supplemented as above with terms for components of the train, such as “brake” or "door”.
  • types of impairment can be considered as subsumption hierarchy, such as terms “error” or “disorder”.
  • the Subsumptionshierarchie looks like this: Un ⁇ ter the term error of the numerical code "567” ( “Error emergency brake”) is subsumed under the term “disorder” advertising to the number codes "273" ( "Brake fault"), "527"

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Debugging And Monitoring (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Tests Of Electronic Circuits (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Bestimmung von Diagnosemustern für Zeitreihen eines technischen Systems und ein Diagnoseverfahren. Bei dem Verfahren zur Bestimmung eines oder mehrerer Diagnosemuster/s für Zeitreihen eines technischen Systems zwecks Diagnose eines Ereignisses werden zunächst ein oder mehrere Diagnosemuster angesetzt und - in einem ersten Schritt mögliche Erweiterungen des oder der Diagnosemuster bestimmt, - in einem zweiten Schritt für jede Erweiterung des oder je eines der Diagnosemuster eine Menge an Sequenzen aus den Zeitreihen bestimmt, in welchem die Erweiterung enthalten ist, - in einem dritten Schritt für jede Sequenz dieser Menge geprüft, ob die Sequenz mit den Ereignis in Verbindung steht oder nicht und - in einem vierten Schritt diejenige/n Erweiterung/en, für welche das Verhältnis der Anzahl von Sequenzen der Menge, die mit dem Ereignis in Verbindung stehen und der Anzahl von Sequenzen der Menge am größten ist, als neue/s Diagnosemuster angesetzt.

Description

Beschreibung
Verfahren zur Bestimmung von Diagnosemustern für Zeitreihen eines technischen Systems und Diagnoseverfahren
Die Erfindung betrifft ein Verfahren zur Bestimmung von Diagnosemustern für Zeitreihen eines technischen Systems und ein Diagnoseverfahren . Beim Betrieb von komplexen technischen Systemen, beispielsweise von automatisierten Produktionssystemen oder Zügen, liefern häufig zahlreiche Sensoren große Mengen an Zeitrei¬ hen, welche zur automatisierten Datenanalyse zur Verfügung stehen. Solche Zeitreihen weisen typischerweise die Form von Sequenzen von Tupeln auf, welche beispielsweise mit einem
Zeitstempel versehen sind und etwa Sensormessungen, Werkspro¬ tokolle oder Diagnosemeldungen enthalten.
Die einzelnen Elemente der Zeitreihen sind deshalb Tupel, weil mehrere Eigenschaften zu einem Zeitpunkt der Zeitreihe zusammentreffen können. Beispielsweise können mehrere zeitgleich eintretende Ereignisse ein Tupel bilden.
Regelmäßig stellt sich die Aufgabe, bestimmte Diagnosemuster in solchen Zeitreihen zu finden. Insbesondere sind häufig Diagnosemuster erwünscht, deren Auftreten auf bestimmte, insbe¬ sondere momentane, Eigenschaften des technischen Systems hinweisen. Solche Eigenschaften können etwa durch den Ausfall einer Systemkomponente gebildet sein. Eine Datenanalyse kann in solchen Fällen hilfreich sein, Ausfälle frühzeitig zu erkennen oder vorherzusagen.
Es ist daher Aufgabe der Erfindung, ein Verfahren zur Bestimmung von Diagnosemustern für Zeitreihen zu schaffen, mittels welchem eines oder mehrere Eigenschaften des technischen Systems leicht erkannt werden können. Ferner ist es Aufgabe der Erfindung, ein Diagnoseverfahren zur Diagnose von Eigenschaften des technischen Systems bereitzustellen. Diese Aufgabe der Erfindung wird mit einem Verfahren mit den in Anspruch 1 angegebenen Merkmalen sowie mit einem Diagnoseverfahren mit den in Anspruch 10 angegebenen Merkmalen gelöst. Bevorzugte Weiterbildungen der Erfindung sind in der zugehörigen Unteransprüchen, der nachfolgenden Beschreibung und der Zeichnung angegeben.
Bei dem erfindungsgemäßen Verfahren zur Bestimmung eines oder mehrerer Dignosemuster/s für Zeitreihen eines technischen Systems zwecks Diagnose eines Ereignisses werden zunächst ein oder mehrere Diagnosemuster angesetzt und es werden
- in einem ersten Schritt mögliche Erweiterungen des oder der Diagnosemuster bestimmt,
- in einem zweiten Schritt für jede Erweiterung des oder je eines der Diagnosemuster eine Menge an Sequenzen aus den Zeitreihen bestimmt, in welchem die Erweiterung enthalten ist,
- in einem dritten Schritt für mehrere Sequenzen dieser Menge, insbesondere für jede Sequenz dieser Menge, geprüft, ob die Sequenz mit dem Ereignis in Verbindung steht oder nicht und
- in einem vierten Schritt diejenige/n Erweiterung/en, für welche das Verhältnis der Anzahl von denjenigen Sequenzen der Menge, die mit dem Ereignis in Verbindung stehen, und der Anzahl von Sequenzen der Menge am größten ist, als neue/s Diag- nosemuster angesetzt.
Auf diese Weise werden solche Sequenzen herangezogen, welche bereits zuvor gewissermaßen als einschlägig betrachtet wur¬ den. Entsprechend wird mit verfeinerten Diagnosemustern ein jedenfalls vorab viel versprechend erscheinender Suchraum ge¬ zielt durchsucht. In einem zum oben angegebenen Verfahren alternativen erfindungsgemäßen Verfahren zur Bestimmung eines oder mehrerer Dignosemuster/s für Zeitreihen eines technischen Systems zwecks Diagnose eines Ereignisses werden anstelle des vierten Schritts wie oben beschrieben in einem alternativen vierten Schritt diejenige/n Erweiterung/en, für welche ein anderes Diagnosequalitätsmaß als das Verhältnis der Anzahl von Se¬ quenzen der Menge, die mit dem Ereignis in Verbindung stehen, und der Anzahl von Sequenzen der Menge am größten ist, als neue/s Diagnosemuster angesetzt. Zweckmäßig ist ein solches Diagnosequalitätsmaß das Verhältnis der Anzahl von Sequenzen der Menge, die mit dem Ereignis in Verbindung stehen und der Anzahl von Sequenzen der Menge, wobei das Verhältnis zusätzlich mit einem Korrekturfaktor versehen ist, welcher umso ge- ringer ist, umso größer der Überlapp der Menge mit einer oder mehreren anderen Mengen weiterer Erweiterungen ist.
Zweckmäßig ist das Diagnosequalitätsmaß umso größer, umso treffsicherer das Diagnosemuster für das Ereignis ist. Vor- zugsweise ist das Diagnosequalitätsmaß umso größer, umso mehr Sequenzen die Menge enthält, die mit dem Ereignis in Verbin¬ dung stehen.
In einer weiteren bevorzugten Weiterbildung der Erfindung ist ein solches anderes Diagnosequalitätsmaß mit dem Verhältnis der Anzahl derjenige/n Sequenzen der Menge, die mit dem Ereignis in Verbindung stehen, mit derjenigen Anzahl von Sequenzen, die mit dem Ereignis in Verbindung stehen, (und nicht notwendig der Menge entstammen) bevorzugt abzüglich des Verhältnisses derjenige/n Sequenzen der Menge, die mit dem Ereignis nicht in Verbindung stehen mit der Anzahl von Sequenzen, die mit dem Ereignis nicht in Verbindung stehen, (und nicht notwendig der Menge entstammen) gegeben.
In einer bevorzugten Weiterbildung des Verfahrens gemäß der Erfindung werden der erste, zweite, dritte und vierte Schritt ein- oder mehrfach wiederholt. Iterativ wird so ein immer ausgefeilteres Diagnosemuster oder ein Satz von Diagnosemustern erhalten. Vorzugsweise sind bei dem erfindungsgemäßen Verfahren die Zeitreihe oder Zeitreihen, das oder die Diagnosemuster sowie die Sequenz oder Sequenzen Abfolgen von Elementen in Form von Tupeln. Diese Weiterbildung der Erfindung trägt dem Umstand Rechnung, dass Zeitreihen insbesondere den zeitlichen Eintritt von Ereignissen angeben können. So können etwa mehrere Ereignisse zur selben Zeit auftreten, was geeigneterweise mit einem Tupel abgebildet wird.
Zweckmäßig wird ein Diagnosemuster erweitert, d.h., es wird eine Erweiterung des Diagnosemusters bestimmt, indem ein letztes Element angehängt wird oder ein weiterer Eintrag zu einem letzten Tupel zugefügt wird. Diese Art der Diagnosemus- tererzeugung mittels Erweiterung des Diagnosemusters ist vollständig und leicht zählbar.
Geeigneterweise ist bei dem Verfahren gemäß der Erfindung ein Diagnosemuster dann in einer Sequenz enthalten, wenn die auf- einanderfolgenden Tupel des Diagnosemusters in richtiger re¬ lativer Abfolge aufeinander zumindest Bestandteile von Tupeln der Sequenz sind, wobei ein maximaler Abstand zwischen aufeinanderfolgenden Tupeln des Diagnosemusters innerhalb der Se¬ quenz nicht überschritten wird. Diese Art des „Matchings" sei an einem Beispiel näher erläutert:
Ein Diagnosemuster
P = ({a} -> {b, c}) ist in der Sequenz
51 = ({c} -> {a, b} -> {b, c}) (mit maximalem Abstand „0") und in der Sequenz
S3 = ({a, ej -> {dj -> {e} -> {b, c, d} ) (mit maximalem Abstand „2") enthalten, nicht jedoch in der Sequenz
52 = ({b} -> {a, b} -> {c}) enthalten.
In einer bevorzugten Weiterbildung des erfindungsgemäßen Ver- fahrens ist ein Diagnosemuster dann in einer Sequenz enthalten, wenn aufeinanderfolgende Tupel des Diagnosemusters in richtiger relativer Abfolge zumindest Bestandteile von Tupeln der Sequenz sind, wobei je ein maximaler Abstand zwischen je aufeinanderfolgenden Tupeln des Diagnosemusters in der Abfolge innerhalb der Sequenz nicht überschritten wird.
D.h., es wird vorab zwischen je aufeinanderfolgenden Tupeln des Diagnosemusters ein maximaler Abstand vorgegeben, der in- nerhalb der Sequenz nicht überschritten werden darf.
Der maximale Abstand kann sich folglich innerhalb des Diagno¬ semusters ändern. Zweckmäßig wird der maximale Abstand in obiger Darstellung des Diagnosemusters jeweils als hochge¬ stellte Zahl den Pfeilen hintangefügt.
Vorzugsweise steht bei dem erfindungsgemäßen Verfahren nach einem der vorhergehenden Ansprüche dem Eintrag eines Tupels des Diagnosemusters ein Oberbegriff dieses Eintrags gleich. Auf diese Weise kann ein Diagnosemuster mit Oberbegriffen herangezogen werden, um eine Mehrzahl konkreter Diagnosemuster abzudecken.
Zweckmäßig umfasst etwa ein Eintrag im Tupel des Diagnosemus¬ ters „Bremse" in einer Sequenz die Elemente „hydraulische Bremse" oder „mechanische Bremse", sodass sich der Eintrag „Bremse" in der Sequenz wiederfindet, indem der Eintrag „Bremse" mit den Elementen „hydraulische Bremse" oder „mecha¬ nische Bremse" matcht.
Zweckmäßig werden bei dem erfindungsgemäßen Verfahren die Erweiterungen des oder der Diagnosemuster in einer baumartigen Struktur entwickelt, wobei der Baum nach einer Breadth-First- Suche durchsucht wird. Auf diese Weise lässt sich das etab¬ lierte Beam-Search-Verfahren anwenden. Gemäß diesem Verfahren wird an jede Stufe der baumartigen Struktur der Suchraum innerhalb der infrage kommenden Diagnosemuster durch den vierten Schritt des erfindungsgemäßen Verfahrens wie oben be¬ schrieben auf den jeweils interessant erscheinenden Bereich konzentriert . Bei dem erfindungsgemäßen Diagnoseverfahren wird oder werden ein oder mehrere Diagnosemuster nach einem Verfahren nach einem der vorhergehenden Ansprüche bestimmt, wobei dieses eine oder die mehreren Diagnosemuster herangezogen wird oder wer- den, um eine Diagnose von Eigenschaften des technischen Systems zu erkennen.
Nachfolgend wird die Erfindung anhand eines in der Zeichnung dargestellten Ausführungsbeispiels näher erläutert.
Es zeigen:
Fig. 1 einen Algorithmus zur Ausführung des erfindungsge¬ mäßen Verfahrens schematisch in einem Pseudocode sowie
Fig. 2 eine Ereigniskette mit Sequenzen und Diagnosemus¬ tern bei der Durchführung des erfindungsgemäßen Verfahrens in einer schematischen
Prinzipdarstellung .
Der in Fig. 1 dargestellte Pseudocode nutzt als Eingangsgrö¬ ßen zunächst einen Satz von Eingangssequenzen, eine Markierfunktion 1, die Zahl der Diagnosemuster k sowie die minimale Größe s einer Sequenz. Als Ausgangsgröße wird ein Satz von Diagnosemustern erhalten. Der dargestellte Algorithmus lässt sich beispielsweise verwenden, um Diagnosemuster zu generieren, mittels welchem Zugausfälle frühzeitig erkannt oder so¬ gar vorhergesagt werden können. Zunächst werden in Zeile 1 alle generierten Diagnosemuster buchgehalten. Nachfolgend wird (Zeile 2) mit einem leeren Diagnosemuster gestartet. Die nachfolgende While-Schleife gene¬ riert Kandidaten für den nächsten „Beam" (des „Beam-Search"- Verfahrens) . Für jeden Kandidanten in dem „Beam" wird das Di- agnosemuster mittels der For-Schleife erweitert und die
Monotonität genutzt. Mittels der zweiten For-Schleife wird der nächste Beam konstruiert. Schließlich liefert der Algorithmus als Resultat die besten k Diagnosemuster als Ausgangswert.
Die Sequenzen und Diagnosemuster sind in Fig. 2 exemplarisch detaillierter dargestellt:
Es werden gem. Fig. 2 Zugdaten zur Ereignisdiagnose analysiert. Dazu werden während des Zugbetriebes Zugdaten über den Zustand technischer Bordeinrichtungen erfasst. Jedes Ereignis umfasst mehrere Informationen. Darunter sind zum einen ein
„Message Code", der einen Ereignistyp kennzeichnet, etwa eine „Bremshebel Störung" (also eine Störung der Funktion des Bremshebels) oder einen „Fehler Notbremsventil" (also einen Fehler der Funktion des Notbremsventils) eines Zugs und zudem eine den jeweiligen Zug kennzeichnende Zugkennziffer, der Kilometerstand des Zugs, GPS-Koordinaten des Zugs sowie die Temperaturinformation des betreffenden Zugs. Grundsätzlich können in weiteren nicht gesondert dargestellten Ausführungsbeispielen weitere Daten hinzutreten oder Teile der Daten, etwa die Temperaturinformation, entfallen.
Die Zugdaten sind in Fig. 2 mittels der Ereigniskette E be¬ zeichnet, welche die die Daten von mehr als 200 Zügen um¬ fasst, welche über mehrere Jahre erfasst wurden, sodass
Zugdaten in einer Größenordnung von etwa 10 Millionen einzelnen Ereignissen in der Ereigniskette E enthalten sind. Die Ereigniskette E ist im oberen Zeitstrahl der Fig. 2 abgebildet. Jedes Einzelereignis der Ereigniskette umfasst die meh¬ reren Informationen wie oben zum jeweiligen Ereignis der Zugdaten beschrieben. Die jeweiligen Ereignisse der Ereigniskette E sind mit geometrischen Grundformen gekennzeichnet:
In der Darstellung gem. Fig. 2 bedeuten Quadrate „Bremshebel Störung" (korrespondierender Zahlencode: „273"), Kreise ste- hen für „Außentür Störung" (korrespondierender Zahlencode: „822") , Dreiecke kennzeichnen „Fehler Notbremsventil" (korrespondierender Zahlencode: „567") und Sterne bedeuten „Bremsdruckregelung Störung" (korrespondierender Zahlencode: „527") .
Eine in Fig. 2 vertikale Aufeinanderfolge von geometrischen Grundformen zeigt an, dass die korrespondierenden Ereignisse zur selben Zeit t auftreten (wie bei Zeitstrahlen üblich kennzeichnet die jeweilige Position entlang der horizontalen Richtung die Zeit t, zu welcher das Ereignis auftritt: je weiter rechts ein Ereignis positioniert ist, umso später tritt es zeitlich auf) .
In Zahlencodes ausgedrückt lässt sich ein solcher Teil der Ereignisskette E, bei welchem alle Ereignisse zu einer einzi¬ gen Fahrt eines bestimmten Zuges gehören, als Sequenz S i = {822} -> {273} -> {273} -> {822} -> {567, 273} -> {273} ->
{527} ausdrücken (die Zuordnung der Sequenz S i zu den Ereignissen der Ereigniskette E ist mittels geschweiften Klammern gekennzeichnet) . Diese zu einer einzigen Fahrt eines Zuges gehörenden Ereignisse sind in Fig. 2 mittels ausgefüllter Grundformen gekennzeichnet. Andere Sequenzen S2, S3, S4 gehö¬ ren dabei zu anderen Fahrten und/oder anderen Zügen (nicht ausgefüllte und/oder horizontal von der Sequenz S i
beabstandete Grundformen) . In einem weiteren Verfahrensschritt werden solche Sequenzen vorklassifiziert mittels einer binären Kennzeichnung (nämlich dem Label L, das die Werte „+" oder annehmen kann) , wel¬ che mit einem Zugausfall F in Zusammenhang stehen: In der Darstellung gem. Fig. 2 steht lediglich die Sequenz S i mit einem Zugausfall F in Zusammenhang, d.h. lediglich die Sequenz S i geht einem Zugausfall F desjenigen Zuges, zu welchem die Ereignisse der Sequenz S i gehören, voraus. Das Label L ist in Fig. 2 jeweils als Kreis mit dem Wert „+" oder
dargestellt, welches jeweils unten rechts an der Sequenz S i , S2, S3 und S4 anhängt.
Diese Sequenz S i wird nun für die Durchführung des Beispiels des erfindungsgemäßen Verfahrens genutzt: Die Diagnosemuster ΈΊ werden bei der Durchführung des erfindungsgemäßen Verfahrens mit der Sequenz gematcht: Das Diagno¬ semuster Ρ = {273} — 1 {567 } — 2 {527} passt auf die Sequenz Si.
Es können bei dem erfindungsgemäßen Verfahren zudem Subsump- tionshierarchien berücksichtigt werden. So kann der Zahlencode wie oben ergänzt werden um Begriffe für Komponenten des Zuges, etwa „Bremse" oder „Tür". Ferner können Arten einer Beeinträchtigung als Subsumptionshierarchie Berücksichtigung finden, etwa als Begriffe „Fehler" oder „Störung". Beispielhaft sieht die Subsumptionshierarchie dann wie folgt aus: Un¬ ter den Begriff Fehler wird der Zahlencode „567" („Fehler Notbremsventil") subsumiert, unter dem Begriff „Störung" wer- den die Zahlencodes „273" („Bremshebel Störung"), „527"
(„Bremsdruckregelung Störung") und „822" („Außentür Störung") subsumiert; unter dem Begriff „Bremse" werden die Zahlencodes „567" („Fehler Notbremsventil"), „273" („Bremshebel Störung") sowie „527" („Brenmsdruckregelung Störung") subsumiert und unter dem Begriff „Tür" wird der Zahlencode „822" („Außentür Störung") subsumiert. Folglich kann das Diagnosemuster den Begriff „Bremse" enthalten: P1 = {Bremse} — 1 {567} — 2 {527} passt nunmehr ebenfalls auf die Sequenz Si, da der Be¬ griff „Bremse" den Zahlencode „273" subsumiert.
Mittels dieses externen Domainwissens lassen sich Diagnose¬ muster mit einer hohen Prognosefähigkeit auffinden.

Claims

Patentansprüche
1. Verfahren zur Bestimmung eines oder mehrerer Diagnosemuster/s für Zeitreihen eines technischen Systems zwecks Diagno- se eines Ereignisses, bei welchem
zunächst ein oder mehrere Diagnosemuster angesetzt werden und in einem ersten Schritt mögliche Erweiterungen des oder der Diagnosemuster bestimmt werden,
- in einem zweiten Schritt für jede Erweiterung des oder je eines der Diagnosemuster eine Menge an Sequenzen aus den
Zeitreihen bestimmt wird, in welchem die Erweiterung enthalten ist,
- in einem dritten Schritt für mehrere Sequenzen dieser Menge jeweils geprüft wird oder für jede Sequenz dieser Menge ge- prüft wird, ob die Sequenz mit dem Ereignis in Verbindung steht oder nicht und
- in einem vierten Schritt diejenige/n Erweiterung/en, für welche das Verhältnis der Anzahl von Sequenzen der Menge, die mit dem Ereignis in Verbindung stehen, und der Anzahl von Se- quenzen der Menge am größten ist, als neue/s Diagnosemuster angesetzt werden.
2. Verfahren nach Anspruch 1, bei welchem anstelle des vierten Schritts gemäß Anspruch 1 in einem alternativen vierten Schritt diejenige/n Erweiterung/en, für welche ein anderes Diagnosequalitätsmaß als das Verhältnis der Anzahl von Se¬ quenzen der Menge, die mit dem Ereignis in Verbindung stehen, und der Anzahl von Sequenzen der Menge am größten ist, als neue/s Diagnosemuster angesetzt werden.
3. Verfahren nach einem der vorhergehenden Ansprüche, bei welchem der erste bis vierte Schritt ein- oder mehrfach wiederholt werden. 4. Verfahren nach einem der vorhergehenden Ansprüche, bei welchem die Zeitreihe oder Zeitreihen und/oder das oder die Diagnosemuster sowie die Sequenz oder Sequenzen Abfolgen von Elementen in Form von Tupeln sind.
5. Verfahren nach einem der vorhergehenden Ansprüche, bei welchem ein Diagnosemuster dann in einer Sequenz enthalten ist, wenn aufeinanderfolgende Tupel des Diagnosemusters in richtiger relativer Abfolge zumindest Bestandteile von Tupeln der Sequenz sind, wobei ein maximaler Abstand zwischen aufeinanderfolgenden Tupeln des Diagnosemusters innerhalb der Se¬ quenz nicht überschritten wird.
6. Verfahren nach einem der vorhergehenden Ansprüche, bei welchem ein Diagnosemuster dann in einer Sequenz enthalten ist, wenn aufeinanderfolgende Tupel des Diagnosemusters in richtiger relativer Abfolge zumindest Bestandteile von Tupeln der Sequenz sind, wobei je ein maximaler Abstand zwischen je aufeinanderfolgenden Tupeln des Diagnosemusters innerhalb der Sequenz nicht überschritten wird.
7. Verfahren nach einem der vorhergehenden Ansprüche, bei welchem einem Eintrag eines Tupels des Diagnosemusters ein Oberbegriff dieses Eintrags gleichsteht . che, bei ster in e der Baum nach einer Breadth-First-Suche durchsucht wird.
9. Verfahren nach einem der vorhergehenden Ansprüche, bei welchem eine Erweiterung des oder der Diagnosemuster/s be- stimmt wird, indem ein letztes Element angehängt wird oder ein weiterer Eintrag zu einem letzten Tupel zugefügt wird.
10. Diagnoseverfahren, bei welehern ein oder mehrere Diagnose¬ muster nach einem Verfahren nach einem der vorhergehenden Ansprüche bestimmt wird, wobei dieses eine oder die mehreren Diagnosemuster herangezogen wird oder werden, um eine Diagno- se von Eigenschaften des technischen Systems zu erkennen.
EP16775607.1A 2015-09-30 2016-09-23 Verfahren zur bestimmung von diagnosemustern für zeitreihen eines technischen systems und diagnoseverfahren Withdrawn EP3335089A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP15187594.5A EP3151077A1 (de) 2015-09-30 2015-09-30 Verfahren zur bestimmung von diagnosemustern für zeitreihen eines technischen systems und diagnoseverfahren
PCT/EP2016/072731 WO2017055190A1 (de) 2015-09-30 2016-09-23 Verfahren zur bestimmung von diagnosemustern für zeitreihen eines technischen systems und diagnoseverfahren

Publications (1)

Publication Number Publication Date
EP3335089A1 true EP3335089A1 (de) 2018-06-20

Family

ID=54252078

Family Applications (2)

Application Number Title Priority Date Filing Date
EP15187594.5A Withdrawn EP3151077A1 (de) 2015-09-30 2015-09-30 Verfahren zur bestimmung von diagnosemustern für zeitreihen eines technischen systems und diagnoseverfahren
EP16775607.1A Withdrawn EP3335089A1 (de) 2015-09-30 2016-09-23 Verfahren zur bestimmung von diagnosemustern für zeitreihen eines technischen systems und diagnoseverfahren

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP15187594.5A Withdrawn EP3151077A1 (de) 2015-09-30 2015-09-30 Verfahren zur bestimmung von diagnosemustern für zeitreihen eines technischen systems und diagnoseverfahren

Country Status (5)

Country Link
US (1) US20180321668A1 (de)
EP (2) EP3151077A1 (de)
CN (1) CN108139751A (de)
AU (1) AU2016330300B2 (de)
WO (1) WO2017055190A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021114324A1 (de) 2021-06-02 2022-12-08 Samson Aktiengesellschaft Verfahren zur Diagnose eines Steuer- und/oder Regelungssystems einer prozesstechnischen Anlage mit wenigstens einem Stellgerät zum Einstellen eines Prozessfluids und Steuer- und/oder Regelungssystem

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7129831B2 (en) * 2004-10-22 2006-10-31 Honeywell International, Inc. System diagnostic mode for a security central station receiver
JP2008220511A (ja) * 2007-03-09 2008-09-25 Toshiba Corp 時系列パターン発見装置、方法およびプログラム
WO2008114863A1 (ja) * 2007-03-22 2008-09-25 Nec Corporation 診断装置
US20120143834A1 (en) * 2009-08-12 2012-06-07 Nec Corporation Data summary system, method for summarizing data, and recording medium
CN103529823B (zh) * 2013-10-17 2016-04-06 北奔重型汽车集团有限公司 一种用于汽车诊断系统的安全访问控制方法
CN104899137B (zh) * 2015-05-22 2017-09-01 华中师范大学 一种并发程序的缺陷模式发现方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021114324A1 (de) 2021-06-02 2022-12-08 Samson Aktiengesellschaft Verfahren zur Diagnose eines Steuer- und/oder Regelungssystems einer prozesstechnischen Anlage mit wenigstens einem Stellgerät zum Einstellen eines Prozessfluids und Steuer- und/oder Regelungssystem

Also Published As

Publication number Publication date
CN108139751A (zh) 2018-06-08
AU2016330300B2 (en) 2019-07-18
AU2016330300A1 (en) 2018-04-12
US20180321668A1 (en) 2018-11-08
EP3151077A1 (de) 2017-04-05
WO2017055190A1 (de) 2017-04-06

Similar Documents

Publication Publication Date Title
EP1597643B1 (de) Vorrichtung und verfahren zur modellbasierten on-board-diagnose
DE102004024262A1 (de) Wissensbasiertes Diagnosesystem für ein komplexes technisches System mit zwei getrennten Wissensbasen zur Verarbeitung technischer Systemdaten und zur Verarbeitung von Kundenbeanstandungen
DE102005046388A1 (de) Modellgestützte Diagnose und Reparatur mittels Ereignisprotokollierung
DE102010052998A1 (de) Software-zentrierte Methodik für die Überprüfung und Bestätigung von Fehlermodellen
EP2866111B1 (de) Testen eines Steuergerätes mittels einer Testumgebung
DE102019217613A1 (de) Verfahren zur diagnose eines motorzustands und diagnostisches modellierungsverfahren dafür
EP3282399A1 (de) Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem
DE112016006796T5 (de) Aufzugfernwartungs-assistenzsytem und aufzugfernwartungs-assistenzverfahren
DE102011086352A1 (de) Verfahren und Diagnosesystem zur Unterstützung der geführten Fehlersuche in technischen Systemen
EP3014372B1 (de) Werkstatt-diagnosesystem
DE102005040142A1 (de) Verfahren zur Identifikation komplexer Diagnosesituationen im Kundendienst
WO2017055190A1 (de) Verfahren zur bestimmung von diagnosemustern für zeitreihen eines technischen systems und diagnoseverfahren
EP1597117B1 (de) Vorrichtung und verfahren zur zentralen on-board diagnose für kraftfahrzeuge
EP3340250B1 (de) Bauteilidentifikation bei der fehlerbehandlung von medizinischen geräten
EP1960854B1 (de) Diagnoseverfahren und diagnosevorrichtung zur funktionsorientierten diagnose eines systems mit vernetzten komponenten
DE102021002302A1 (de) Verfahren zur Ablaufplanung durchzuführender Testprozesse
DE102018212801A1 (de) Diagnose komplexer Systeme
EP4168865A1 (de) Verfahren zum steuern eines automatisierungssystems mit visualisierung von programmobjekten eines steuerprogramms des automatisierungssystems und automatisierungssystem
EP3056994B1 (de) Vorrichtung und verfahren zur erfassung, überprüfung und speicherung von prozessdaten aus mindestens zwei prozessschritten
DE102020128497A1 (de) Computerimplementiertes Verfahren und System zur dialogunterstützten Ferndiagnose eines Defekts an einem technischen Bauteil und/oder System eines Fahrzeugs und Trainingsverfahren
DE102021118972B3 (de) Computerimplementiertes verfahren und system zur lernbasierten anomaliedetektion zur bestimmung eines softwarefehlers in einem vernetzten fahrzeug
DE102018217729B4 (de) Verfahren und Vorrichtung zum Schätzen von mindestens einer Leistungskennzahl eines Systems
DE102007045255B4 (de) Verfahren zur Herstellung eines Diagnosesystems, insbesondere für ein Kraftfahrzeug
DE102020124194A1 (de) Verfahren zur vorverarbeitung von fehlersignalen sowie computerprogrammprodukt
DE102021200803A1 (de) Auswerteinrichtung für eine technische Einrichtung und Verfahren zum Herstellen einer Auswerteinrichtung

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20180314

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
17Q First examination report despatched

Effective date: 20200220

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20200902