EP4143642A1 - Container treatment machine and method for monitoring the operation of a container treatment machine - Google Patents

Container treatment machine and method for monitoring the operation of a container treatment machine

Info

Publication number
EP4143642A1
EP4143642A1 EP21722388.2A EP21722388A EP4143642A1 EP 4143642 A1 EP4143642 A1 EP 4143642A1 EP 21722388 A EP21722388 A EP 21722388A EP 4143642 A1 EP4143642 A1 EP 4143642A1
Authority
EP
European Patent Office
Prior art keywords
container
machine
treatment machine
container treatment
control unit
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.)
Pending
Application number
EP21722388.2A
Other languages
German (de)
French (fr)
Inventor
Stefan Piana
Herbert Kolb
Alexander Hewicker
Anton Niedermeier
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.)
Krones AG
Original Assignee
Krones 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 Krones AG filed Critical Krones AG
Publication of EP4143642A1 publication Critical patent/EP4143642A1/en
Pending 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
    • B65B57/00—Automatic control, checking, warning, or safety devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B67—OPENING, CLOSING OR CLEANING BOTTLES, JARS OR SIMILAR CONTAINERS; LIQUID HANDLING
    • B67C—CLEANING, FILLING WITH LIQUIDS OR SEMILIQUIDS, OR EMPTYING, OF BOTTLES, JARS, CANS, CASKS, BARRELS, OR SIMILAR CONTAINERS, NOT OTHERWISE PROVIDED FOR; FUNNELS
    • B67C3/00—Bottling liquids or semiliquids; Filling jars or cans with liquids or semiliquids using bottling or like apparatus; Filling casks or barrels with liquids or semiliquids
    • B67C3/007—Applications of control, warning or safety devices in filling machinery
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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]
    • G05B19/41875—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 quality surveillance of production
    • 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
    • G05B23/0254—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 quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • G05B2219/34477—Fault prediction, analyzing signal trends
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45048—Packaging
    • 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]

Definitions

  • the present invention relates to a container treatment machine according to claim 1 and a method for monitoring the operation of a container treatment machine according to claim 8.
  • Container treatment machines for treating containers are sufficiently known from the prior art. It is particularly known to "block" the container handling machines of various types (for example blow molding machines, fillers, closers and direct printing machines) so that their operation can be jointly controlled and monitored.
  • various types for example blow molding machines, fillers, closers and direct printing machines
  • the status of the individual container treatment machines can then be monitored, for example, and impending errors can be recognized or early recognized during the operation of the container treatment machines.
  • state variables parameters that are continuously monitored and examined by appropriate computing units, such as servers in a cloud architecture, to determine whether there are any anomalies in the entirety of the state variables. If such anomalies or a specific one occur Constellation of state variables or state vectors can then be concluded that there is a malfunction or an imminent malfunction.
  • neural networks are also used in corresponding cloud solutions to evaluate such large amounts of data, in particular for pattern recognition.
  • the technical problem to be solved consists in specifying a method for monitoring the operation of a container treatment machine and a corresponding container treatment machine that ensure reliable operation monitoring and at the same time a high level of data security and, if possible, low use of components and realize low costs during ongoing operations.
  • the container treatment machine for treating containers, such as bottles, cans or the like, in particular in the beverage processing industry, medical technology or the cosmetics industry, comprises a control unit for controlling the function of the container treatment machine and at least one treatment unit for treating the containers, the The container handling machine is designed for treating the container in exactly one way, the container handling machine comprising at least one component that can output data relating to its operating state and / or the operating state of the container handling machine to the control unit, and wherein the control unit comprises a neural network that is designed and is trained to use the data to determine whether a deviation of the operating state of the container treatment machine from a normal state is present and / or is imminent.
  • component is to be understood here as any part of the container treatment machine that can record / generate / record any data relevant to its operation or the operation of other parts of the container treatment machine and transmit it to the control unit. Accordingly, these components do not necessarily have to be sensors.
  • the fact that the container treatment machine is designed to treat the containers in exactly one way is to be understood as meaning that the container treatment machine performs exactly one (i.e. not two or more, but only one) functional intervention on a container or can only perform one .
  • a functional intervention on a container means changing at least one property of the container. This includes, for example, shaping a preform into a container, filling the container, closing the container, providing the container with decorative elements, pretreating the outer and / or inner surface of the container and inspecting the container.
  • This also includes the packaging of the container or a large number of containers, such as the compilation of several containers to form corresponding containers and the creation of a plastic cover for these containers.
  • the cleaning of containers to be recycled or the crushing of the plastic containers to produce new containers from recycled plastic are to be understood as corresponding functional interventions in the container and thus as an individual treatment on the container.
  • the container treatment machine With the container treatment machine according to the invention, it is possible to monitor the operation of the container treatment machine, with a further development of the monitoring based on the learning of the neural network being ensured analogously to the previous methods.
  • a permanently available data connection for example via the Internet, to a server architecture set up remotely from the actual container handling machine is no longer necessary.
  • the neural network is also expediently only supplied with the data that are relevant for the operation of the container handling machine, so that the neural network and in particular the computing capacity of the control unit can be correspondingly smaller. This means that, for example, the reserved storage capacity of the control unit can also be lower.
  • the component comprises at least one of a sensor, a rotary encoder, a camera, a container guide, a component of the control unit, a component of the network architecture of the container treatment machine.
  • control unit can be designed to output information to an operator when the neural network determines that a deviation of the operating state of the container treatment machine from a normal state is present and / or is imminent.
  • the information can be visual, acoustic or haptic information or a combination of these three or two different types of information.
  • the information can be shown on a display or a warning signal (acoustic) can be output. In this way, the operator can be effectively informed of any problems that may be imminent or that have already occurred during the operation of the container treatment machine, so that any downtimes or the amount of scrap can be reduced.
  • the neural network is designed to learn from operation of the container treatment machine.
  • the neural network can learn, for example, not only from the operation of the container handling machine in the normal state, but also from the occurrence of errors and in particular the behavior of the data before the error occurs, in order to improve error detection. In this way, despite the limited data available, reliable error detection and prediction of errors that may occur is realized.
  • control unit can be designed to only supply the neural network with data during the operation of the container treatment machine that have been obtained from the component or components of the container treatment machine.
  • the container treatment machine is designed as one of an inspection machine, a direct printing machine, a labeling machine, a filler, a closer, a packer, a blow molding machine, a container cleaning machine, a form filling machine, a pretreatment machine.
  • This method allows reliable monitoring of the operating status of a container handling machine, while at the same time ensuring the security of the data, but also the security of the operation due to the isolation of the control unit and the neural network from external access.
  • the neural network can be designed as a deep neural network (DNN).
  • DNN deep neural network
  • Deep Neural Networks are those neural networks that have an (extensive) structure of intermediate layers. These neural networks are particularly suitable for recognizing patterns in large amounts of data and can therefore be used advantageously in the context of monitoring the operation of the container handling machine.
  • the neural network learns from the operation of the container handling machine.
  • control unit only forwards data of the component or the components of the container treatment machine during operation of the container treatment machine for learning to the neural network.
  • control unit transmits additional data to the neural network during maintenance of the container handling machine and the neural network learns from the additional data.
  • a data volume of additional data (for example several 100 MB of additional data) can be transmitted to the container handling machine and in particular to the neural network for learning via a suitable data carrier (USB stick, external hard drive or the like).
  • a suitable data carrier USB stick, external hard drive or the like.
  • the additional data include data about an operating state of at least one further container treatment machine of a container treatment system to which the container treatment machine belongs; and / or wherein the additional data include data about an operating state of a container handling machine of the same type.
  • the use of data from the same container treatment system can be advantageous because it can also influence the operation of the container treatment machine directly or indirectly.
  • the use of data on the operating status of container handling machines of the same type can be used to learn errors that only occur after a large number of operating hours in the neural network, so that an early detection of these errors, such as only after 10 years of the Operation of a single container treatment machine can occur statistically in a timely manner.
  • the component can comprise at least one of a sensor, a rotary encoder, a camera, a container guide, a component of the control unit, a component of the network architecture of the container treatment machine and / or the component can transmit the data to the control unit in real time.
  • the data output by these components can be used advantageously for the detection of impending or occurring errors.
  • control unit outputs information to an operator when the neural network determines that a deviation of the operating state of the container treatment machine from a normal state is present and / or is imminent.
  • This information can help the operator to recognize occurring errors in good time and, for example, to stop the operation of the container treatment machine or to carry out maintenance.
  • Fig. 1 is a schematic view of a container treatment machine according to an embodiment
  • FIG. 2 shows a schematic view of the method running within the control unit.
  • FIG. 3 shows a schematic illustration of the method, taking additional data into account
  • the container treatment machine 100 is designed as a direct printing machine that can at least partially provide the container with a print image as a decoration element.
  • the container treatment machine or the container treatment machines are in particular container treatment machines that are used in the beverage processing industry or the cosmetics industry or medical technology to treat containers in any way. These are in particular machines that are designed to produce containers with the usual dimensions in the above-mentioned industries, such as 11, 21, 1, 51, 0.51, 0.751 bottles or jars for creams with a volume of 100ml, 150ml , 200ml or syringes or containers with a volume of 5ml, 10ml or 20ml.
  • the direct printing machine 100 comprises a carousel 101 with a series of container receptacles 102 in which containers for transport along the carousel (along the shown direction of rotation R of the carousel) can be received.
  • the container receptacles 100 are basically known devices from the prior art and can, for example, comprise stationary plates or turntables and centering bells assigned to them, so that the container can be clamped between the plate on the one hand and the centering device on the other hand.
  • a number of printing modules 103, 104 and 105 are located on the periphery of the carousel 101. These are arranged and designed in such a way that they can apply printing ink to the surface of the container.
  • print modules While three print modules are shown here, more or fewer print modules can also be provided.
  • the arrangement on the periphery of the carousel is also not restrictive. Printing modules that rotate with the individual container receptacles 102 are also conceivable, so that each container in its container receptacle can be printed by the modules assigned to the container receptacle 102 during transport along the carousel 101.
  • transport devices for the containers are shown schematically.
  • the transport device 106 is designed as a feed device so that it can feed non-printed containers to the direct printing machine.
  • the transport device 107 is designed as a transport device which can remove containers from the carousel 101 after printing and remove them from the direct printing machine 100.
  • the container treatment machine 100 comprises a control unit 130.
  • this control unit is connected to individual components 131 to 137 of the container treatment machine, for example via a number of lines for data exchange 138. Wireless connections are also conceivable here.
  • each container receptacle 102, each printing module 103 to 105, as well as the carousel 101 and the transport devices 106 and 107 comprise components 131 to 137 assigned to them.
  • these components can be understood as “sensors” which can record data on the operating state of the part of the container handling machine assigned to them (for example, component 135 from printing module 104) and feed it to control unit 130.
  • the components 131 to 137 do not have to be Sensors.
  • (moving) parts of the container treatment machine come into consideration as components, which can output data relating to an operating state either about themselves and / or the entire container treatment machine and / or other parts of the container treatment machine.
  • a servo motor can be viewed as such a component.
  • the servomotor can, for example, be part of the container receptacle 102, but usually does not provide any information to the control unit 130 about the centering device of the container receptacle 102, but only about its own operating state, such as whether the operating voltage is correct or control signals are correctly received from the control unit will.
  • temperature sensors moisture sensors, pressure sensors, light sensors, speed sensors and the like come into consideration as sensors, since all values measured by such sensors can usually be indicative or relevant for the operating state of a container handling machine.
  • Cameras can also be used as components, which are used, for example, as an inspection device in the implementation of the container handling machine, in order to check the containers.
  • the components are sensors, rotary encoders, cameras, container guides or parts of the control unit (such as the network cables or the processor or the internal memory or the like) or generally part of the network architecture (shown here schematically by the data connections 138) of the Container handling machine.
  • the network architecture can include all devices and components used for the purpose of data exchange (in particular processors, memories, data connections and the like). These can provide information about their status to the control unit in order to enable control and monitoring of these components.
  • the embodiment of the container treatment machine 100 shown here is only to be understood as an example and the invention is not restricted to use in the field of direct printing machines.
  • the container treatment machine can also be a blow molding machine, a labeling machine, an inspection machine, a filler, a closer, a packer, a blow molding machine, a container cleaning machine, a recycling machine for plastic containers, a Act form filling machine or a pre-treatment machine.
  • each container treatment machine which is implemented according to embodiments of the invention treats containers in exactly one way.
  • the handling of the container includes a functional change in the container or an inspection.
  • a functional change can be seen, for example, in printing, labeling, closing, filling, shaping, shredding, recycling, cleaning, packaging or combining with other containers.
  • the container treatment machine performs precisely such a functional treatment of a container.
  • the transport of the containers by the transport devices 106 and 107 or along the periphery of the carousel in the container receptacles 102 is not to be seen as a separate functional change of the container, but as part of such a change, since the functional change for a direct printing machine, for example Treatment can be seen in the fact that a print image is applied to the container, but the container is inevitably transported in some way during this time.
  • container treatment machine does not include mere transport devices, but the treatment of the container within the meaning of the invention can also include transport, in addition to the functional change of the container, as described above.
  • control unit 130 has a neural network or is assigned such a network and the control unit transfers the data received from the at least one component (for example component 134) about the operating state of the component and / or the container handling machine to the neural network Net feeds.
  • the neural network is preferably such a neural network that has been trained to use data on the operating state of components and / or the entire container handling machine to determine whether the machine is in normal operation or in the normal state or whether a malfunction has occurred (for example, a direct print module has failed or the ink level is too low) or such a malfunction is (imminent).
  • the neural network has preferably been trained in such a way that it is specialized on the basis of the data obtained from the components as part of a pattern recognition for which neural networks and particularly preferably deep neural networks (DNN) are specialized, for example by comparison with already known patterns (of parameters) draws conclusions as to whether the operation of the container treatment machine is running correctly.
  • DNN deep neural networks
  • the neural network can be trained to view a specific curve of the torque applied to a servomotor over an entire process cycle as the “normal state” of the turntable. In this sense, even slight changes can be interpreted by the neural network as data that still characterize normal operation. However, if a change occurs that does not match the normal state within the framework of the pattern recognition, the neural network can recognize this either as an indication of an imminent malfunction or as a malfunction that has occurred and thus determine that no operating state of the container handling machine is normal. State exists or a deviation from the normal state is imminent.
  • the neural network and / or the control unit can preferably be designed in such a way that information is output to an operator of the container handling machine.
  • This information can indicate to the operator, for example, that there is a malfunction or that it is about to occur.
  • the information can be output to the operator, for example, on a display or other suitable display device of the control unit or on a display device assigned to the control unit.
  • Corresponding information can thus be transmitted to the operator on a mobile terminal device carried by him, such as a tablet computer, a smartphone or the like, and displayed on its display device. Acoustic and / or haptic information is also conceivable here.
  • an acoustic message in the sense of an acoustic alarm or beep or a haptic signal, such as a vibration of the mobile device carried by the user (smartphone, tablet or the like), can be used by the operator indicate that a malfunction is imminent or threatened.
  • the information made available to the operator can differ, in particular, depending on whether a deviation from the operating state is only imminent or already exists.
  • FIG. 2 shows an embodiment of the method according to the invention, in which the neural network evaluates the data transmitted to the control unit by the individual components (see also FIG. 1).
  • control unit receives data only from components 131 which are assigned to the container handling machine in which the control unit is implemented.
  • the control unit can be in a Embodiment Data from several or all components 131-137, which have already been described with reference to FIG. 1, are obtained and evaluated (with the aid of the neural network).
  • the control unit can comprise a receiving device 251 for receiving the data from the components 131.
  • This receiving unit 251 can also be designed as a pre-processing unit that already evaluates, manipulates, checks or processes (part of) the data received from the individual components before these data are ultimately fed to the neural network 253.
  • the receiving unit 251 can furthermore be assigned a processor and / or storage unit 252 in which processing (of a part) of the data and / or storage of the data can also be carried out.
  • the data are transmitted from the receiving unit 251 to the neural network 253, if necessary after a corresponding preprocessing.
  • the neural network is preferably implemented as a pre-learned neural network in the container handling machine, the learning of the neural network preferably being carried out in such a way that it is trained to operate the container handling machine in whose control unit it was implemented. This means that a neural network 253 implemented in a control unit 130 of a direct printing machine has been learned with different parameters than a normal network of a control unit of a blow molding machine.
  • the basic architecture of the neural networks can, however, be identical. In particular, they can have the same number of intermediate layers and / or nodes within the neural network.
  • the learning of the neural network usually only changes the individual parameter values assigned to the nodes and layers of the neural network, so that the pattern recognition leads to different results in differently learned neural networks.
  • the basic process of learning neural networks is, however, sufficiently known from the prior art.
  • the neural network can access a memory 255 assigned to it, for example, in order to call up the learned parameters. Based on the evaluation of the data, the neural network then finally recognizes whether the data obtained are characteristic of a normal state of operation of the container handling machine or of a deviation or an imminent deviation from the normal state. The neural network can then transfer this information, for example, to the evaluation device 254 of the control unit 130, which evaluates the result of the neural network and, if necessary, outputs information to an operator, as has already been explained above. It is particularly preferred if the neural network learns during operation of the container handling machine, that is, it automatically carries out a further refinement of the pattern recognition that has already been learned.
  • the neural network can be designed in such a way that it improves the parameters stored in the memory 255 during operation of the container handling machine to the effect that a recognized normal operation and / or a recognized malfunction and / or a recognized impending malfunction are included in the parameters that are required for the pattern recognition of normal operation and / or a corresponding pattern recognition of an impending and / or already occurred error are characteristic to improve during operation.
  • the neural network preferably receives only data from components of the container treatment machine that installs the control unit 130 in which the neural network is involved (it does not matter whether it is operating in the normal state or an incorrect operation) is heard.
  • the neural network preferably does not receive any data from other container treatment machines at least during the operating time of the container treatment machine, be it container treatment machines of the same container treatment plant or from container treatment machines that are distributed anywhere in the world, but belong, for example, to the same type of container treatment machine.
  • control unit 130 does not receive such data (further components) from further container treatment machines. In normal operation, however, it is provided that this data is then at least not passed on to the neural network. This ensures that the neural network is not supplied with possibly compromised data via an unsafe data line, which could ultimately lead to malfunctions.
  • the neural network can be trained with additional data from other container handling machines (either of the same type and / or of a different type).
  • FIG 3 shows an embodiment in which the container treatment machine, to which the control unit 130 and the neural network 253 installed therein is assigned, is not operated in normal operation, but is operated, for example, in a maintenance mode. It is known that approximately annual maintenance cycles are carried out by container treatment machines, during which operation is stopped and, for example, worn parts are replaced. the According to the invention, however, the time sequence of such maintenance cycles is not restricted and can in particular be periodic or also non-periodic (for example in the case of an unplanned repair).
  • data are transferred to the control unit 130 via an external data carrier 362 or via a corresponding line for data exchange with other container handling machines and thus from a component of such a container handling machine.
  • These data can be data on the operating status of a container treatment machine of the same container treatment system in which the actual container treatment machine is also arranged, in which the control unit 130 is also arranged.
  • it can also be data from a container treatment machine (of the same type) from another container treatment system that is set up, for example, in another region of the world.
  • This pre-processing can also include processing of this data at a central point, for example in a server architecture outside the container handling machine, and make a modification of parameters of the neural network immediately available so that not original data from components, but rather updates "the parameters of the neural network can be made available from outside the container handling machine as part of the maintenance cycle.
  • these additional data are not made available via an Internet connection or other network connection, but rather via a data storage unit to be connected to the container handling machine, which is for example protected against unauthorized access via suitable security mechanisms or whose data was previously checked by a (generally known) security program.
  • a connection to an external data source can also be established via a secure Internet connection, in particular via a VPN connection, in order to prevent access by unauthorized third parties.
  • the components such as those described in FIG Monitoring of the operation of the container treatment machine is possible. It depends largely on the component or the component of the container treatment machine monitored by the component as to the time intervals at which data relevant to the operating state of the component and / or the container treatment machine can be sensed and transmitted. Some components, such as rotary encoders or servomotors, make monitoring within a tenth or a few hundredths of a second useful. Monitoring the level of an ink supply or monitoring a label supply of a labeling machine, however, can make a less time-resolved monitoring appear sensible.
  • monitoring in a temporal order of magnitude of the process cycle for example a few tenths of a second between the application of a first label and the application of a second label to a subsequent container, can appear sensible.
  • the invention is not limited with regard to the time intervals or sequence with which data are recorded and transmitted to the control unit.
  • the data are preferably transmitted to the control unit and, accordingly, to the neural network with almost no time delay, in particular special in practically real time (taking into account the time delay caused by the data transfer).
  • neural network is basically to be understood in such a way that other adaptive algorithms can also be used instead of the neural network in the above embodiments.
  • the invention is therefore not limited to the application of neural networks, but can also be implemented with other adaptive algorithms in accordance with the above embodiments.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Filling Of Jars Or Cans And Processes For Cleaning And Sealing Jars (AREA)

Abstract

The invention relates to a container treatment machine (100) for treating containers such as bottles, cans or the like, in particular in the beverage-processing industry, medical technology or the cosmetics industry, wherein: the container treatment machine comprises a control unit (130) for controlling the function of the container treatment machine (100) and at least one treatment unit (102-105) for treating the containers; the container treatment machine is designed to treat the containers in exactly one way; the container treatment machine comprises at least one component (131-137) which can output data relating to its operating state and/or the operating state of the container treatment machine (100) to the control unit (130); and the control unit comprises a neural network (253) which is configured and trained to use the data to determine whether a deviation of the operating state of the container treatment machine (100) from a normal state is present and/or imminent.

Description

Behälterbehandlungsmaschine und Verfahren zum Überwachen des Betriebs einer Behälterbehandlungsmaschine Container handling machine and method for monitoring the operation of a container handling machine
Die vorliegende Erfindung betrifft eine Behälterbehandlungsmaschine gemäß Anspruch 1 sowie ein Verfahren zum Überwachen des Betriebs einer Behälterbehandlungsmaschine gemäß An spruch 8. The present invention relates to a container treatment machine according to claim 1 and a method for monitoring the operation of a container treatment machine according to claim 8.
Stand der Technik State of the art
Behälterbehandlungsmaschinen zum Behandeln von Behältern sind aus dem Stand der Technik hinreichend bekannt. Dabei ist es insbesondere bekannt, die Behälterbehandlungsmaschinen un terschiedlichster Art (beispielsweise Blasformmaschinen, Füller, Verschließer und Direktdruckma schinen) zu "Verblocken", sodass ihr Betrieb gemeinschaftlich gesteuert und überwacht werden kann. Container treatment machines for treating containers are sufficiently known from the prior art. It is particularly known to "block" the container handling machines of various types (for example blow molding machines, fillers, closers and direct printing machines) so that their operation can be jointly controlled and monitored.
Aufgrund der Verfügbarkeit schneller Datenübertragung und Massenspeicher für große Daten mengen hat es sich als vorteilhaft herausgestellt, den Betrieb der einzelnen Behälterbehandlungs maschinen, insbesondere ganzer Behälterbehandlungsanlagen, weltweit zentral zu überwachen. Dazu werden mittlerweile Cloud-Lösungen verwendet, die die Daten der Behälterbehandlungsan lagen sammeln können und anschließend eine Auswertung dieser Daten durchführen. Due to the availability of fast data transmission and mass storage for large amounts of data, it has been found to be advantageous to centrally monitor the operation of the individual container treatment machines, in particular entire container treatment systems, worldwide. In the meantime, cloud solutions are used for this, which can collect the data from the container treatment systems and then carry out an evaluation of this data.
Basierend auf dieser Auswertung kann dann beispielsweise eine Zustandsüberwachung der ein zelnen Behälterbehandlungsmaschinen erfolgen, und eine Erkennung oder Früherkennung von bevorstehenden Fehlern während des Betriebs der Behälterbehandlungsmaschinen durchgeführt werden. Based on this evaluation, the status of the individual container treatment machines can then be monitored, for example, and impending errors can be recognized or early recognized during the operation of the container treatment machines.
Dazu wird üblicherweise eine Vielzahl von Parameter, auch Zustandsvariablen genannt, perma nent überwacht und durch entsprechende Recheneinheiten, wie etwa Server bei einer Cloud-Ar- chitektur dahingehend untersucht, ob Anomalien in der Gesamtheit der Zustandsvariablen vorlie gen. Bei Auftreten solcher Anomalien oder einer bestimmten Konstellation von Zustandsvariablen oder Zustandsvektoren kann dann auf eine Fehlfunktion oder eine bevorstehende Fehlfunktion geschlossen werden. For this purpose, a large number of parameters, also called state variables, are continuously monitored and examined by appropriate computing units, such as servers in a cloud architecture, to determine whether there are any anomalies in the entirety of the state variables. If such anomalies or a specific one occur Constellation of state variables or state vectors can then be concluded that there is a malfunction or an imminent malfunction.
Zur Auswertung solch großer Datenmengen, insbesondere zur Mustererkennung, werden in ent sprechenden Cloud-Lösungen mittlerweile auch neuronale Netze eingesetzt. In the meantime, neural networks are also used in corresponding cloud solutions to evaluate such large amounts of data, in particular for pattern recognition.
Allerdings hat dieser Ansatz auch Nachteile, da die Maschinen eine ständige Netzwerkverbindung zur Außenwelt benötigen, um eine Erkennung von Fehlern zu gewährleisten, was nicht nur eine stabile Internetverbindung erfordert, sondern gleichzeitig erhebliche Sicherheitsrisiken bei der Übertragung dieser Daten mit sich bringt. Außerdem liefert die Auswertung sämtlicher für die Be hälterbehandlungsanlage verfügbarer Daten zwar einen guten Überblick über den gesamten Be trieb der Anlage. Für einzelne Fehlfunktionen, etwa für den Ausfall eines einzelnen Drehgebers an einer Direktdruckmaschine, ist jedoch ein Großteil dieser Daten nicht relevant. Ein vorheriges Aussortieren dieser Daten ist jedoch nicht sinnvoll, da dann Informationen über andere Fehler verloren gehen würden. However, this approach also has disadvantages, as the machines need a constant network connection to the outside world in order to ensure detection of errors, which is not just one requires a stable internet connection, but at the same time entails considerable security risks when transferring this data. In addition, the evaluation of all data available for the container treatment system provides a good overview of the entire operation of the system. However, a large part of this data is not relevant for individual malfunctions, such as the failure of a single rotary encoder on a direct printing press. However, it does not make sense to sort out this data beforehand, since information about other errors would then be lost.
Aufgabe task
Ausgehend vom bekannten Stand der Technik besteht die zu lösende technische Aufgabe somit darin, ein Verfahren zur Überwachung des Betriebs einer Behälterbehandlungsmaschine sowie eine entsprechende Behälterbehandlungsmaschine anzugeben, die eine zuverlässige Betriebs überwachung gewährleisten und gleichzeitig eine hohe Sicherheit der Daten sowie, sofern mög lich, geringen Komponenteneinsatz und geringe Kosten während des laufenden Betriebs realisie ren. Based on the known prior art, the technical problem to be solved consists in specifying a method for monitoring the operation of a container treatment machine and a corresponding container treatment machine that ensure reliable operation monitoring and at the same time a high level of data security and, if possible, low use of components and realize low costs during ongoing operations.
Lösung solution
Diese Aufgabe wird erfindungsgemäß durch die Behälterbehandlungsmaschine gemäß Anspruch 1 oder das Verfahren zum Überwachen des Betriebs der Behälterbehandlungsmaschine gemäß Anspruch 8 gelöst. Vorteilhafte Weiterbildungen der Erfindung sind in den Unteransprüchen er fasst. According to the invention, this object is achieved by the container treatment machine according to claim 1 or the method for monitoring the operation of the container treatment machine according to claim 8. Advantageous further developments of the invention are contained in the subclaims.
Die erfindungsgemäße Behälterbehandlungsmaschine zum Behandeln von Behältern, wie bei spielsweise Flaschen, Dosen oder dergleichen, insbesondere in der getränkeverarbeitenden In dustrie, der Medizintechnik oder der Kosmetikindustrie, umfasst eine Steuereinheit zur Steuerung der Funktion der Behälterbehandlungsmaschine und wenigstens eine Behandlungseinheit zum Behandeln der Behälter, wobei die Behälterbehandlungsmaschine zum Behandeln der Behälter auf genau eine Art ausgebildet ist, wobei die Behälterbehandlungsmaschine wenigstens eine Komponente umfasst, die Daten bezüglich ihres Betriebszustands und/oder des Betriebszustands der Behälterbehandlungsmaschine an die Steuereinheit ausgeben kann und wobei die Steuerein heit ein neuronales Netz umfasst, das ausgebildet und trainiert ist, anhand der Daten festzustellen, ob eine Abweichung des Betriebszustands der Behälterbehandlungsmaschine von einem Normal zustand vorliegt und/oder bevorsteht. Unter dem Begriff der "Komponente" ist hier jeder Bestandteil der Behälterbehandlungsmaschine anzusehen, der irgendwelche für seinen Betrieb oder den Betrieb anderer Teile der Behälterbe handlungsmaschine relevante Daten erfassen/erzeugen/aufnehmen und an die Steuereinheit übermitteln kann. Es kann, muss sich bei diesen Komponenten entsprechend nicht zwangsläufig um Sensoren handeln. The container treatment machine according to the invention for treating containers, such as bottles, cans or the like, in particular in the beverage processing industry, medical technology or the cosmetics industry, comprises a control unit for controlling the function of the container treatment machine and at least one treatment unit for treating the containers, the The container handling machine is designed for treating the container in exactly one way, the container handling machine comprising at least one component that can output data relating to its operating state and / or the operating state of the container handling machine to the control unit, and wherein the control unit comprises a neural network that is designed and is trained to use the data to determine whether a deviation of the operating state of the container treatment machine from a normal state is present and / or is imminent. The term "component" is to be understood here as any part of the container treatment machine that can record / generate / record any data relevant to its operation or the operation of other parts of the container treatment machine and transmit it to the control unit. Accordingly, these components do not necessarily have to be sensors.
Dass die Behälterbehandlungsmaschine zum Behandeln der Behälter auf genau eine Art ausge bildet ist, ist so zu verstehen, dass die Behälterbehandlungsmaschine genau einen (also nicht etwa zwei oder mehr, sondern nur einen) funktionalen Eingriff an einem Behälter durchführt bzw. nur eine solche durchführen kann. Dies schließt nicht aus, dass in oder im Rahmen der Behälter behandlungsmaschine zusätzlich ein Transport der Behälter stattfindet. Ein funktionaler Eingriff an einem Behälter bedeutet, wenigstens eine Eigenschaft des Behälters zu verändern. Dazu zählt beispielsweise das Ausformen eines Vorformlings zu einem Behälter, das Füllen des Behälters, das Verschließen des Behälters, das Versehen des Behälters mit Dekorationselementen, das Vorbehandeln der äußeren und/oder inneren Oberfläche des Behälters sowie das Inspizieren des Behälters. Dazu zählt auch das Verpacken des oder einer Vielzahl von Behältern, etwa das Zu sammenstellen von mehreren Behältern zu entsprechenden Gebinden und das Erstellen einer Kunststoffumhüllung für diese Behälter. Auch das Reinigen von zu recycelnden Behältern oder das Zerkleinern der Behälter aus Kunststoff zum Herstellen neuer Behälter aus recyceltem Kunst stoff sind als entsprechende funktionale Eingriffe in den Behälter und damit als einzelne Behand lung an dem Behälter zu verstehen. The fact that the container treatment machine is designed to treat the containers in exactly one way is to be understood as meaning that the container treatment machine performs exactly one (i.e. not two or more, but only one) functional intervention on a container or can only perform one . This does not rule out that the containers are also transported in or within the container handling machine. A functional intervention on a container means changing at least one property of the container. This includes, for example, shaping a preform into a container, filling the container, closing the container, providing the container with decorative elements, pretreating the outer and / or inner surface of the container and inspecting the container. This also includes the packaging of the container or a large number of containers, such as the compilation of several containers to form corresponding containers and the creation of a plastic cover for these containers. The cleaning of containers to be recycled or the crushing of the plastic containers to produce new containers from recycled plastic are to be understood as corresponding functional interventions in the container and thus as an individual treatment on the container.
Mit der erfindungsgemäßen Behälterbehandlungsmaschine wird eine Überwachung des Betriebs der Behälterbehandlungsmaschine möglich, wobei analog zu den bisherigen Verfahren auch eine Weiterentwicklung der Überwachung aufgrund des Lernens des neuronalen Netzes gewährleistet ist. Gleichzeitig ist eine permanent verfügbare Datenverbindung, etwa über das Internet, zu einer entfernt von der eigentlichen Behälterbehandlungsmaschine eingerichteten Serverarchitektur nicht mehr notwendig. Auch wird das neuronale Netz zweckmäßig lediglich mit den Daten ver sorgt, die für den Betrieb der Behälterbehandlungsmaschine relevant sind, sodass das neuronale Netz und insbesondere die Rechenkapazität der Steuereinheit entsprechend geringer dimensio niert sein können. Damit kann etwa auch die vorgehaltene Speicherkapazität der Steuereinheit geringer ausfallen. Hiermit entfällt auch eine für den Betrieb der Behälterbehandlungsmaschine überflüssige Aussortierung oder sogar Auswertung von für andere Behälterbehandlungsmaschi nen relevanten Daten, die auf den Betrieb der eigentlichen Behälterbehandlungsmaschine keinen Einfluss haben. Es kann vorgesehen sein, dass die Komponente wenigstens eines von einem Sensor, einem Drehgeber, einer Kamera, einer Behälterführung, einem Bestandteil der Steuereinheit, einem Be standteil der Netzwerkarchitektur der Behälterbehandlungsmaschine umfasst. With the container treatment machine according to the invention, it is possible to monitor the operation of the container treatment machine, with a further development of the monitoring based on the learning of the neural network being ensured analogously to the previous methods. At the same time, a permanently available data connection, for example via the Internet, to a server architecture set up remotely from the actual container handling machine is no longer necessary. The neural network is also expediently only supplied with the data that are relevant for the operation of the container handling machine, so that the neural network and in particular the computing capacity of the control unit can be correspondingly smaller. This means that, for example, the reserved storage capacity of the control unit can also be lower. This also eliminates the need for the operation of the container treatment machine to sort out or even evaluate data relevant to other container treatment machines that have no influence on the operation of the actual container treatment machine. It can be provided that the component comprises at least one of a sensor, a rotary encoder, a camera, a container guide, a component of the control unit, a component of the network architecture of the container treatment machine.
Diese Ausführungen der Komponente können besonders vorteilhaft im Rahmen der Erfindung realisiert werden, da sie für wichtige Charakteristika des Betriebs der Behälterbehandlungsma schine nützliche Daten ausgeben. Als Sensor kann beispielsweise ein Temperatursensor, Druck sensor, Feuchtigkeitssensor, Geschwindigkeitssensor oder Ähnliches verwendet werden. These versions of the component can be implemented particularly advantageously within the scope of the invention, since they output data useful for important characteristics of the operation of the container treatment machine. For example, a temperature sensor, pressure sensor, humidity sensor, speed sensor or the like can be used as the sensor.
Weiterhin kann die Steuereinheit ausgebildet sein, eine Information an einen Bediener auszuge ben, wenn das neuronale Netz feststellt, dass eine Abweichung des Betriebszustands der Behäl terbehandlungsmaschine von einem Normal-Zustand vorliegt und/oder bevorsteht. Furthermore, the control unit can be designed to output information to an operator when the neural network determines that a deviation of the operating state of the container treatment machine from a normal state is present and / or is imminent.
Die Information kann etwa eine visuelle, akustische oder haptische Information oder eine Kombi nation dieser drei oder zwei verschiedenen Informationstypen sein. Insbesondere kann die Infor mation auf einem Display angezeigt oderein Warnsignal (akustisch) ausgegeben werden. Hiermit kann der Bediener auf etwa bevorstehende oder bereits eingetretene Probleme beim Betrieb der Behälterbehandlungsmaschine effektiv hingewiesen werden, sodass etwaige Stillstandszeiten o- der die Menge an Ausschuss reduziert werden können. The information can be visual, acoustic or haptic information or a combination of these three or two different types of information. In particular, the information can be shown on a display or a warning signal (acoustic) can be output. In this way, the operator can be effectively informed of any problems that may be imminent or that have already occurred during the operation of the container treatment machine, so that any downtimes or the amount of scrap can be reduced.
In einer Ausführungsform ist vorgesehen, dass das neuronale Netz ausgebildet ist, aus einem Betrieb der Behälterbehandlungsmaschine zu lernen. In one embodiment it is provided that the neural network is designed to learn from operation of the container treatment machine.
Das neuronale Netz kann etwa nicht nur aus dem Betrieb der Behälterbehandlungsmaschine im Normal-Zustand, sondern auch aus dem Auftreten von Fehlern und insbesondere des Verhaltens der Daten vor Auftreten des Fehlers lernen, um die Fehlererkennung zu verbessern. Damit wird trotz der nur limitiert verfügbaren Daten eine zuverlässige Fehlererkennung und Vorhersage von möglicherweise auftretenden Fehlern realisiert. The neural network can learn, for example, not only from the operation of the container handling machine in the normal state, but also from the occurrence of errors and in particular the behavior of the data before the error occurs, in order to improve error detection. In this way, despite the limited data available, reliable error detection and prediction of errors that may occur is realized.
Außerdem kann die Steuereinheit ausgebildet sein, dem neuronalen Netz nur Daten während des Betriebs der Behälterbehandlungsmaschine zuzuführen, die von der Komponente oder den Kom ponenten der Behälterbehandlungsmaschine erlangt wurden. In addition, the control unit can be designed to only supply the neural network with data during the operation of the container treatment machine that have been obtained from the component or components of the container treatment machine.
Hiermit kann die Behälterbehandlungsmaschine und insbesondere die Steuereinheit und das da rauf laufende neuronale Netz im Wesentlichen isoliert, d. h., also vollständig ohne Datenaus tausch mit anderen Einrichtungen betrieben werden, was insbesondere die Betriebssicherheit auf grund der Unmöglichkeit eines unerlaubten Zugriffs erhöht werden. In einer weiteren Ausführungsform ist die Behälterbehandlungsmaschine als eines von einer In spektionsmaschine, einer Direktdruckmaschine, einer Etikettiermaschine, einem Füller, einem Verschließer, einem Verpacker, einer Blasformmaschine, einer Behälterreinigungsmaschine, ei ner Formfüllmaschine, einer Vorbehandlungsmaschine ausgebildet. This allows the container handling machine and in particular the control unit and the neural network running on it to be operated essentially in isolation, ie completely without data exchange with other devices, which in particular increases operational reliability due to the impossibility of unauthorized access. In a further embodiment, the container treatment machine is designed as one of an inspection machine, a direct printing machine, a labeling machine, a filler, a closer, a packer, a blow molding machine, a container cleaning machine, a form filling machine, a pretreatment machine.
Diese Behälterbehandlungsmaschinen können besonders vorteilhaft mit der erfindungsgemäßen Überwachung überwacht werden. These container treatment machines can be monitored particularly advantageously with the monitoring system according to the invention.
Das erfindungsgemäße Verfahren zur Überwachung des Betriebs einer Behälterbehandlungsma schine zum Behandeln von Behältern, wie Flaschen, Dosen oder dergleichen, insbesondere in der getränkeverarbeitenden Industrie, der Medizintechnik oder der Kosmetikindustrie, wobei die Behälterbehandlungsmaschine eine Steuereinheit, die die Funktion der Behälterbehandlungsma schine steuert, und wenigstens eine Behandlungseinheit, die Behälter behandelt, umfasst, sieht vor, dass die Behälterbehandlungsmaschine Behälter auf genau eine Art behandelt, wobei die Behälterbehandlungsmaschine wenigstens eine Komponente umfasst, die Daten bezüglich ihres Betriebszustands und/oder des Betriebszustands der Behälterbehandlungsmaschine an die Steu ereinheit ausgibt und wobei die Steuereinheit ein neuronales Netz umfasst, das ausgebildet und trainiert ist, anhand der Daten festzustellen, ob eine Abweichung des Betriebszustands der Be hälterbehandlungsmaschine von einem Normal-Zustand vorliegt und/oder bevorsteht. The method according to the invention for monitoring the operation of a container treatment machine for treating containers such as bottles, cans or the like, in particular in the beverage processing industry, medical technology or the cosmetics industry, the container treatment machine having a control unit that controls the function of the container treatment machine, and at least a treatment unit that treats containers, provides that the container treatment machine treats containers in exactly one way, the container treatment machine comprising at least one component that outputs data relating to its operating state and / or the operating state of the container treatment machine to the control unit and wherein the Control unit comprises a neural network which is designed and trained to use the data to determine whether a deviation of the operating state of the container handling machine from a normal state is present and / or is imminent.
Dieses Verfahren erlaubt eine zuverlässige Überwachung des Betriebszustands einer Behälter behandlungsmaschine, wobei gleichzeitig die Sicherheit der Daten, aber auch die Sicherheit des Betriebs aufgrund der Isolierung der Steuereinheit und des neuronalen Netzwerks vom externen Zugriff sichergestellt werden. This method allows reliable monitoring of the operating status of a container handling machine, while at the same time ensuring the security of the data, but also the security of the operation due to the isolation of the control unit and the neural network from external access.
Das neuronale Netz kann als ein Deep Neural Network (DNN) ausgebildet sein. The neural network can be designed as a deep neural network (DNN).
Deep Neural Networks sind dabei solche neuronalen Netze, die eine (umfangreiche) Struktur von Zwischenschichten aufweisen. Diese neuronalen Netze sind besonders geeignet, um Muster in großen Datenmengen zu erkennen und können daher vorteilhaft im Rahmen der Überwachung des Betriebs der Behälterbehandlungsmaschine eingesetzt werden. Deep Neural Networks are those neural networks that have an (extensive) structure of intermediate layers. These neural networks are particularly suitable for recognizing patterns in large amounts of data and can therefore be used advantageously in the context of monitoring the operation of the container handling machine.
Es kann auch vorgesehen sein, dass das neuronale Netz aus dem Betrieb der Behälterbehand lungsmaschine lernt. It can also be provided that the neural network learns from the operation of the container handling machine.
Das Lernen aus dem Betrieb bietet den Vorteil, dass die Erkennung der Fehler für diese spezifi sche Behälterbehandlungsmaschine auch während des Betriebs der Behälterbehandlungsma schine verbessert werden kann. Ferner kann vorgesehen sein, dass die Steuereinheit nur Daten der Komponente oder der Kom ponenten der Behälterbehandlungsmaschine während des Betriebs der Behälterbehandlungsma schine zum Lernen an das neuronale Netz weiterleitet. Learning from operation offers the advantage that the detection of the errors for this specific container treatment machine can also be improved during operation of the container treatment machine. Furthermore, it can be provided that the control unit only forwards data of the component or the components of the container treatment machine during operation of the container treatment machine for learning to the neural network.
Dabei ist insbesondere vorgesehen, dass Daten von sämtlichen Komponenten der Behälterbe handlungsmaschine, die der Steuereinheit zur Verfügung gestellt werden, auch dem neuronalen Netz zur Verfügung gestellt werden. Jedoch werden keine Daten von anderen Behälterbehand lungsmaschinen desselben Typs oder anderen Behälterbehandlungsmaschinen, etwa einer Be hälterbehandlungsanlage, in der die Behälterbehandlungsmaschine installiert ist, der Steuerein heit und dem neuronalen Netz zugeführt. Die zu verarbeitende Datenmenge kann damit gering gehalten werden, wobei dennoch eine gute Fehlererkennung gewährleistet wird. It is provided in particular that data from all components of the container handling machine that are made available to the control unit are also made available to the neural network. However, no data from other container treatment machines of the same type or other container treatment machines, such as a container treatment system in which the container treatment machine is installed, are supplied to the control unit and the neural network. The amount of data to be processed can thus be kept low, while good error detection is nevertheless guaranteed.
Es kann auch vorgesehen sein, dass die Steuereinheit zusätzliche Daten während einer Wartung der Behälterbehandlungsmaschine an das neuronale Netz überträgt und das neuronale Netz aus den zusätzliche Daten lernt. It can also be provided that the control unit transmits additional data to the neural network during maintenance of the container handling machine and the neural network learns from the additional data.
Im Rahmen einer solchen Wartung kann etwa über einen geeigneten Datenträger (USB-Stick, externe Festplatte oder Ähnliches) eine Datenmenge zusätzlicher Daten (beispielsweise mehrere 100 MB an zusätzlichen Daten) an die Behälterbehandlungsmaschine und insbesondere an das neuronale Netz zum Lernen übertragen werden. Dies bietet den Vorteil, dass auch ein umfangrei cheres Lernen des neuronalen Netzes ermöglicht wird, ohne dass hierfür eine permanente gege benenfalls unsichere Datenverbindung besteht. As part of such maintenance, a data volume of additional data (for example several 100 MB of additional data) can be transmitted to the container handling machine and in particular to the neural network for learning via a suitable data carrier (USB stick, external hard drive or the like). This offers the advantage that extensive learning of the neural network is made possible without a permanent, possibly insecure, data connection.
In einer Weiterbildung dieser Ausführungsform ist vorgesehen, dass die zusätzlichen Daten Daten über einen Betriebszustand wenigstens einer weiteren Behälterbehandlungsmaschine einer Be hälterbehandlungsanlage, zu der die Behälterbehandlungsmaschine gehört, umfassen; und/oder wobei die zusätzlichen Daten Daten über einen Betriebszustand einer Behälterbehandlungsma schine desselben Typs umfassen. In a further development of this embodiment it is provided that the additional data include data about an operating state of at least one further container treatment machine of a container treatment system to which the container treatment machine belongs; and / or wherein the additional data include data about an operating state of a container handling machine of the same type.
Die Verwendung von Daten aus derselben Behälterbehandlungsanlage können von Vorteil sein, da sie mittelbar oder unmittelbar auch den Betrieb der Behälterbehandlungsmaschine beeinflus sen können. Die Verwendung von Daten über den Betriebszustand von Behälterbehandlungsma schinen des gleichen Typs können dazu dienen, Fehler, die erst bei einer großen Anzahl von Betriebsstunden auftreten, bereits im neuronalen Netz zu lernen, sodass eine Früherkennung auch dieser Fehler, wie etwa erst nach 10 Jahren des Betriebs einer einzelnen Behälterbehand lungsmaschine statistisch auftreten, rechtzeitig zu erkennen. Weiterhin kann die Komponente wenigstens eines von einem Sensor, einem Drehgeber, einer Kamera, einer Behälterführung, einem Bestandteil der Steuereinheit, einem Bestandteil der Netz werkarchitektur der Behälterbehandlungsmaschine umfassen und/oder die Komponente kann die Daten in Echtzeit an die Steuereinheit übermitteln. The use of data from the same container treatment system can be advantageous because it can also influence the operation of the container treatment machine directly or indirectly. The use of data on the operating status of container handling machines of the same type can be used to learn errors that only occur after a large number of operating hours in the neural network, so that an early detection of these errors, such as only after 10 years of the Operation of a single container treatment machine can occur statistically in a timely manner. Furthermore, the component can comprise at least one of a sensor, a rotary encoder, a camera, a container guide, a component of the control unit, a component of the network architecture of the container treatment machine and / or the component can transmit the data to the control unit in real time.
Die von diesen Komponenten ausgegebenen Daten können vorteilhaft für die Erkennungen von bevorstehenden oder auftretenden Fehlern dienen. The data output by these components can be used advantageously for the detection of impending or occurring errors.
Es kann auch vorgesehen sein, dass die Steuereinheit eine Information an einen Bediener aus gibt, wenn das neuronale Netz feststellt, dass eine Abweichung des Betriebszustands der Behäl terbehandlungsmaschine von einem Normal-Zustand vorliegt und/oder bevorsteht. It can also be provided that the control unit outputs information to an operator when the neural network determines that a deviation of the operating state of the container treatment machine from a normal state is present and / or is imminent.
Diese Information kann dem Bediener dabei helfen, auftretende Fehler rechtzeitig zu erkennen und beispielsweise ein Anhalten des Betriebs der Behälterbehandlungsmaschine oder eine War tung durchzuführen. This information can help the operator to recognize occurring errors in good time and, for example, to stop the operation of the container treatment machine or to carry out maintenance.
Kurze Beschreibung der Figuren Brief description of the figures
Fig. 1 schematische Ansicht einer Behälterbehandlungsmaschine gemäß einer Ausführungs form Fig. 1 is a schematic view of a container treatment machine according to an embodiment
Fig. 2 schematische Ansicht des innerhalb der Steuereinheit ablaufenden Verfahrens Fig. 3 schematische Darstellung des Verfahrens unter Berücksichtigung zusätzlicher DatenFIG. 2 shows a schematic view of the method running within the control unit. FIG. 3 shows a schematic illustration of the method, taking additional data into account
Ausführliche Beschreibung Detailed description
Fig. 1 zeigt eine Behälterbehandlungsmaschine 100, wie sie gemäß einer Ausführungsform der Erfindung eingesetzt werden kann. In der Fig. 1 ist die Behälterbehandlungsmaschine als Direkt druckmaschine ausgebildet, die Behälter zumindest teilweise mit einem Druckbild als Dekorati onselement versehen kann. Die Behälterbehandlungsmaschine oder die Behälterbehandlungs maschinen sind gemäß der Erfindung insbesondere Behälterbehandlungsmaschinen, die im Be reich der getränkeverarbeitenden Industrie oder der Kosmetikindustrie oder der Medizintechnik zum Einsatz kommen, um Behälter auf irgendeine Art zu Behandeln. Es handelt sich insbeson dere um Maschinen, die dazu ausgebildet sind, Behälter mit in den oben genannten Industrie zweigen üblichen Maßen, etwa 11, 21, 1 ,51, 0,51, 0,751 Flaschen oder Tiegel für Cremes mit einem Volumen von 100ml, 150ml, 200ml oder Spritzen oder Behälter mit einem Volumen von 5ml, 10ml oder 20ml zu behandeln. Auch andere in den oben genannten Industrien zum Einsatz kommende Arten von Behältern sowie Größen von Behältern sollen hier umfasst sein, etwa Dosen. Dazu umfasst in der hier dargestellten Ausführungsform die Direktdruckmaschine 100 ein Karus sell 101 mit einer Reihe von Behälteraufnahmen 102, in denen Behälter zum Transport entlang des Karussells (entlang der dargestellten Rotationsrichtung R des Karussells) aufgenommen wer den können. Die Behälteraufnahmen 100 sind aus dem Stand der Technik grundsätzlich bekannte Vorrichtungen und können beispielsweise Standteller oder Drehteller und diesen zugeordnete Zentrierglocken umfassen, sodass der Behälter zwischen dem Teller einerseits und der Zentrier einrichtung andererseits eingespannt werden kann. 1 shows a container treatment machine 100 as it can be used according to an embodiment of the invention. In Fig. 1, the container treatment machine is designed as a direct printing machine that can at least partially provide the container with a print image as a decoration element. According to the invention, the container treatment machine or the container treatment machines are in particular container treatment machines that are used in the beverage processing industry or the cosmetics industry or medical technology to treat containers in any way. These are in particular machines that are designed to produce containers with the usual dimensions in the above-mentioned industries, such as 11, 21, 1, 51, 0.51, 0.751 bottles or jars for creams with a volume of 100ml, 150ml , 200ml or syringes or containers with a volume of 5ml, 10ml or 20ml. Other types of containers and sizes of containers used in the above-mentioned industries are also intended to be included here, for example cans. For this purpose, in the embodiment shown here, the direct printing machine 100 comprises a carousel 101 with a series of container receptacles 102 in which containers for transport along the carousel (along the shown direction of rotation R of the carousel) can be received. The container receptacles 100 are basically known devices from the prior art and can, for example, comprise stationary plates or turntables and centering bells assigned to them, so that the container can be clamped between the plate on the one hand and the centering device on the other hand.
In der hier dargestellten Ausführungsform befinden sich an der Peripherie des Karussells 101 eine Reihe von Druckmodulen 103, 104 und 105. Diese sind derart angeordnet und ausgebildet, dass sie Drucktinte auf die Oberfläche des Behälters ausbringen können. In the embodiment shown here, a number of printing modules 103, 104 and 105 are located on the periphery of the carousel 101. These are arranged and designed in such a way that they can apply printing ink to the surface of the container.
Während hier drei Druckmodule dargestellt sind, können auch mehr oder weniger Druckmodule vorgesehen sein. Ebenso ist die Anordnung an der Peripherie des Karussells nicht beschränkend. Es sind auch mit den einzelnen Behälteraufnahmen 102 mitumlaufende Druckmodule denkbar, sodass jeder Behälter in seiner Behälteraufnahme während des Transports entlang des Karus sells 101 von den der Behälteraufnahme 102 zugeordneten Modulen bedruckt werden kann.While three print modules are shown here, more or fewer print modules can also be provided. The arrangement on the periphery of the carousel is also not restrictive. Printing modules that rotate with the individual container receptacles 102 are also conceivable, so that each container in its container receptacle can be printed by the modules assigned to the container receptacle 102 during transport along the carousel 101.
Überdies sind Transporteinrichtungen für die Behälter schematisch dargestellt. Die Transportein richtung 106 ist als Zuführeinrichtung ausgebildet, sodass sie nicht bedruckte Behälter der Direkt druckmaschine zuführen kann. Die Transporteinrichtung 107 ist als Transporteinrichtung ausge bildet, die Behälter aus dem Karussell 101 nach dem Bedrucken entnehmen und aus der Direkt druckmaschine 100 abführen kann. In addition, transport devices for the containers are shown schematically. The transport device 106 is designed as a feed device so that it can feed non-printed containers to the direct printing machine. The transport device 107 is designed as a transport device which can remove containers from the carousel 101 after printing and remove them from the direct printing machine 100.
Überdies umfasst die Behälterbehandlungsmaschine 100 eine Steuereinheit 130. Erfindungsge mäß ist diese Steuereinheit mit einzelnen Komponenten 131 bis 137 der Behälterbehandlungs maschine verbunden, etwa über eine Reihe von Leitungen zum Datenaustausch 138. Auch draht lose Verbindungen sind hier denkbar. In addition, the container treatment machine 100 comprises a control unit 130. According to the invention, this control unit is connected to individual components 131 to 137 of the container treatment machine, for example via a number of lines for data exchange 138. Wireless connections are also conceivable here.
In der in Fig. 1 dargestellten Ausführungsform umfassen beispielsweise jede Behälteraufnahme 102, jedes Druckmodul 103 bis 105, sowie das Karussell 101 und die Transporteinrichtungen 106 und 107 diesen zugeordnete Komponenten 131 bis 137. In the embodiment shown in FIG. 1, for example, each container receptacle 102, each printing module 103 to 105, as well as the carousel 101 and the transport devices 106 and 107 comprise components 131 to 137 assigned to them.
In der hier dargestellten Ausführungsform können diese Komponenten als "Sensoren" aufgefasst werden, die Daten über den Betriebszustand des ihnen zugeordneten Teils der Behälterbehand lungsmaschine (also beispielsweise die Komponente 135 vom Druckmodul 104) aufnehmen und der Steuereinheit 130 zuführen können. Die Komponenten 131 bis 137 müssen jedoch nicht als Sensoren ausgeführt sein. Grundsätzlich kommen als Komponenten (bewegliche) Teile der Be hälterbehandlungsmaschine in Betracht, die Daten bezüglich eines Betriebszustands entweder über sich selbst und/oder der gesamten Behälterbehandlungsmaschine und/oder anderer Teile der Behälterbehandlungsmaschine ausgeben können. Beispielsweise kann ein Servomotor als solche Komponente angesehen werden. Der Servomotor kann beispielsweise Teil der Behäl teraufnahme 102 sein, gibt jedoch an die Steuereinheit 130 üblicherweise keine Informationen über die Zentriereinrichtung der Behälteraufnahme 102 aus, sondern lediglich über seinen eige nen Betriebszustand, etwa ob die Betriebsspannung korrekt ist oder Steuersignale von der Steu ereinheit korrekt empfangen werden. In the embodiment shown here, these components can be understood as "sensors" which can record data on the operating state of the part of the container handling machine assigned to them (for example, component 135 from printing module 104) and feed it to control unit 130. However, the components 131 to 137 do not have to be Sensors. In principle, (moving) parts of the container treatment machine come into consideration as components, which can output data relating to an operating state either about themselves and / or the entire container treatment machine and / or other parts of the container treatment machine. For example, a servo motor can be viewed as such a component. The servomotor can, for example, be part of the container receptacle 102, but usually does not provide any information to the control unit 130 about the centering device of the container receptacle 102, but only about its own operating state, such as whether the operating voltage is correct or control signals are correctly received from the control unit will.
Als Sensoren kommen insbesondere Temperatursensoren, Feuchtigkeitssensoren, Drucksenso ren, Lichtsensoren, Geschwindigkeitssensoren und Ähnliches in Betracht, da sämtliche von sol chen Sensoren gemessenen Werte üblicherweise für den Betriebszustand einer Behälterbehand lungsmaschine indikativ bzw. relevant sein können. In particular, temperature sensors, moisture sensors, pressure sensors, light sensors, speed sensors and the like come into consideration as sensors, since all values measured by such sensors can usually be indicative or relevant for the operating state of a container handling machine.
Als Komponenten kommen auch Kameras infrage, die etwa bei Realisierung der Behälterbehand lungsmaschine als Inspektionseinrichtung genutzt werden, um die Behälter zu überprüfen. Cameras can also be used as components, which are used, for example, as an inspection device in the implementation of the container handling machine, in order to check the containers.
Insbesondere handelt es sich bei den Komponenten um Sensoren, Drehgeber, Kameras, Behäl terführungen oder Teile der Steuereinheit (etwa die Netzwerkkabel oder der Prozessor oder der interne Speicher oder Ähnliches) oder allgemein einen Bestandteil der Netzwerkarchitektur (hier schematisch dargestellt durch die Datenverbindungen 138) der Behälterbehandlungsmaschine. Die Netzwerkarchitektur kann dabei sämtliche zum Zwecke des Datenaustausches verwendeten Einrichtungen und Komponenten (insbesondere Prozessoren, Speicher, Datenverbindungen und Ähnliches) umfassen. Diese können Informationen über ihren Zustand an die Steuereinheit aus geben, um eine Steuerung und Kontrolle dieser Komponenten zu ermöglichen. In particular, the components are sensors, rotary encoders, cameras, container guides or parts of the control unit (such as the network cables or the processor or the internal memory or the like) or generally part of the network architecture (shown here schematically by the data connections 138) of the Container handling machine. The network architecture can include all devices and components used for the purpose of data exchange (in particular processors, memories, data connections and the like). These can provide information about their status to the control unit in order to enable control and monitoring of these components.
Die hier dargestellte Ausführungsform der Behälterbehandlungsmaschine 100 ist nur beispielhaft zu verstehen und die Erfindung ist nicht auf die Anwendung im Bereich von Direktdruckmaschinen beschränkt. The embodiment of the container treatment machine 100 shown here is only to be understood as an example and the invention is not restricted to use in the field of direct printing machines.
Im Gegenteil, analog zu dem bisher Beschriebenen kann es sich bei der Behälterbehandlungs maschine etwa auch um eine Blasformmaschine, eine Etikettiermaschine, eine Inspektionsma schine, einen Füller, einen Verschließer, einen Verpacker, eine Blasformmaschine, eine Behälter reinigungsmaschine, eine Recyclingmaschine für Kunststoffbehälter, eine Formfüllmaschine oder eine Vorbehandlungsmaschine handeln. Für die Erfindung wesentlich ist jedoch, dass jede Behälterbehandlungsmaschine, die gemäß Ausführungsformen der Erfindung realisiert wird, Behälter auf genau eine Art behandelt. Das Be handeln der Behälter umfasst dabei eine funktionale Veränderung des Behälters oder eine In spektion. Eine funktionale Veränderung ist beispielsweise im Bedrucken, Etikettieren, Verschlie ßen, Befüllen, Ausformen, Zerkleinern, Recyceln, Reinigen, Verpacken oder Zusammenstellen mit anderen Behältern zu sehen. Die Behälterbehandlungsmaschine führt erfindungsgemäß ge nau eine solche funktionale Behandlung eines Behälters durch. On the contrary, analogous to what has been described so far, the container treatment machine can also be a blow molding machine, a labeling machine, an inspection machine, a filler, a closer, a packer, a blow molding machine, a container cleaning machine, a recycling machine for plastic containers, a Act form filling machine or a pre-treatment machine. However, it is essential for the invention that each container treatment machine which is implemented according to embodiments of the invention treats containers in exactly one way. The handling of the container includes a functional change in the container or an inspection. A functional change can be seen, for example, in printing, labeling, closing, filling, shaping, shredding, recycling, cleaning, packaging or combining with other containers. According to the invention, the container treatment machine performs precisely such a functional treatment of a container.
In diesem Sinne ist der Transport der Behälter etwa durch die Transporteinrichtungen 106 und 107 oder entlang der Peripherie des Karussells in den Behälteraufnahmen 102 nicht als geson derte funktionale Veränderung des Behälters zu sehen, sondern als Teil einer solchen, da bei spielsweise für eine Direktdruckmaschine die funktionale Behandlung darin zu sehen ist, dass ein Druckbild auf dem Behälter aufgebracht wird, der Behälter währenddessen jedoch zwangsläufig in irgendeiner Art und Weise transportiert wird. In this sense, the transport of the containers by the transport devices 106 and 107 or along the periphery of the carousel in the container receptacles 102 is not to be seen as a separate functional change of the container, but as part of such a change, since the functional change for a direct printing machine, for example Treatment can be seen in the fact that a print image is applied to the container, but the container is inevitably transported in some way during this time.
Unter das Behandeln von Behältern und damit unter dem Begriff der "Behälterbehandlungsma schine" fallen also keine bloßen Transporteinrichtungen, die Behandlung des Behälters im Sinne der Erfindung kann jedoch auch einen Transport umfassen, zusätzlich zur funktionalen Verände rung des Behälters, wie oben beschrieben. The treatment of containers and thus the term "container treatment machine" does not include mere transport devices, but the treatment of the container within the meaning of the invention can also include transport, in addition to the functional change of the container, as described above.
Erfindungsgemäß ist nun vorgesehen, dass die Steuereinheit 130 über ein neuronales Netzwerk verfügt bzw. ihr ein solches zugeordnet ist und die Steuereinheit die von der wenigstens einen Komponente (beispielsweise der Komponente 134) erhaltenen Daten über den Betriebszustand der Komponente und/oder der Behälterbehandlungsmaschine dem neuronalen Netz zuführt.According to the invention, it is now provided that the control unit 130 has a neural network or is assigned such a network and the control unit transfers the data received from the at least one component (for example component 134) about the operating state of the component and / or the container handling machine to the neural network Net feeds.
Das neuronale Netz ist bevorzugt ein solches neuronales Netz, das trainiert wurde, anhand von Daten über den Betriebszustand von Komponenten und/oder der ganzen Behälterbehandlungs maschine festzustellen, ob die Maschine sich im Normalbetrieb bzw. im Normal-Zustand befindet oder ob etwa eine Fehlfunktion eingetreten ist (beispielsweise ein Direktdruckmodul ist ausgefal len oder der Tintenstand ist zu niedrig) oder eine solche Fehlfunktion (unmittelbar) droht. Zu die sem Zweck ist das neuronale Netz bevorzugt derart trainiert worden, dass es anhand der von den Komponenten erlangten Daten im Rahmen einer Mustererkennung, für die neuronale Netzwerke und hier besonders bevorzugt Deep Neural Networks (DNN) spezialisiert sind, etwa durch Ver gleich mit bereits bekannten Mustern (von Parametern) Rückschlüsse darauf zieht, ob der Betrieb der Behälterbehandlungsmaschine korrekt abläuft. So kann das neuronale Netz beispielsweise trainiert sein, einen bestimmten Verlauf des an einem Servomotor anliegenden Drehmoments über einen gesamten Prozesszyklus als "Normal-Zu stand" des Drehtellers anzusehen. Auch geringfügige Veränderungen können in diesem Sinne von dem neuronalen Netzwerk als noch den Normalbetrieb kennzeichnende Daten aufgefasst werden. Tritt jedoch eine Änderung ein, die im Rahmen der Mustererkennung nicht mit dem Nor mal-Zustand übereinstimmt, kann das neuronale Netz diese entweder als Hinweis auf eine bevor stehende Fehlfunktion oder als eingetretene Fehlfunktion erkennen und damit feststellen, dass kein Betriebszustand der Behälterbehandlungsmaschine im Normal-Zustand vorliegt oder ein Ab weichen von dem Normal-Zustand unmittelbar bevorsteht. The neural network is preferably such a neural network that has been trained to use data on the operating state of components and / or the entire container handling machine to determine whether the machine is in normal operation or in the normal state or whether a malfunction has occurred (for example, a direct print module has failed or the ink level is too low) or such a malfunction is (imminent). For this purpose, the neural network has preferably been trained in such a way that it is specialized on the basis of the data obtained from the components as part of a pattern recognition for which neural networks and particularly preferably deep neural networks (DNN) are specialized, for example by comparison with already known patterns (of parameters) draws conclusions as to whether the operation of the container treatment machine is running correctly. For example, the neural network can be trained to view a specific curve of the torque applied to a servomotor over an entire process cycle as the “normal state” of the turntable. In this sense, even slight changes can be interpreted by the neural network as data that still characterize normal operation. However, if a change occurs that does not match the normal state within the framework of the pattern recognition, the neural network can recognize this either as an indication of an imminent malfunction or as a malfunction that has occurred and thus determine that no operating state of the container handling machine is normal. State exists or a deviation from the normal state is imminent.
Bevorzugt kann in dem Fall, dass ein Abweichen des Betriebszustands der Behälterbehandlungs maschine vom Normal-Zustand vorliegt, das neuronale Netz und/oder die Steuereinheit derart ausgebildet sein, dass eine Information an einen Bediener der Behälterbehandlungsmaschine ausgegeben wird. Diese Information kann dem Bediener beispielsweise anzeigen, dass eine Fehl funktion vorliegt oder vorzuliegen droht. Die Information kann beispielsweise auf einem Display oder geeignetem anderen Anzeigegerät der Steuereinheit oder auf einem der Steuereinheit zuge ordneten Anzeigegerät an den Bediener ausgegeben werden. Auch andere Ausführungsformen sind hier denkbar. So kann dem Bediener eine entsprechende Information an ein von ihm mitge tragenes mobiles Endgerät, wie einen Tablet-Computer, ein Smartphone oder Ähnliches übermit telt werden und auf dessen Anzeigeeinrichtung (Display) angezeigt werden. Auch akustische und/oder haptische Informationen sind hier denkbar. So kann beispielsweise in Kombination oder anstelle einer visuellen Information auf einem Anzeigegerät auch eine akustische Nachricht im Sinne eines akustischen Alarms oder Pieptons oder ein haptisches Signal, wie etwa ein Vibrieren des vom Benutzer getragenen mobilen Endgeräts (Smartphone, Tablets oder Ähnliches) den Be diener darauf hinweisen, dass eine Fehlfunktion bevorsteht oder droht. In the event that the operating state of the container handling machine deviates from the normal state, the neural network and / or the control unit can preferably be designed in such a way that information is output to an operator of the container handling machine. This information can indicate to the operator, for example, that there is a malfunction or that it is about to occur. The information can be output to the operator, for example, on a display or other suitable display device of the control unit or on a display device assigned to the control unit. Other embodiments are also conceivable here. Corresponding information can thus be transmitted to the operator on a mobile terminal device carried by him, such as a tablet computer, a smartphone or the like, and displayed on its display device. Acoustic and / or haptic information is also conceivable here. For example, in combination or instead of visual information on a display device, an acoustic message in the sense of an acoustic alarm or beep or a haptic signal, such as a vibration of the mobile device carried by the user (smartphone, tablet or the like), can be used by the operator indicate that a malfunction is imminent or threatened.
Die dem Bediener zur Verfügung gestellte Information kann sich insbesondere unterscheiden, abhängig davon, ob ein Abweichen vom Betriebszustand lediglich droht oder bereits vorliegt.The information made available to the operator can differ, in particular, depending on whether a deviation from the operating state is only imminent or already exists.
Fig. 2 zeigt eine Ausführungsform des erfindungsgemäßen Verfahrens, bei dem das neuronale Netz die von den einzelnen Komponenten (siehe hierzu auch Fig. 1) an die Steuereinheit übertra genen Daten auswertet. FIG. 2 shows an embodiment of the method according to the invention, in which the neural network evaluates the data transmitted to the control unit by the individual components (see also FIG. 1).
In der in Fig. 2 dargestellten Ausführungsform erhält die Steuereinheit Daten lediglich von Kom ponenten 131 , die der Behälterbehandlungsmaschine, in der die Steuereinheit implementiert ist, zugeordnet sind. Dies ist nur beispielhaft und nicht beschränkend. Die Steuereinheit kann in einer Ausführungsform Daten mehrerer oder aller Komponenten 131 - 137, die bereits mit Bezug auf die Fig. 1 beschrieben wurden, erhalten und (mit Hilfe des neuronalen Netzes) auswerten. In the embodiment shown in FIG. 2, the control unit receives data only from components 131 which are assigned to the container handling machine in which the control unit is implemented. This is only exemplary and not restrictive. The control unit can be in a Embodiment Data from several or all components 131-137, which have already been described with reference to FIG. 1, are obtained and evaluated (with the aid of the neural network).
Die Steuereinheit kann eine Empfangseinrichtung 251 zum Empfangen der Daten von den Kom ponenten 131 umfassen. Diese Empfangseinheit 251 kann auch als Pre-Processing-Einheit aus geführt sein, die bereits eine Auswertung, Manipulation, Überprüfung oder, Bearbeitung (eines Teils) der von den einzelnen Komponenten empfangenen Daten durchführt, bevor diese Daten letztlich dem neuronalen Netz 253 zugeführt werden. Der Empfangseinheit 251 kann weiterhin eine Prozessor- und/oder Speichereinheit 252 zugeordnet sein, in der ebenfalls eine Bearbeitung (eines Teils) der Daten und/oder ein Abspeichern der Daten durchgeführt werden kann. The control unit can comprise a receiving device 251 for receiving the data from the components 131. This receiving unit 251 can also be designed as a pre-processing unit that already evaluates, manipulates, checks or processes (part of) the data received from the individual components before these data are ultimately fed to the neural network 253. The receiving unit 251 can furthermore be assigned a processor and / or storage unit 252 in which processing (of a part) of the data and / or storage of the data can also be carried out.
Die Daten werden von der Empfangseinheit 251 gegebenenfalls nach einem entsprechenden Pre- Processing an das neuronale Netz 253 übertragen. Das neuronale Netz ist dabei bevorzugt als bereits vorgelerntes neuronales Netz in die Behälterbehandlungsmaschine implementiert worden, wobei das Lernen des neuronalen Netzes bevorzugt so durchgeführt wurde, dass es auf den Be trieb der Behälterbehandlungsmaschine, in deren Steuereinheit es implementiert wurde, trainiert ist. Dies bedeutet, dass ein neuronales Netz 253, das in einer Steuereinheit 130 einer Direktdruck maschine implementiert ist, mit anderen Parametern gelernt wurde, als es ein normales Netz einer Steuereinheit einer Blasformmaschine wurde. Die Grund-Architektur der neuronalen Netze kann jedoch identisch sein. Sie können insbesondere über die gleiche Anzahl von Zwischenschichten und/oder Knoten innerhalb des neuronalen Netzes verfügen. The data are transmitted from the receiving unit 251 to the neural network 253, if necessary after a corresponding preprocessing. The neural network is preferably implemented as a pre-learned neural network in the container handling machine, the learning of the neural network preferably being carried out in such a way that it is trained to operate the container handling machine in whose control unit it was implemented. This means that a neural network 253 implemented in a control unit 130 of a direct printing machine has been learned with different parameters than a normal network of a control unit of a blow molding machine. The basic architecture of the neural networks can, however, be identical. In particular, they can have the same number of intermediate layers and / or nodes within the neural network.
Das Lernen des neuronalen Netzes verändert üblicherweise lediglich die einzelnen den Knoten und Schichten des neuronalen Netzes zugeordneten Parameterwerte, sodass die Mustererken nung bei unterschiedlich gelernten neuronalen Netzen zu anderen Ergebnissen führt. Der grund sätzliche Vorgang des Lernens von neuronalen Netzen ist aus dem Stand der Technik jedoch hinreichend bekannt. The learning of the neural network usually only changes the individual parameter values assigned to the nodes and layers of the neural network, so that the pattern recognition leads to different results in differently learned neural networks. The basic process of learning neural networks is, however, sufficiently known from the prior art.
Zur Auswertung der empfangenen Daten von den Komponenten 131 kann das neuronale Netz etwa auf einen ihm zugeordneten Speicher 255 zugreifen, um die gelernten Parameter abzurufen. Das neuronale Netz erkennt anhand der Auswertung der Daten dann schließlich, ob die gewon nenen Daten für einen Normal-Zustand des Betriebs der Behälterbehandlungsmaschine oder für eine Abweichung oder eine drohende Abweichung von dem Normalzustand charakteristisch sind. Das neuronale Netz kann diese Information dann beispielsweise an die Auswerteeinrichtung 254 der Steuereinheit 130 übergeben, die das Ergebnis des neuronalen Netzes auswertet und gege benenfalls eine Information an einen Bediener ausgibt, wie dies bereits oben erläutert wurde. Besonders bevorzugt ist es, wenn das neuronale Netz während des Betriebs der Behälterbehand lungsmaschine lernt, also eine weitere Verfeinerung der bereits vorgelernten Mustererkennung selbsttätig ausführt. To evaluate the data received from the components 131, the neural network can access a memory 255 assigned to it, for example, in order to call up the learned parameters. Based on the evaluation of the data, the neural network then finally recognizes whether the data obtained are characteristic of a normal state of operation of the container handling machine or of a deviation or an imminent deviation from the normal state. The neural network can then transfer this information, for example, to the evaluation device 254 of the control unit 130, which evaluates the result of the neural network and, if necessary, outputs information to an operator, as has already been explained above. It is particularly preferred if the neural network learns during operation of the container handling machine, that is, it automatically carries out a further refinement of the pattern recognition that has already been learned.
Dazu kann das neuronale Netz derart ausgestaltet sein, dass es die etwa in dem Speicher 255 hinterlegten Parameter während des Betriebs der Behälterbehandlungsmaschine dahingehend verbessert, dass ein erkannter Normalbetrieb und/oder eine erkannte Fehlfunktion und/oder eine erkannte bevorstehende Fehlfunktion in die Parameter, die für die Mustererkennung des Normal- Betriebs, und/oder einer entsprechende Mustererkennung eines bevorstehenden und/oder bereits eingetretenen Fehlers charakteristisch sind, im Betrieb zu verbessern. For this purpose, the neural network can be designed in such a way that it improves the parameters stored in the memory 255 during operation of the container handling machine to the effect that a recognized normal operation and / or a recognized malfunction and / or a recognized impending malfunction are included in the parameters that are required for the pattern recognition of normal operation and / or a corresponding pattern recognition of an impending and / or already occurred error are characteristic to improve during operation.
Bevorzugt erhält das neuronale Netz während des Betriebs der Behälterbehandlungsmaschine (dabei ist es unbeachtlich, ob es sich um einen Betrieb im Normal-Zustand oder einen fehlerhaften Betrieb handelt) ausschließlich Daten von Komponenten der Behälterbehandlungsmaschine, der die Steuereinheit 130, in der das neuronale Netz installiert ist, angehört. Bevorzugt erhält das neuronale Netz also zumindest während der Betriebszeit der Behälterbehandlungsmaschine keine Daten von weiteren Behälterbehandlungsmaschinen, sei es Behälterbehandlungsmaschi nen derselben Behälterbehandlungsanlage oder von Behälterbehandlungsmaschinen, die ir gendwo auf der Welt verteilt sind, aber beispielsweise zum selben Typ von Behälterbehandlungs maschinen gehören. During operation of the container treatment machine, the neural network preferably receives only data from components of the container treatment machine that installs the control unit 130 in which the neural network is involved (it does not matter whether it is operating in the normal state or an incorrect operation) is heard. The neural network preferably does not receive any data from other container treatment machines at least during the operating time of the container treatment machine, be it container treatment machines of the same container treatment plant or from container treatment machines that are distributed anywhere in the world, but belong, for example, to the same type of container treatment machine.
Dies bedeutet nicht, dass die Steuereinheit 130 nicht etwa solche Daten (weiterer Komponenten) weiterer Behälterbehandlungsmaschinen erhalten würde. Im Normalbetrieb ist jedoch vorgese hen, dass diese Daten dann zumindest nicht an das neuronale Netz weitergeleitet werden. Dies stellt sicher, dass das neuronale Netz nicht mit eventuell kompromittierten Daten über eine unsi chere Datenleitung versorgt wird, was letztlich zu Fehlfunktionen führen könnte. This does not mean that the control unit 130 does not receive such data (further components) from further container treatment machines. In normal operation, however, it is provided that this data is then at least not passed on to the neural network. This ensures that the neural network is not supplied with possibly compromised data via an unsafe data line, which could ultimately lead to malfunctions.
Allerdings ist in einer Ausführungsform vorgesehen, dass das neuronale Netz mit zusätzlichen Daten von anderen Behälterbehandlungsmaschinen (entweder des gleichen Typs und/oder an deren Typs) trainiert werden kann. However, in one embodiment it is provided that the neural network can be trained with additional data from other container handling machines (either of the same type and / or of a different type).
Dazu zeigt Fig. 3 eine Ausführungsform, in der die Behälterbehandlungsmaschine, der die Steu ereinheit 130 und das darin installierte neuronale Netzwerk 253 zugeordnet ist, nicht im Normal betrieb, sondern beispielsweise in einem Wartungsmodus betrieben wird. Es ist bekannt, dass etwa jährliche Wartungszyklen von Behälterbehandlungsmaschinen durchgeführt werden, bei de nen der Betrieb angehalten und beispielsweise verschlissene Teile ausgetauscht werden. Die zeitliche Abfolge solcher Wartungszyklen ist erfindungsgemäß jedoch nicht beschränkt und kann insbesondere periodisch oder auch nicht periodisch (etwa bei einer ungeplanten Reparatur) sein.3 shows an embodiment in which the container treatment machine, to which the control unit 130 and the neural network 253 installed therein is assigned, is not operated in normal operation, but is operated, for example, in a maintenance mode. It is known that approximately annual maintenance cycles are carried out by container treatment machines, during which operation is stopped and, for example, worn parts are replaced. the According to the invention, however, the time sequence of such maintenance cycles is not restricted and can in particular be periodic or also non-periodic (for example in the case of an unplanned repair).
Während dieses Stillstands kann dann vorgesehen sein, dass über einen externen Datenträger 362 bzw. über eine entsprechende Leitung zum Datenaustausch mit anderen Behälterbehand lungsmaschinen und damit von einer Komponente einer solchen Behälterbehandlungsmaschine Daten an die Steuereinheit 130 übergeben werden. Diese Daten können Daten über den Betriebs zustand einer Behälterbehandlungsmaschine derselben Behälterbehandlungsanlage, in der auch die eigentliche Behälterbehandlungsmaschine angeordnet ist, in der auch die Steuereinheit 130 angeordnet ist, sein. Alternativ kann es sich aber auch um Daten einer Behälterbehandlungsma schine (desselben Typs) aus einer anderen Behälterbehandlungsanlage, die beispielsweise in einer anderen Region der Welt aufgestellt ist, handeln. During this standstill, it can then be provided that data are transferred to the control unit 130 via an external data carrier 362 or via a corresponding line for data exchange with other container handling machines and thus from a component of such a container handling machine. These data can be data on the operating status of a container treatment machine of the same container treatment system in which the actual container treatment machine is also arranged, in which the control unit 130 is also arranged. Alternatively, however, it can also be data from a container treatment machine (of the same type) from another container treatment system that is set up, for example, in another region of the world.
Diese Daten können entweder in ihrer von den entsprechenden Komponenten aufgenommenen Struktur vorliegen und und/oder es kann ein Pre-Processing erfolgt sein. Dieses Pre-Processing kann auch ein Verarbeiten dieser Daten an einer zentralen Stelle, etwa in einer Server-Architektur außerhalb der Behälterbehandlungsmaschine, umfassen und eine Modifikation von Parametern des neuronalen Netzwerks unmittelbar zur Verfügung stellen, so dass nicht ursprüngliche Daten von Komponenten, sondern "Updates" der Parameter des neuronalen Netzes von außerhalb der Behälterbehandlungsmaschine im Rahmen des Wartungszyklus zur Verfügung gestellt werden können. These data can either be present in their structure recorded by the corresponding components and / or pre-processing can have taken place. This pre-processing can also include processing of this data at a central point, for example in a server architecture outside the container handling machine, and make a modification of parameters of the neural network immediately available so that not original data from components, but rather updates "the parameters of the neural network can be made available from outside the container handling machine as part of the maintenance cycle.
Um die Datensicherheit möglichst umfassend zu gewährleisten, kann vorgesehen sein, dass diese zusätzlichen Daten nicht über eine Internetverbindung oder sonstige Netzwerkverbindung zur Ver fügung gestellt werden, sondern über eine mit der Behälterbehandlungsmaschine in Verbindung zu bringende Datenspeichereinheit, die etwa über geeignete Sicherungsmechanismen gegen un erlaubten Zugriff verfügt oder deren Daten zuvor durch ein (grundsätzlich bekanntes) Sicherheits programm überprüft wurden. In order to ensure data security as comprehensively as possible, it can be provided that these additional data are not made available via an Internet connection or other network connection, but rather via a data storage unit to be connected to the container handling machine, which is for example protected against unauthorized access via suitable security mechanisms or whose data was previously checked by a (generally known) security program.
Alternativ kann im Rahmen der Ausführungsform, die in Fig. 3 beschrieben ist, auch eine Verbin dung zu einer externen Datenquelle übereine sichere Internetverbindung, insbesondere übereine VPN-Verbindung hergestellt werden, um hier einen Zugriff durch unbefugte Dritte zu verhindern.Alternatively, within the scope of the embodiment described in FIG. 3, a connection to an external data source can also be established via a secure Internet connection, in particular via a VPN connection, in order to prevent access by unauthorized third parties.
Wenn auch bisher nicht beschrieben, ist es besonders bevorzugt, wenn die Komponenten, wie sie etwa in Fig. 1 beschrieben wurden, die Daten der Steuereinheit in Echtzeit oder nahezu in Echtzeit, besonders bevorzugt innerhalb kurzer Zeitintervalle zur Verfügung stellen, so dass eine möglichst permanente Überwachung des Betriebs der Behälterbehandlungsmaschine möglich ist. Dabei hängt es maßgeblich von der Komponente oder der durch die Komponente überwachte Komponente der Behälterbehandlungsmaschine ab, in welchen Zeitintervallen sinnvoll Daten, die relevant für den Betriebszustand der Komponente und/oder der Behälterbehandlungsmaschine sind, erfasst und übertragen werden können. Manche Komponenten, etwa Drehgeber oder Ser vomotoren, machen eine Überwachung auch im Bereich von einem Zehntel oder einigen hun dertstel Sekunden sinnvoll. Die Überwachung des Füllstands eines Tintenvorrats oder die Über wachung eines Etikettenvorrats einer Etikettiermaschine jedoch kann eine weniger zeitaufgelöste Überwachung sinnvoll erscheinen lassen. So kann beispielsweise im Rahmen einer Etikettenzu führung eine Überwachung in einer zeitlichen Größenordnung des Prozesstaktes, beispielsweise einige zehntel Sekunden zwischen dem Aufbringen eines ersten und dem Aufbringen eines zwei ten Etiketts auf einen nachfolgenden Behälter sinnvoll erscheinen. Although not described so far, it is particularly preferred if the components, such as those described in FIG Monitoring of the operation of the container treatment machine is possible. It depends largely on the component or the component of the container treatment machine monitored by the component as to the time intervals at which data relevant to the operating state of the component and / or the container treatment machine can be sensed and transmitted. Some components, such as rotary encoders or servomotors, make monitoring within a tenth or a few hundredths of a second useful. Monitoring the level of an ink supply or monitoring a label supply of a labeling machine, however, can make a less time-resolved monitoring appear sensible. For example, in the context of a label feed, monitoring in a temporal order of magnitude of the process cycle, for example a few tenths of a second between the application of a first label and the application of a second label to a subsequent container, can appear sensible.
Die Erfindung ist hinsichtlich der zeitlichen Intervalle bzw. Abfolge, mit der Daten aufgenommen und an die Steuereinheit übermittelt werden, nicht beschränkt. Bevorzugt werden jedoch die Daten an die Steuereinheit und entsprechend an das neuronale Netz fast ohne Zeitverzögerung, insbe sondere in praktisch Echtzeit (unter Berücksichtigung der Zeitverzögerung durch den Datentrans fer) übermittelt. The invention is not limited with regard to the time intervals or sequence with which data are recorded and transmitted to the control unit. However, the data are preferably transmitted to the control unit and, accordingly, to the neural network with almost no time delay, in particular special in practically real time (taking into account the time delay caused by the data transfer).
Während die bisher beschriebenen Ausführungsformen insbesondere auf die Verwendung eines neuronalen Netzes abzielen, da diese besonders vorteilhaft eingesetzt werden können, um mit verhältnismäßig geringem Aufwand auch verschiedene Behälterbehandlungsmaschinen auszu statten, können anstelle der neuronalen Netze auch andere Implementierungen vorgesehen sein, um Abweichungen des Betriebszustands der Behälterbehandlungsmaschine oder der Behand lungseinheit vom normalen Betrieb festzustellen. Hier können etwa auch alternativ oder zusätzlich zu den neuronalen Netzen andere adaptive Software-Algorithmen zum Einsatz kommen, die hin sichtlich Ihrer (frei wählbaren) Parameter jeweils auf die spezifische Behälterbehandlungsma schine trainiert sind. In diesem Zusammenhang ist der Begriff des neuronalen Netzes grundsätz lich so zu verstehen, dass in obigen Ausführungsformen auch andere adaptive Algorithmen an stelle des neuronalen Netzes verwendet werden können. Die Erfindung ist, soweit nicht das spe zifische Lernen bzw. Trainieren des neuronalen Netzes betroffen ist, mithin nicht auf die Anwen dung neuronaler Netze beschränkt, sondern kann auch mit anderen adaptiven Algorithmen ent sprechend obigen Ausführungsformen realisiert werden. While the embodiments described so far are aimed in particular at the use of a neural network, since these can be used particularly advantageously to equip various container handling machines with relatively little effort, other implementations can be provided instead of the neural networks in order to avoid deviations in the operating state of the container handling machine or the treatment center from normal operation. Here, for example, as an alternative or in addition to the neural networks, other adaptive software algorithms can be used that are trained on the specific container handling machine with regard to their (freely selectable) parameters. In this context, the term neural network is basically to be understood in such a way that other adaptive algorithms can also be used instead of the neural network in the above embodiments. Unless the specific learning or training of the neural network is concerned, the invention is therefore not limited to the application of neural networks, but can also be implemented with other adaptive algorithms in accordance with the above embodiments.

Claims

Ansprüche Expectations
1. Behälterbehandlungsmaschine (100) zum Behandeln von Behältern, wie Flaschen, Dosen oder dergleichen, in der getränkeverarbeitenden Industrie, der Medizintechnik oder der Kosmetikindustrie, wobei die Behälterbehandlungsmaschine eine Steuereinheit (130) zur Steuerung der Funktion der Behälterbehandlungsmaschine (100) und wenigstens eine Be handlungseinheit (102-105) zum Behandeln der Behälter umfasst, wobei die Behälterbe handlungsmaschine zum Behandeln der Behälter auf genau eine Art ausgebildet ist, wobei die Behälterbehandlungsmaschine wenigstens eine Komponente (131-137) umfasst, die Daten bezüglich ihres Betriebszustands und/oder des Betriebszustands der Behälterbe handlungsmaschine (100) an die Steuereinheit (130) ausgeben kann und wobei die Steu ereinheit ein neuronales Netz (253) umfasst, das ausgebildet und trainiert ist, anhand der Daten festzustellen, ob eine Abweichung des Betriebszustands der Behälterbehandlungs maschine (100) von einem Normal-Zustand vorliegt und/oder bevorsteht. 1. Container treatment machine (100) for treating containers, such as bottles, cans or the like, in the beverage processing industry, medical technology or the cosmetics industry, the container treatment machine having a control unit (130) for controlling the function of the container treatment machine (100) and at least one loading handling unit (102-105) for treating the containers, wherein the container handling machine is designed to treat the containers in exactly one way, wherein the container handling machine comprises at least one component (131-137), the data relating to its operating state and / or the operating state of the container handling machine (100) can output to the control unit (130) and wherein the control unit comprises a neural network (253) which is designed and trained to use the data to determine whether the operating state of the container handling machine (100) deviates from a normal state is present and / or be protrudes.
2. Behälterbehandlungsmaschine (100) nach Anspruch 1, wobei die Komponente (102-105) wenigstens eines von einem Sensor, einem Drehgeber, einer Kamera, einer Behälterfüh rung, einem Bestandteil der Steuereinheit (130), einem Bestandteil der Netzwerkarchitek tur der Behälterbehandlungsmaschine umfasst. 2. Container treatment machine (100) according to claim 1, wherein the component (102-105) comprises at least one of a sensor, a rotary encoder, a camera, a container guide, a component of the control unit (130), a component of the network architecture of the container treatment machine .
3. Behälterbehandlungsmaschine (100) nach Anspruch 1 oder 2, wobei die Steuereinheit (130) ausgebildet ist, eine Information an einen Bediener auszugeben, wenn das neuro nale Netz (253) feststellt, dass eine Abweichung des Betriebszustands der Behälterbe handlungsmaschine (100) von einem Normal-Zustand vorliegt und/oder bevorsteht. 3. Container handling machine (100) according to claim 1 or 2, wherein the control unit (130) is designed to output information to an operator when the neural network (253) determines that the operating state of the container handling machine (100) deviates from a normal state is present and / or is imminent.
4. Behälterbehandlungsmaschine (100) nach einem der Ansprüche 1 bis 3, wobei das neu ronale Netz (253) ausgebildet ist, aus einem Betrieb der Behälterbehandlungsmaschine (100) zu lernen. 4. Container treatment machine (100) according to one of claims 1 to 3, wherein the new ronal network (253) is designed to learn from an operation of the container treatment machine (100).
5. Behälterbehandlungsmaschine (100) nach einem der Ansprüche 1 bis 4, wobei das neu ronale Netz (253) ein vorgelerntes neuronales Netz ist. 5. container handling machine (100) according to one of claims 1 to 4, wherein the new ronal network (253) is a pre-learned neural network.
6. Behälterbehandlungsmaschine (100) nach einem der Ansprüche 1 bis 5, wobei die Steu ereinheit (130) ausgebildet ist, dem neuronalen Netz (253) nur Daten während des Be triebs der Behälterbehandlungsmaschine (100) zuzuführen, die von der Komponente (131- 137) oder den Komponenten der Behälterbehandlungsmaschine erlangt wurden. 6. Container handling machine (100) according to one of claims 1 to 5, wherein the STEU einheit (130) is designed to feed the neural network (253) only data during the operation of the container handling machine (100), which are supplied by the component (131- 137) or the components of the container handling machine.
7. Behälterbehandlungsmaschine (100) nach einem der Ansprüche 1 bis 6, wobei die Behäl terbehandlungsmaschine als eines von einer Inspektionsmaschine, einer Direktdruck maschine, einer Etikettiermaschine, einem Füller, einem Verschließer, einem Verpacker, einer Blasformmaschine, einer Behälterreinigungsmaschine, einer Formfüllmaschine, ei ner Vorbehandlungsmaschine ausgebildet ist. 7. container treatment machine (100) according to any one of claims 1 to 6, wherein the Behäl terbehandlungsmaschine as one of an inspection machine, a direct printing machine, a labeling machine, a filler, a closer, a packer, a blow molding machine, a container cleaning machine, a form filling machine, ei ner pre-treatment machine is formed.
8. Verfahren zur Überwachung des Betriebs einer Behälterbehandlungsmaschine (100) zum Behandeln von Behältern, wie Flaschen, Dosen oder dergleichen, in der getränke verar beitenden Industrie, der Medizintechnik oder der Kosmetikindustrie, wobei die Behälterbe handlungsmaschine (100) eine Steuereinheit (130), die die Funktion der Behälterbehand lungsmaschine steuert, und wenigstens eine Behandlungseinheit (102-105), die Behälter behandelt, umfasst, wobei die Behälterbehandlungsmaschine Behälter auf genau eine Art behandelt, wobei die Behälterbehandlungsmaschine wenigstens eine Komponente (131- 137) umfasst, die Daten bezüglich ihres Betriebszustands und/oder des Betriebszustands der Behälterbehandlungsmaschine (100) an die Steuereinheit (130) ausgibt und wobei die Steuereinheit ein neuronales Netz (253) umfasst, das ausgebildet und trainiert ist, anhand der Daten festzustellen, ob eine Abweichung des Betriebszustands der Behälterbehand lungsmaschine (100) von einem Normal-Zustand vorliegt und/oder bevorsteht. 8. A method for monitoring the operation of a container treatment machine (100) for treating containers, such as bottles, cans or the like, in the beverage processing industry, medical technology or the cosmetics industry, wherein the container treatment machine (100) has a control unit (130), which controls the function of the container treatment machine, and at least one treatment unit (102-105) that treats containers, the container treatment machine treats containers in exactly one way, the container treatment machine comprising at least one component (131-137), the data relating to its operating state and / or the operating state of the container treatment machine (100) to the control unit (130) and wherein the control unit comprises a neural network (253) which is designed and trained to determine on the basis of the data whether there is a discrepancy in the operating state of the container treatment machine (100) from a normal state gt and / or imminent.
9. Verfahren nach Anspruch 8, wobei das neuronale Netz (253) ein Deep Neural Network (DNN) ist. 9. The method of claim 8, wherein the neural network (253) is a deep neural network (DNN).
10. Verfahren nach Anspruch 8 oder 9, wobei das neuronale Netz aus dem Betrieb der Behäl terbehandlungsmaschine lernt. 10. The method according to claim 8 or 9, wherein the neural network learns from the operation of the container treatment machine.
11. Verfahren nach Anspruch 10, wobei die Steuereinheit (130) nur Daten der Komponente (131-137) oder der Komponenten der Behälterbehandlungsmaschine (100) während des Betriebs der Behälterbehandlungsmaschine zum Lernen an das neuronale Netz (253) wei terleitet. 11. The method according to claim 10, wherein the control unit (130) only forwards data of the component (131-137) or the components of the container handling machine (100) during the operation of the container handling machine for learning to the neural network (253).
12. Verfahren nach einem der Ansprüche 8 bis 11, wobei die Steuereinheit (130) zusätzliche Daten während einer Wartung der Behälterbehandlungsmaschine (100) an das neuronale Netz (253) überträgt und das neuronale Netz aus den zusätzliche Daten lernt. 12. The method according to any one of claims 8 to 11, wherein the control unit (130) transmits additional data during maintenance of the container handling machine (100) to the neural network (253) and the neural network learns from the additional data.
13. Verfahren nach Anspruch 12, wobei die zusätzlichen Daten Daten über einen Betriebszu stand wenigstens einer weiteren Behälterbehandlungsmaschine einer Behälterbehand lungsanlage, zu der die Behälterbehandlungsmaschine gehört, umfassen; und/oder wobei die zusätzlichen Daten Daten über einen Betriebszustand einer Behälterbehand lungsmaschine desselben Typs umfassen. 13. The method according to claim 12, wherein the additional data include data on an operational status of at least one further container treatment machine of a container treatment system to which the container treatment machine belongs; and or wherein the additional data include data about an operating state of a container handling machine of the same type.
14. Verfahren nach einem der Ansprüche 8 bis 13, wobei die Komponente (131-137) wenigs tens eines von einem Sensor, einem Drehgeber, einer Kamera, einer Behälterführung, einem Bestandteil der Steuereinheit (130), einem Bestandteil der Netzwerkarchitektur der Behälterbehandlungsmaschine (100) umfasst und/oder wobei die Komponente (131-137) die Daten in Echtzeit an die Steuereinheit (130) übermittelt. 14. The method according to any one of claims 8 to 13, wherein the component (131-137) at least one of a sensor, a rotary encoder, a camera, a container guide, a component of the control unit (130), a component of the network architecture of the container treatment machine ( 100) and / or wherein the component (131-137) transmits the data to the control unit (130) in real time.
15. Verfahren nach einem der Ansprüche 8 bis 14, wobei die Steuereinheit (130) eine Infor mation an einen Bediener ausgibt, wenn das neuronale Netz (253) feststellt, dass eine Abweichung des Betriebszustands der Behälterbehandlungsmaschine (100) von einem Normal-Zustand vorliegt und/oder bevorsteht. 15. The method according to any one of claims 8 to 14, wherein the control unit (130) outputs information to an operator when the neural network (253) determines that the operating state of the container handling machine (100) deviates from a normal state and / or is imminent.
EP21722388.2A 2020-04-29 2021-04-23 Container treatment machine and method for monitoring the operation of a container treatment machine Pending EP4143642A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020111674.8A DE102020111674A1 (en) 2020-04-29 2020-04-29 Container handling machine and method for monitoring the operation of a container handling machine
PCT/EP2021/060621 WO2021219499A1 (en) 2020-04-29 2021-04-23 Container treatment machine and method for monitoring the operation of a container treatment machine

Publications (1)

Publication Number Publication Date
EP4143642A1 true EP4143642A1 (en) 2023-03-08

Family

ID=75746585

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21722388.2A Pending EP4143642A1 (en) 2020-04-29 2021-04-23 Container treatment machine and method for monitoring the operation of a container treatment machine

Country Status (5)

Country Link
US (1) US20230266752A1 (en)
EP (1) EP4143642A1 (en)
CN (1) CN115605813A (en)
DE (1) DE102020111674A1 (en)
WO (1) WO2021219499A1 (en)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021112484A1 (en) 2021-05-12 2022-11-17 Krones Aktiengesellschaft Labeling machine and method for configuring a labeling machine
DE102021131684A1 (en) * 2021-12-01 2023-06-01 Krones Aktiengesellschaft Predictive maintenance of a container treatment plant
DE102022123019A1 (en) 2022-09-09 2024-03-14 Krones Aktiengesellschaft LABELING DEVICE
CN117707097B (en) * 2024-02-04 2024-05-10 广州泽亨实业有限公司 Machining center control method and system

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5121467A (en) 1990-08-03 1992-06-09 E.I. Du Pont De Nemours & Co., Inc. Neural network/expert system process control system and method
US5566092A (en) 1993-12-30 1996-10-15 Caterpillar Inc. Machine fault diagnostics system and method
US5718852A (en) * 1994-05-10 1998-02-17 The Clorox Company Process controlling a blow molding machine
EP0950608B1 (en) * 1998-04-15 2003-11-26 Tetra Laval Holdings & Finance SA Method of monitoring transverse sealing in a packaging unit for continuously forming sealed packages containing pourable food products and packaging unit
US6416711B2 (en) * 1998-11-06 2002-07-09 Fmc Technologies, Inc. Controller and method for administering and providing on-line handling of deviations in a rotary sterilization process
JP4499601B2 (en) * 2005-04-01 2010-07-07 日精樹脂工業株式会社 Control device for injection molding machine
EP2998894B1 (en) * 2005-07-11 2021-09-08 Brooks Automation, Inc. Intelligent condition monitoring and fault diagnostic system
US20090226032A1 (en) * 2007-09-28 2009-09-10 Matthew Allen Merzbacher Systems and methods for reducing false alarms in detection systems
DE102011017448A1 (en) * 2011-04-18 2012-10-18 Krones Aktiengesellschaft Method for operating a container treatment plant with fault diagnosis
DE102017108546A1 (en) * 2017-04-21 2018-10-25 Sig Technology Ag Production parameter history view as part of a user interface to monitor and / or control a packaging plant
JP6693919B2 (en) * 2017-08-07 2020-05-13 ファナック株式会社 Control device and machine learning device
KR20210059532A (en) * 2019-11-15 2021-05-25 엘지전자 주식회사 Home appliance and method for controlling home appliance

Also Published As

Publication number Publication date
DE102020111674A1 (en) 2021-11-04
WO2021219499A1 (en) 2021-11-04
CN115605813A (en) 2023-01-13
US20230266752A1 (en) 2023-08-24

Similar Documents

Publication Publication Date Title
EP4143642A1 (en) Container treatment machine and method for monitoring the operation of a container treatment machine
DE102011006786B4 (en) Product sensor, product with product sensor, system and method for communication between product sensor and system
EP3768902B1 (en) Method and device for maintaining and/or repairing a construction machine
EP2447843B1 (en) Method for verifying an application program of an error-free memory-programmable control device and memory-programmable control device for carrying out the method
EP3462260A1 (en) Method and system for monitoring the condition of a production device
EP3411239B1 (en) Printing machine for printing on containers
DE19814102C2 (en) Data transmission method
EP2698213A1 (en) Marking device for marking containers, container treatment device and a method for marking containers
WO2018024365A1 (en) Packaging machine and method for providing a control program therefor
EP3745217B1 (en) Device for monitoring the data processing and data transmission in a safety system
EP3474564A1 (en) Sensor and method for serial transmission of data relating to the sensor
DE102017215508A1 (en) Automation system with at least one field device and at least one control unit
EP3098673A1 (en) Method and device for automated validation of security features on a modular security system
EP1811722A2 (en) Method and device for converting messages on multiple channels into a safe single channel message
EP2035901B1 (en) Replaceable drive system
DE102017007909A1 (en) Production control equipped with a function for identifying the cause after an operation stop of a production facility comprising manufacturing facilities
WO2022238032A1 (en) Labelling machine and method for configuring a labelling machine
EP2539782B1 (en) Method for sensing events which occur in an electronically controlled production machine
DE102020131365A1 (en) System and method for operating a system for treating containers
DE10319064A1 (en) Method and device for controlling a manufacturing unit
DE102006056214B4 (en) Industrial robot with a tool or sensor and method
EP1832417A2 (en) Processing machine with at least a driving unit with at least drive controller controlled by a motor
DE102019105135A1 (en) Method for monitoring an industrial network
DE102011006784A1 (en) Method for adjusting manufacturing plant used in industrial production environment, involves selecting operation mode of plant among several operation modes based on plant state determined according to plant dependant information
EP3462263A1 (en) Method and system for monitoring the condition of a production device

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

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

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

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

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

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20221125

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

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20240515