EP4388376A1 - Vorrichtung und verfahren zur vorhersage des zustands von mindestens einer systemkomponente einer zyklisch produzierenden anlage - Google Patents

Vorrichtung und verfahren zur vorhersage des zustands von mindestens einer systemkomponente einer zyklisch produzierenden anlage

Info

Publication number
EP4388376A1
EP4388376A1 EP22761370.0A EP22761370A EP4388376A1 EP 4388376 A1 EP4388376 A1 EP 4388376A1 EP 22761370 A EP22761370 A EP 22761370A EP 4388376 A1 EP4388376 A1 EP 4388376A1
Authority
EP
European Patent Office
Prior art keywords
system component
sensor data
time series
state prediction
basis
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
EP22761370.0A
Other languages
English (en)
French (fr)
Inventor
Johannes Steenbuck
Fabian Hönl
Safa Evirgen
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.)
Volkswagen AG
Inpro Innovationsgesellschaft fuer Fortgeschrittene Produktionssysteme in der Fahrzeugindustrie mbH
Original Assignee
Volkswagen AG
Inpro Innovationsgesellschaft fuer Fortgeschrittene Produktionssysteme in der Fahrzeugindustrie mbH
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 Volkswagen AG, Inpro Innovationsgesellschaft fuer Fortgeschrittene Produktionssysteme in der Fahrzeugindustrie mbH filed Critical Volkswagen AG
Publication of EP4388376A1 publication Critical patent/EP4388376A1/de
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
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of program data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of program data in numerical form characterised by monitoring or safety
    • 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
    • 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
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of program data in numerical form
    • G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of program data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
    • 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
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31356—Automatic fault detection and isolation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33296—ANN for diagnostic, monitoring
    • 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
    • G05B2219/45143—Press-brake, bending machine

Definitions

  • the present invention relates to a device for predicting the state of at least one system component of a cyclically producing plant.
  • the present invention relates to a method for predicting the state of at least one system component of a cyclically producing plant.
  • the present invention relates to a computer-readable medium.
  • the document WO 2020/175460 A1 describes a control device that uses a prediction model for a control variable of a plant in order to calculate a prediction value of the control variable from a measured value of the control variable. The controller then outputs a command value for the control variable to reduce the likelihood of a future malfunction occurring.
  • a system for collecting states of a producing press is also known from JP 2019-126823 A.
  • the system includes a sensor board, multiple pressure sensors, a data analyzer, and a data collection device.
  • a device for predicting the state of at least one system component of a cyclically producing plant comprising an acquisition unit for acquiring a time series of sensor data of the at least one system component of the cyclically producing plant, a calculation unit with at least one artificial system implemented therein neural network for calculating a state prediction of the at least one system component on the basis of the time series of sensor data, and an output unit for outputting the calculated state prediction of the at least one system component.
  • the artificial neural network is trained with reference sensor data and event data that describe a reference state of the at least one system component or the same system component
  • the calculation unit is configured to calculate the state prediction on the
  • Basis of a classification procedure such as e.g. B. Random Forest, Support Vector Machines and/or artificial neural network
  • the calculation unit is configured to calculate the state prediction on the
  • the acquisition unit is configured to acquire sensor data with regard to an actual value
  • the detection unit is configured to detect sensor data with regard to a position and/or an angle of the at least one system component within a production cycle
  • the calculation unit is configured to identify characteristics of the
  • the calculation unit is configured to calculate a state prediction of the at least one system component on the basis of a subset or a sub-area of the time series of sensor data
  • the output unit is configured to be based on the subset or des
  • Condition prediction outputs at least one of the following: normal behavior of the at least one system component, abnormal behavior of the at least one system component, classification of the system condition indicating a defective system component or a defective component
  • a first layer of the artificial neural network implemented in the calculation unit forms an input layer which gradually receives the acquired time series of sensor data from a buffer of the acquisition unit via an interface
  • the output unit has a data interface for outputting the generated
  • the device has a memory for storing acquired sensor data
  • a model is trained before an evaluation of live data, with reference sensor data being associated with event data that describe a reference state of the at least one system component or of the same system component
  • the state prediction is calculated on the basis of a classification method such as e.g. B. Random Forest, Support Vector Machines and/or artificial neural network
  • the state prediction is calculated on the basis of an anomaly detection algorithm such as e.g. B. Isolation Forest
  • Sensor data relating to at least one of the following parameters is recorded: press position, tool number, ACTUAL pressure and TARGET pressure the time series of sensor data is subdivided into subsets or partial areas • characteristic features of the subsets or sub-areas are extracted, for example characteristic features of the sub-areas of a hub of the at least one system component
  • characteristic features include: maximum, minimum and/or statistical moments
  • At least one of the following is output on the basis of the calculated state prediction: normal behavior of the at least one system component, abnormal behavior of the at least one system component, classification of the system state with indication of a defective system component or a defective component
  • valve OK based on the calculated state prediction, at least one of the following is output: valve OK, valve not OK, nitrogen tank defective, nitrogen tank not defective, normal behavior of the at least one system component, abnormal behavior of the at least one system component
  • a system failure warning signal is generated as soon as the trained model predicts a failure of at least one system component
  • Event data includes idle messages, boot messages, and
  • a non-transitory, computer-readable medium storing a set of computer-readable instructions which, when executed by at least one processor, cause a device to at least do the following: acquire a time series of sensor data from the at least one system component of the cyclically producing plant, calculating a state prediction of the at least one system component by at least one artificial neural network on the basis of the time series of sensor data, and outputting the calculated state prediction of the at least one system component.
  • Some advantageous embodiments of the third aspect of the present invention include at least one feature from the list provided in connection with the second aspect.
  • a device and a method for predicting the state of at least one system component of a cyclically producing plant are provided.
  • the OEE (Overall Equipment Effectiveness) describes the system effectiveness.
  • One of the parameters that make up this metric is availability.
  • Possible damage to at least one system component can be predicted at an early stage by means of embodiments of the present invention.
  • defined reporting channels can be initiated and a defect can be examined and remedied at a suitable point in time, so that the producing plant does not stop unexpectedly. Consequently, OEE increases with reduced unscheduled downtime.
  • the at least one system component can also be monitored in real time.
  • Fig. 1 shows a schematic representation of an exemplary manufacturing plant
  • FIG. 2 shows a schematic diagram of a training phase of a device according to at least some embodiments of the present invention.
  • 3 shows a schematic diagram of a productive phase of an apparatus according to at least some embodiments of the present invention
  • FIG. 4 shows a schematic representation of a device according to at least some embodiments of the present invention.
  • the production plant 3 shown is a forming plant in the form of a single-action press with a one-piece workpiece holder that is mounted on nitrogen springs.
  • the forming plant comprises a head piece 12 with two eight-part ram drives 13, each of which has a ram connecting rod 17 coupled to a drawing ram 18.
  • the head piece 12 is connected to a press table 27 via press columns 28 .
  • the press also has a motor 29 for driving the ram drives 13 .
  • a die 19 or an upper table is fastened to the drawing ram 18 .
  • the forming system also includes a blank holder 20 on which a drawn part 14 or workpiece in the form of a sheet can be placed.
  • the drawn part 14 can be pressed into the die 19 by means of a punch 21 of the forming system in order to achieve a desired shape of the drawn part 14 .
  • the die 19 and punch 21 cooperate to form a workpiece 14 into a desired shape.
  • the sheet metal holder 20 is supported by nitrogen springs 15 or pressure bolts.
  • the press includes a hydraulic cushion assembly 16 supported by the press bed 30 which aids in the absorption of impact forces during press operation.
  • a forming process of a workpiece 14 can be divided into different phases. Each forming process represents a forming cycle, whereby the phases of several forming cycles usually do not differ from one another. This means that time series of sensor data from sensors that are coupled to different system components of the producing plant 3 usually do not differ in the different phases of the forming cycles. If a system component is damaged, it must be replaced or repaired. For such an event, event data can be included in a technical manual, for example, so that a damage or error or maintenance history of the producing plant 3 is documented. Log files containing event data can also be generated. Log files are generally files in which process data of a unit or one or more system components are stored.
  • This event data can include, for example, damage, warning and error events as well as maintenance measures regarding system components of the plant.
  • Event data relating to maintenance measures can be, for example, the type of maintenance measure, the point in time of the maintenance measures and/or time intervals between maintenance measures that have been carried out.
  • idle messages, start messages and stop messages, process steps, error messages, damage, warnings and maintenance measures can be recorded and stored in the log files for example for plant 3 or the individual system components.
  • FIG. 2 shows a schematic diagram of a training phase of an apparatus in accordance with at least some embodiments of the present invention.
  • Such a device for predicting the state of at least one system component of a cyclically producing plant is shown and described in connection with FIG. 4 .
  • a model is trained before an evaluation of live data, which is recorded during a plurality of production cycles by means of sensors coupled to at least one system component of the manufacturing plant 3 .
  • detected reference sensor data 11 is associated with event data 6 which describe a reference state of the at least one system component or of the same system component.
  • Event data 6 can include, for example, idle messages, start messages and stop messages, process steps, error messages, damage, warnings and/or maintenance measures for the at least one system component.
  • reference sensor values 11 are first recorded and collected.
  • the collected reference sensor values 11 are usually stored locally or in a cloud environment. Subsequently, the collected reference sensor values 11 are brought into a sufficiently high data quality so that time series can be mapped that describe a production process independently of specific production parameters (such as the process time).
  • technical documentation is used, in particular with entries relating to maintenance measures.
  • the reference sensor data 11 is correlated with the information or event data 6 from the technical documentation, so that event-oriented analyzes can be carried out in addition to time series analyses.
  • the training and validation of machine learning models is required for the prediction of faults or the prediction of the state of the at least one system component by the device according to the invention.
  • FIG. 3 shows a schematic diagram of a productive phase of an apparatus in accordance with at least some embodiments of the present invention.
  • a device for predicting the state of at least one system component of a cyclically producing plant is shown and described in connection with FIG. 4 .
  • a time series of sensor data 5 of the at least one system component 2 of the cyclically producing plant 3 is recorded.
  • sensor data 5 can contain an actual pressure of the hydraulic tension cushion arrangement and/or a position of the press. Further values can be, for example, a tool number and/or a target pressure of the hydraulic tension cushion arrangement.
  • the sensor data is recorded automatically.
  • a status prediction for the at least one system component 2 is then calculated by at least one artificial neural network 8 on the basis of the recorded time series of sensor data 5.
  • the recorded sensor data is standardized and features that describe the process are extracted.
  • the state prediction is calculated on the basis of at least one classification method.
  • Example methods are random forest, artificial neural network and/or support vector machines.
  • the time series of sensor data 5 can also be subdivided into subsets or subareas. In such a case, characteristic features of the subsets or subareas can also be extracted. Examples of characteristic features include a maximum, a minimum, and/or statistical moments.
  • the state prediction of the at least one system component can thus also be calculated on the basis of a subset or a sub-area of the time series of sensor data 5 .
  • the standardization of the recorded data has the aim of negating changes in the process that change the course of the sensor data, but do not change the state of the producing system or the assembly under consideration. Which includes for example, changing the duration of a process cycle or producing a different workpiece. Subsequently, features of the resulting time series of a production cycle can be extracted that describe the status. In this case, the required data is still significantly reduced, so that the required computing and storage capacities are significantly reduced.
  • the calculated state prediction of the at least one system component 2 is output.
  • the calculated state prediction can also be output on the basis of the subset or the subarea of the time series of sensor data.
  • the output of the computed state prediction typically includes at least one of the following: normal behavior of the at least one system component, abnormal behavior of the at least one system component, classification of the plant state indicating a defective system component or part.
  • the calculated state prediction can be output as follows: valve OK, valve not OK, nitrogen tank defective, nitrogen tank not defective, normal behavior of the at least one system component, abnormal behavior of the at least one system component .
  • the recorded time series of sensor data 5 is usually analyzed and evaluated on the basis of predefined evaluation rules for determining measures which prevent a partial or complete system failure of the at least one system component 2 .
  • a system failure warning signal can be generated as soon as the detected time series of sensor data shows that a threshold value has been exceeded, which indicates future damage to the system component 2 .
  • the system failure warning signal generated is then output via an interface, e.g. B. to a system monitoring center or to a user of the production plant.
  • FIG. 4 shows a schematic representation of a device 1 for predicting the state of at least one system component 2 of a cyclically producing plant 3 according to at least some embodiments of the present invention.
  • the prediction device 1 is coupled to a system component 2 to be monitored in the installation 3 by means of one or more data interfaces.
  • the system component to be monitored can contain a number of external or integrated sensors which supply sensor data 5 .
  • the device 1 can include a receiver 26 .
  • Receiver 26 may be configured to receive information according to at least one cellular or non-cellular communication technology. Receiver 26 may include more than one receiver.
  • Receiver 26 may be configured in accordance with, for example, Global System for Mobile Communications GSM, Wideband Code Division Multiple Access (WCDMA), 5G, Long Term Evolution (LTE), IS-95 standards , Wireless Local Area Network (WLAN), Ethernet, and/or Worldwide Interoperability for Microwave Access (WiMAX).
  • the receiver 26 is usually used when receiving sensor data 5 from the system component 2.
  • Sensor data 5 can also be supplied to the device 1 by a user using a user interface.
  • the user interface may include a computer keyboard.
  • the device 1 also includes a processor 23, which can contain, for example, a single-core or multi-core processor, with a single-core processor including one processing core and a multi-core processor including more than one processing core.
  • Processor 23 may include more than one processor.
  • the processor 23 can be a device for carrying out method steps in the device 1 .
  • Processor 23 may be configured, at least in part by computer instructions, to perform actions.
  • the device 1 may include a memory 24 .
  • Memory 24 may include random access memory and/or persistent storage. Memory 24 may include at least one RAM chip. The memory 24 can be at least partially accessible to the processor 23 . Memory 24 may be at least partially contained within processor 23 . Memory 24 may be a device for storing information. Memory 24 may include computer instructions that processor 23 is configured to execute. When computer instructions configured to cause processor 23 to perform certain actions are stored in memory 24 and device 1 as a whole is configured to be executed under the direction of processor 23 using computer instructions from memory 24, the processor 23 and/or its at least one processing core can be considered configured to perform certain actions. Memory 24 may be at least partially external to device 1 but accessible to device 1 .
  • the device 1 for predicting the state of at least one system component 2 of a cyclically producing plant 3 also includes an acquisition unit 4 for acquiring a time series of sensor data 5 of the at least one system component 2 of the cyclically producing plant 3.
  • a time series from one sensor or time series from a plurality of sensors can be detected with the detection unit 4.
  • Examples of sensor data 5 that are recorded by the recording unit are position sensor data and pressure sensor data.
  • the detected sensor data 5 can be stored in memory 24 .
  • the acquisition unit 4 is configured to acquire sensor data 5 with regard to an actual parameter value and/or a position of the at least one system component 2 within a production cycle.
  • the device 1 also includes a calculation unit 7 with at least one artificial neural network 8 implemented therein for calculating a state prediction of the at least one system component 2 on the basis of the acquired time series of sensor data 5.
  • a first layer of the artificial neural network 8 implemented in the calculation unit 7 can form an input layer that gradually receives the recorded time series of sensor data 5 from a buffer of the recording unit 4 via an interface.
  • the calculation is performed by the at least one processing core of processor 23 .
  • the artificial neural network 8 is trained with reference sensor data and event data that describe a reference state of the at least one system component 2 or a similar system component.
  • the calculation unit 7 is configured to calculate the state prediction based on a classification method such as B. Random Forest, artificial neural network, support vector machines and/or artificial neural networks.
  • the calculation unit 7 can be configured to subdivide the time series of sensor data 5 into subsets or subranges.
  • the calculation unit 7 can also be configured to extract characteristic features of the subsets or partial areas. In such a case, the unit of calculation. 7 typically configured to calculate a state prediction of the at least one system component 2 based on a subset or sub-range of the time series of sensor data 5.
  • the calculated state prediction can be stored in memory 24 .
  • the calculation of the state prediction by the calculation unit 7 is based on a model.
  • Reference sensor data of at least one system component, for example Pressure data of a press according to FIG. 1 are first recorded during operation and the recorded reference sensor data are used to form the model of the drive to be monitored.
  • Event data is additionally added to the model.
  • different types of damage or maintenance actions performed can be added to the model.
  • the frequency of damage or maintenance measures carried out can also be added to the model, for example.
  • Such labeling results in labeled time series of reference sensor data.
  • the model can be stored in memory 24 of device 1 .
  • the recorded sensor data 5 of the system component to be monitored are supplied to the model and analyzed.
  • the modeling is supported by the domain knowledge of the users.
  • the model can be continuously optimized during use through continuous professional exchange between users.
  • the neural network 8 of the calculation unit 7 learns a pattern in the extracted features that describe a normal state, or patterns in the extracted features that describe a specific defect or anomaly.
  • the calculation unit 7 can also be configured to analyze and evaluate the detected time series of sensor data 5 based on predefined evaluation rules to determine measures that prevent a partial or complete system failure of the at least one system component 2.
  • the device 1 also includes an output unit 9 for outputting the calculated state prediction of the at least one system component 2.
  • the output unit 9 can be configured to output a state prediction calculated on the basis of the subset or the partial range of the time series of sensor data 5.
  • the output unit 9 can include an evaluation unit 10 which, based on the calculated state prediction, outputs at least one of the following: normal behavior of the at least one system component 2, abnormal behavior of the at least one system component 2, classification of the system state specifying a defective system component 2 or a defective component .
  • the output 22 may include the following: valve OK, valve not OK, nitrogen tank defective, nitrogen tank not defective, abnormal behavior of the at least one system component, normal behavior of the at least one system component.
  • the device 1 can also include a transmitter 25 .
  • Transmitter 25 may be configured to transmit information according to at least one cellular or non-cellular communication technology.
  • Transmitter 25 may include more than one transmitter.
  • the transmitter 25 may be configured in accordance with, for example, Global System for Mobile Communications GSM, Wideband Code Division Multiple Access (WCDMA), 5G, Long Term Evolution (LTE), IS-95 standards , Wireless Local Area Network (WLAN), Ethernet and/or Worldwide Interoperability for Microwave Access (WiMAX).
  • the transmitter 25 typically finds use in sending sensed sensor data, event data, calculated future sensor data, and/or state predictions to a computer, mobile device such as a smartphone or tablet computer, server, cloud-based server, or network node.
  • the transmitter 25 can be used to transmit a warning signal to an employee's mobile device or to a monitoring center of a manufacturing industrial plant, so that a maintenance measure on the at least one system component 2 can be planned and carried out promptly.
  • the output unit 9 outputs a state prediction of the at least one system component. For example, a generated system failure warning signal is output via an interface.
  • Embodiments of the present invention find commercial application, for example, in predicting the condition of metal forming equipment, such as in the automotive industry.

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Ein beispielhafter Aspekt der vorliegenden Erfindung betrifft eine Vorrichtung (1) zur Vorhersage des Zustands von mindestens einer Systemkomponente (2) einer zyklisch produzierenden Anlage (3), umfassend eine Erfassungseinheit (4) zur Erfassung einer Zeitreihe von Sensordaten (5) der mindestens einen Systemkomponente (2) der zyklisch produzierenden Anlage (3) und/oder von Ereignisdaten (6) hinsichtlich der mindestens einen Systemkomponente (2), eine Berechnungseinheit (7) mit mindestens einem darin implementierten künstlichen neuronalen Netzwerk (8) zur Berechnung einer Zustandsvorhersage der mindestens einen Systemkomponente (2) auf der Basis der Zeitreihe von Sensordaten (5) und/oder Ereignisdaten (6), und eine Ausgabeeinheit (9) zur Ausgabe der berechneten Zustandsvorhersage der mindestens einen Systemkomponente (2).

Description

Vorrichtung und Verfahren zur Vorhersage des Zustands von mindestens einer Systemkomponente einer zyklisch produzierenden Anlage
GEBIET
Die vorliegende Erfindung betrifft eine Vorrichtung zur Vorhersage des Zustands von mindestens einer Systemkomponente einer zyklisch produzierenden Anlage.
Ferner betrifft die vorliegende Erfindung ein Verfahren zur Vorhersage des Zustands von mindestens einer Systemkomponente einer zyklisch produzierenden Anlage.
Zudem betrifft die vorliegende Erfindung ein computerlesbares Medium.
HINTERGRUND
Das Dokument WO 2020/175460 Al beschreibt eine Steuervorrichtung, die ein Vorhersagemodell für eine Steuervariable einer Anlage verwendet, um einen Vorhersage wert der Steuervariablen aus einem gemessenen Wert der Steuervariablen zu berechnen. Die Steuervorrichtung gibt dann einen Befehlswert für die Steuervariable aus, um die Wahrscheinlichkeit des Auftretens einer zukünftigen Fehlfunktion zu verringern.
Eine Vorhersage des Zustands von mindestens einer Systemkomponente einer zyklisch produzierenden Anlage ist mit dieser bekannten Vorrichtung jedoch nicht möglich. Die bekannte Vorrichtung optimiert lediglich stetig eine Steuervariable.
Aus der JP 2019-126823 A ist ferner ein System zum Sammeln von Zuständen einer produzierenden Presse bekannt. Das System umfasst eine Sensorplatte, mehrere Drucksensoren, einen Datenanalysator und eine Datensammelvorrichtung.
Es wäre vorteilhaft eine Vorrichtung und ein Verfahren zur Vorhersage des Zustands von mindestens einer Systemkomponente einer zyklisch produzierenden Anlage, beispielsweise einer Presse für Kfz-Bauteile, bereitzustellen. ZUSAMMENFASSUNG DER ERFINDUNG
Gemäß einem ersten Aspekt der vorliegenden Erfindung wird eine Vorrichtung zur Vorhersage des Zustands von mindestens einer Systemkomponente einer zyklisch produzierenden Anlage bereitgestellt, umfassend eine Erfassungseinheit zur Erfassung einer Zeitreihe von Sensordaten der mindestens einen Systemkomponente der zyklisch produzierenden Anlage, eine Berechnungseinheit mit mindestens einem darin implementierten künstlichen neuronalen Netzwerk zur Berechnung einer Zustandsvorhersage der mindestens einen Systemkomponente auf der Basis der Zeitreihe von Sensordaten, und eine Ausgabeeinheit zur Ausgabe der berechneten Zustandsvorhersage der mindestens einen Systemkomponente.
Einige vorteilhafte Ausfuhrungsformen des ersten Aspekts der vorliegenden Erfindung umfassen mindestens ein Merkmal aus der nachfolgenden Liste:
• das künstliche neuronale Netzwerk ist mit Referenzsensordaten und Ereignisdaten trainiert, die einen Referenzzustand der mindestens einen Systemkomponente oder einer gleichen Systemkomponente beschreiben
• die Berechnungseinheit ist konfiguriert die Zustandsvorhersage zu berechnen auf der
Basis eines Klassifikationsverfahrens wie z. B. Random Forest, Support- Vector- Machines und/oder künstlichen neuronalen Netzes
• die Berechnungseinheit ist konfiguriert die Zustandsvorhersage zu berechnen auf der
Basis eines Algorithmus zur Anomaliedetektion wie z. B. Isolation-Forest
• die Erfassungseinheit ist konfiguriert Sensordaten hinsichtlich eines Istwerts zu erfassen
• die Erfassungseinheit ist konfiguriert Sensordaten hinsichtlich einer Position und/oder eines Winkels der mindestens einen Systemkomponente innerhalb eines Produktionszyklusses zu erfassen
• die Erfassungseinheit ist konfiguriert Sensordaten hinsichtlich mindestens eines der folgenden Parameter zu erfassen: Pressenposition, Werkzeugnummer, Druck IST und Druck SOLL die Berechnungseinheit ist dafür konfiguriert, die Zeitreihe von Sensordaten in Teilmengen oder Teilbereiche zu unterteilen
• die Berechnungseinheit ist dafür konfiguriert, charakteristische Merkmale der
Teilmengen oder Teilbereiche zu extrahieren
• die Berechnungseinheit ist dafür konfiguriert eine Zustandsvorhersage der mindestens einen Systemkomponente auf der Basis einer Teilmenge oder eines Teilbereiches der Zeitreihe von Sensordaten zu berechnen
• die Ausgabeeinheit ist dafür konfiguriert die auf der Basis der Teilmenge oder des
Teilbereiches der Zeitreihe von Sensordaten berechnete Zustands vorhersage auszugeben
• die Ausgabeeinheit umfasst eine Auswerteeinheit, die auf Basis der berechneten
Zustandsvorhersage mindestens eines aus Folgendem ausgibt: normales Verhalten der mindestens einen Systemkomponente, anormales Verhalten der mindestens einen Systemkomponente, Klassifizierung des Anlagenzustandes mit Angabe einer defekten Systemkomponente oder eines defekten Bauteils
• eine erste Schicht des in der Berechnungseinheit implementierten künstlichen neuronalen Netzwerkes bildet eine Eingabeschicht, die über eine Schnittstelle schrittweise die erfasste Zeitreihe von Sensordaten von einem Zwischenspeicher der Erfassungseinheit erhält
• die Berechnungseinheit ist konfiguriert das Analysieren und Bewerten der erfassten
Zeitreihe von Sensordaten auf Basis von vordefinierten Auswerteregeln zur Bestimmung von Maßnahmen vorzunehmen, welche einen teilweisen oder vollständigen Systemausfall der mindestens einen Systemkomponente verhindern
• die Ausgabeeinheit weist eine Datenschnittstelle zur Ausgabe der generierten
Zustandsvorhersage der mindestens einen Systemkomponente an eine Überwachungszentrale und/oder eine Nutzerschnittstelle auf
• die Vorrichtung weist einen Speicher zum Speichern von erfassten Sensordaten,
Referenzsensordaten, Ereignisdaten, und/oder Zustandsvorhersagen auf
• die Vorrichtung weist einen Empfänger zum Empfangen von Sensordaten auf
• die Erfassungseinheit umfasst den Empfänger zum Empfangen von Sensordaten • die Vorrichtung weist einen Sender zum Senden von erfassten Sensordaten,
Referenzsensordaten, Ereignisdaten, und/oder Zustandsvorhersagen an einen Computer, an ein mobiles Endgerät wie ein Smartphone oder ein Tablet, an einen Server oder an einen Cloud basierten Server auf
• die Ausgabeeinheit umfasst den Sender zum Senden von erfassten Sensordaten,
Referenzsensordaten, Ereignisdaten, und/oder Zustandsvorhersagen
Gemäß einem zweiten Aspekt der vorliegenden Erfindung wird ein Verfahren zur Vorhersage des Zustands von mindestens einer Systemkomponente einer zyklisch produzierenden Anlage bereitgestellt, umfassend Erfassen einer Zeitreihe von Sensordaten der mindestens einen Systemkomponente der zyklisch produzierenden Anlage, Berechnen einer Zustandsvorhersage der mindestens einen Systemkomponente durch mindestens ein künstliches neuronalen Netzwerk auf der Basis der Zeitreihe von Sensordaten, und Ausgeben der berechneten Zustands vorhersage der mindestens einen Systemkomponente.
Einige vorteilhafte Ausftihrungsformen des zweiten Aspekts der vorliegenden Erfindung umfassen mindestens ein Merkmal aus der nachfolgenden Liste:
• vor einer Auswertung von Live-Daten wird ein Modell trainiert, wobei Referenzsensordaten Ereignisdaten, die einen Referenzzustand der mindestens einen Systemkomponente oder einer gleichen Systemkomponente beschreiben, zugeordnet werden
• das Berechnen der Zustandsvorhersage erfolgt auf der Basis eines Klassifikationsverfahrens wie z. B. Random Forest, Support-Vector-Machines und/oder künstlichen neuronalen Netzes
• das Berechnen der Zustandsvorhersage erfolgt auf der Basis eines Algorithmus zur Anomaliedetektion wie z. B. Isolation-Forest
• Sensordaten werden hinsichtlich eines Istwerts erfasst
• Sensordaten werden hinsichtlich einer Position und/oder eines Winkels der mindestens einen Systemkomponente innerhalb eines Produktionszyklusses erfasst
• Sensordaten hinsichtlich mindestens eines der folgenden Parameter werden erfasst: Pressenposition, Werkzeugnummer, Druck IST und Druck SOLL die Zeitreihe von Sensordaten wird in Teilmengen oder Teilbereiche unterteilt • charakteristische Merkmale der Teilmengen oder Teilbereiche werden extrahiert, beispielsweise charakteristische Merkmale der Teilbereiche eines Hubs der mindestens einen Systemkomponente
• charakteristische Merkmale umfassen: Maximum, Minimum und/oder statistische Momente
• die Zustandsvorhersage der mindestens einen Systemkomponente wird auf der Basis einer Teilmenge oder eines Teilbereiches der Zeitreihe von Sensordaten berechnet
• die auf der Basis der Teilmenge oder des Teilbereiches der Zeitreihe von Sensordaten berechnete Zustandsvorhersage wird ausgegeben
• auf Basis der berechneten Zustandsvorhersage wird mindestens eines aus Folgendem ausgegeben: normales Verhalten der mindestens einen Systemkomponente, anormales Verhalten der mindestens einen Systemkomponente, Klassifizierung des Anlagenzustandes mit Angabe einer defekten Systemkomponente oder eines defekten Bauteils
• auf Basis der berechneten Zustandsvorhersage wird mindestens eines aus Folgendem ausgegeben wird: Ventil in Ordnung, Ventil nicht in Ordnung, Stickstoffbehälter defekt, Stickstoffbehälter nicht defekt, normales Verhalten der mindestens einen Systemkomponente, anormales Verhalten der mindestens einen Systemkomponente
• das Analysieren und Bewerten der erfassten Zeitreihe von Sensordaten wird auf Basis von vordefinierten Auswerteregeln zur Bestimmung von Maßnahmen vorgenommen, welche einen teilweisen oder vollständigen Systemausfall der mindestens einen Systemkomponente verhindern
• ein Systemausfallwamsignal wird generiert, sobald das trainierte Modell einen Ausfall der mindestens einen Systemkomponente vorhersagt
• das generierte Systemausfallwamsignal wird über eine Schnittstelle ausgegeben
• die Ereignisdaten umfassen Leerlaufnachrichten, Startmeldungen und
Stoppmeldungen, Prozessschritte, Fehlermeldungen, Warnungen und/oder
Wartungsmaßnahmen der mindestens einen Systemkomponente Gemäß einem driten Aspekt der vorliegenden Erfindung wird ein nicht-flüchtiges, computerlesbares Medium bereitgestellt, in dem ein Satz computerlesbarer Befehle gespeichert ist, die bei Ausführung durch mindestens einen Prozessor eine Vorrichtung zu zumindest Folgendem veranlassen: Erfassen einer Zeitreihe von Sensordaten der mindestens einen Systemkomponente der zyklisch produzierenden Anlage, Berechnen einer Zustandsvorhersage der mindestens einen Systemkomponente durch mindestens ein künstliches neuronalen Netzwerk auf der Basis der Zeitreihe von Sensordaten, und Ausgeben der berechneten Zustandsvorhersage der mindestens einen Systemkomponente.
Einige vorteilhafte Ausfuhrungsformen des dritten Aspekts der vorliegenden Erfindung umfassen mindestens ein Merkmal aus der im Zusammenhang mit dem zweiten Aspekt aufgeführten Liste.
Merkliche Vorteile können mit Ausfuhrungsformen der vorliegenden Erfindung erzielt werden. Eine Vorrichtung und ein Verfahren zur Vorhersage des Zustands von mindestens einer Systemkomponente einer zyklisch produzierenden Anlage werden bereitgestellt.
Die OEE (Overall Equipment Effectiveness) beschreibt die Anlageneffektivität. Einer der Parameter, aus denen sich diese Kennzahl zusammensetzt, ist die Verfügbarkeit. Mittels Ausfuhrungsformen der vorliegenden Erfindung können mögliche Schäden an mindestens einer Systemkomponente frühzeitig vorhergesagt werden. Darauffolgend können definierte Meldewege eingeleitet und ein Defekt zu einem geeigneten Zeitpunkt untersucht und behoben werden, so dass die produzierende Anlage nicht unplanmäßig steht. Folglich steigt die OEE mit reduzierten unplanmäßigen Stillständen.
Darüberhinaus werden Ressourcen wie Lagerkapazitäten, Energie und Aufwand eingespart.
Mit Hilfe von bestimmten Ausfuhrungsformen der vorliegenden Erfindung kann die mindestens eine Systemkomponente zudem in Echtzeit überwacht werden.
KURZBESCHREIBUNG DER ZEICHNUNGEN
Fig. 1 zeigt eine schematische Darstellung einer beispielhaften produzierenden Anlage,
Fig. 2 zeigt ein schematisches Diagramm einer Trainingsphase einer Vorrichtung gemäß mindestens einiger Ausfuhrungsformen der vorliegenden Erfindung, Fig. 3 zeigt ein schematisches Diagramm einer produktiven Phase einer Vorrichtung gemäß mindestens einiger Ausführungsformen der vorliegenden Erfindung, und
Fig. 4 zeigt eine schematische Darstellung einer Vorrichtung gemäß mindestens einiger Ausfuhrungsformen der vorliegenden Erfindung.
AUSFÜHRUNGSFORMEN DER ERFINDUNG
In Fig. 1 ist eine schematische Darstellung einer beispielhaften produzierenden Anlage 3 gezeigt. Bei der dargestellten produzierenden Anlage 3 handelt es sich um eine Umformanlage in Form einer Einzelaktionspresse mit einem einstückigen Werkstückhalter, der auf Stickstofffedem gelagert ist. Die Umformanlage umfasst ein Kopfstück 12 mit zwei achtgliedgrigen Stößelantrieben 13, die jeweils einen an einen Ziehstößel 18 gekoppelten Stößelpleuel 17 aufweisen. Das Kopfstück 12 ist mit einem Pressentisch 27 über Pressensäulen 28 verbunden. Die Presse weist ferner einen Motor 29 zum Antreiben der Stößelantriebe 13 auf.
Am Ziehstößel 18 ist eine Matrize 19 bzw. ein Obertisch befestigt. Die Umformanlage umfasst ferner einen Blechhalter 20, auf den ein Ziehteil 14 bzw. Werkstück in Form eines Bleches aufgelegt werden kann. Das Ziehteil 14 kann mittels eines Stempels 21 der Umformanlage in die Matrize 19 gepresst werden, um eine gewünschte Form des Ziehteils 14 zu erzielen. Mit anderen Worten, die Matrize 19 und der Stempel 21 wirken zusammen, um ein Werkstück 14 in eine erwünschte Form umzuformen.
Der Blechhalter 20 ist durch Stickstofffedern 15 oder Druckbolzen gelagert. Zusätzlich umfasst die Presse eine hydraulische Zugkissenanordnung 16, die durch das Pressenfundament 30 abgestützt ist, das die Absorption von Aufprallkräften während des Pressenbetriebs unterstützt.
Ein Umformvorgang eines Werkstückes 14 kann in verschiedene Phasen unterteilt werden. Jeder Umformvorgang stellt einen Umformzyklus dar, wobei sich mehrere Umformzyklen in Ihren Phasen üblicherweise nicht voneinander Unterscheiden. D.h. Zeitreihen von Sensordaten von Sensoren, die an verschiedene Systemkomponenten der produzierenden Anlage 3 gekoppelt sind, unterscheiden sich in den verschiedenen Phasen der Umformzyklen üblicherweise nicht. Im Fall einer Beschädigung einer Systemkomponente muss diese ausgetauscht oder repariert werden. Für ein derartiges Ereignis können Ereignisdaten beispielsweise in ein technisches Handbuch aufgenommen werden, so dass eine Schaden- oder Fehler- bzw. Wartungs-Historie der produzierenden Anlage 3 dokumentiert wird. Es können auch Log-Files generiert werden, die Ereignisdaten umfassen. Log-Files sind allgemein Dateien, in denen Prozessdaten einer Betrachtungseinheit bzw. einer oder mehrerer Systemkomponenten gespeichert werden. Diese Ereignisdaten können beispielsweise Schäden, Warn- und Fehlerevents sowie Wartungsmaßnahmen hinsichtlich Systemkomponenten der Anlage umfassen. Ereignisdaten hinsichtlich Wartungsmaßnahmen können beispielsweise die Art der Wartungsmaßnahme, der Zeitpunkt der Wartungsmaßnahmen und/oder Zeitintervalle zwischen durchgefuhrten Wartungsmaßnahmen sein. Daneben können beispielsweise für die Anlage 3 oder die einzelnen Systemkomponenten Leerlaufnachrichten, Startmeldungen und Stoppmeldungen, Prozessschritte, Fehlermeldungen, Schäden, Warnungen und Wartungsmaßnahmen aufgezeichnet und in den Log-Files gespeichert werden.
In Fig. 2 ist ein schematisches Diagramm einer Trainingsphase einer Vorrichtung gemäß mindestens einigen Ausführungsformen der vorliegenden Erfindung gezeigt. Eine derartige Vorrichtung zur Vorhersage des Zustands von mindestens einer Systemkomponente einer zyklisch produzierenden Anlage ist im Zusammenhang mit Fig. 4 dargestellt und beschrieben.
Vor einer Auswertung von Live-Daten, die mittels an mindestens eine Systemkomponente der produzierenden Anlage 3 gekoppelten Sensoren während einer Mehrzahl von Produktionszyklen erfasst werden, wird ein Modell trainiert. Hierbei werden erfassten Referenzsensordaten 11 Ereignisdaten 6, die einen Referenzzustand der mindestens einen Systemkomponente oder einer gleichen Systemkomponente beschreiben, zugeordnet. Ereignisdaten 6 können beispielsweise Leerlaufnachrichten, Startmeldungen und Stoppmeldungen, Prozessschritte, Fehlermeldungen, Schäden, Warnungen und/oder Wartungsmaßnahmen der mindestens einen Systemkomponente umfassen.
Mit anderen Worten, Referenzsensorwerte 11 werden zunächst erhoben und gesammelt. Üblicherweise werden die erhobenen Referenzsensorwerte 11 lokal oder in einer Cloud- Umgebung gespeichert. Anschließend werden die erhobenen Referenzsensorwerte 11 in eine hinreichend hohe Datenqualität gebracht, so dass Zeitreihen abgebildet werden können, die einen Produktionsprozess unabhängig bestimmter Produktionsparameter (wie z. B. der Prozesszeit) beschreiben. Neben den Referenzsensorwerten 11 werden technische Dokumentationen herangezogen, insbesondere speziell mit Einträgen zu Instandhaltungsmaßnahmen. In einem speziellen Labelingverfahren werden die Referenzsensordaten 11 mit den Informationen bzw. Ereignisdaten 6 aus der technischen Dokumentation korreliert, so dass neben Zeitreihenanalysen auch ereignisorientierte Analysen getätigt werden können. Das Training und die Validierung von Machine-Learning Modellen ist für die Vorhersage von Störungen bzw. der Zustandsvorhersage der mindestens einen Systemkomponente durch die erfindungsgemäße Vorrichtung erforderlich.
In Fig. 3 ist ein schematisches Diagramm einer produktiven Phase einer Vorrichtung gemäß mindestens einigen Ausführungsformen der vorliegenden Erfindung gezeigt. Eine derartige Vorrichtung zur Vorhersage des Zustands von mindestens einer Systemkomponente einer zyklisch produzierenden Anlage ist im Zusammenhang mit Fig. 4 dargestellt und beschrieben.
Bei der Auswertung von Live-Daten wird eine Zeitreihe von Sensordaten 5 der mindestens einen Systemkomponente 2 der zyklisch produzierenden Anlage 3 erfasst. Für das Beispiel der in Fig. 1 gezeigten Presse können derartige Sensordaten 5 einen Ist-Druck der hydraulischen Zugkissenanordnung und/oder eine Position der Presse beinhalten. Weitere Werte können beispielsweise eine Werkzeugnummer und/oder ein Soll-Druck der hydraulischen Zugkissenanordnung sein. Das Erfassen der Sensordaten erfolgt automatisiert.
Anschließend erfolgt das Berechnen einer Zustandsvorhersage der mindestens einen Systemkomponente 2 durch mindestens ein künstliches neuronales Netzwerk 8 auf der Basis der erfassten Zeitreihe von Sensordaten 5. Zunächst werden die erfassten Sensordaten standardisiert und den Prozess beschreibende Merkmale extrahiert. Das Berechnen der Zustandsvorhersage erfolgt auf der Basis mindestens eines Klassifikationsverfahrens. Beispielverfahren sind Random Forest, künstliches neuronales Netzwerk und/oder Support- Vector-Machines. Für das Klassifikationsverfahren kann die Zeitreihe von Sensordaten 5 auch in Teilmengen oder Teilbereiche unterteilt werden. In einem solchen Fall können auch charakteristische Merkmale der Teilmengen oder Teilbereiche extrahiert werden. Beispiele charakteristischer Merkmale umfassen ein Maximum, ein Minimum und/oder statistische Momente. Die Zustandsvorhersage der mindestens einen Systemkomponente kann somit auch auf der Basis einer Teilmenge oder eines Teilbereiches der Zeitreihe von Sensordaten 5 berechnet werden.
Die Standardisierung der erfassten Daten hat das Ziel, Veränderungen des Prozesses zu negieren, die zwar den Verlauf der Sensordaten verändern, den Zustand der produzierenden Anlage bzw. der betrachteten Baugruppe jedoch nicht verändern. Hierzu zählen beispielsweise die Änderung der Dauer eines Prozesszyklus oder die Produktion eines anderen Werkstückes. Anschließend können Merkmale der resultierenden Zeitreihe eines Produktionszyklusses extrahiert werden, die den Zustand beschreiben. Hierbei werden weiterhin die benötigten Daten erheblich reduziert, so dass die benötigten Rechen- und Speicherkapazitäten deutlich reduziert werden.
Nach der Berechnung der Zustandsvorhersage erfolgt das Ausgeben der berechneten Zustandsvorhersage der mindestens einen Systemkomponente 2. Die Ausgabe der berechneten Zustandsvorhersage kann auch auf der Basis der Teilmenge oder des Teilbereiches der Zeitreihe von Sensordaten erfolgen. Die Ausgabe der berechneten Zustandsvorhersage beinhaltet üblicherweise mindestens eines aus Folgendem: normales Verhalten der mindestens einen Systemkomponente, anormales Verhalten der mindestens einen Systemkomponente, Klassifizierung des Anlagenzustandes mit Angabe einer defekten Systemkomponente oder eines defekten Bauteils. Für das Beispiel der in Fig. 1 gezeigten Presse kann die Ausgabe der berechneten Zustandsvorhersage beispielsweise wie folgt erfolgen: Ventil in Ordnung, Ventil nicht in Ordnung, Stickstoffbehälter defekt, Stickstoffbehälter nicht defekt, normales Verhalten der mindestens einen Systemkomponente, anormales Verhalten der mindestens einen Systemkomponente.
Üblicherweise erfolgt das Analysieren und Bewerten der erfassten Zeitreihe von Sensordaten 5 auf Basis von vordefinierten Auswerteregeln zur Bestimmung von Maßnahmen, welche einen teilweisen oder vollständigen Systemausfall der mindestens einen Systemkomponente 2 verhindern. Beispielsweise kann ein Systemausfallwarnsignal generiert werden, sobald aus der erfassten Zeitreihe von Sensordaten eine Schwellwertüberschreitung hervorgeht, die auf einen zukünftigen Schaden der Systemkomponente 2 deuten lässt. Das generierte Systemausfallwamsignal wird dann über eine Schnittstelle ausgegeben, z. B. an eine Systemüberwachungszentrale oder an einen Nutzer der Produktionsanlage.
In Fig. 4 ist eine schematische Darstellung einer Vorrichtung 1 zur Vorhersage des Zustands von mindestens einer Systemkomponente 2 einer zyklisch produzierenden Anlage 3 gemäß mindestens einigen Ausführungsformen der vorliegenden Erfindung gezeigt. Die Vorhersage Vorrichtung 1 ist mit einer zu überwachenden Systemkomponente 2 der Anlage 3 mittels einer oder mehreren Datenschnittstellen gekoppelt. Die zu überwachende Systemkomponente kann mehrere externe oder integrierte Sensoren enthalten, welche Sensordaten 5 liefern. Die Vorrichtung 1 kann einen Empfänger 26 umfassen. Der Empfänger 26 kann dafür konfiguriert sein, Informationen gemäß mindestens einer zellularen oder nicht-zellularen Kommunikationstechnologie zu empfangen. Der Empfänger 26 kann mehr als einen Empfänger umfassen. Der Empfänger 26 kann dafür konfiguriert sein, in Übereinstimmung beispielsweise mit den Standards des globalen Systems für mobile Kommunikation, GSM, Breitbandcode-Mehrfachzugriff (Wideband Code Division Multiple Access, WCDMA), 5G, Langzeitentwicklung (Long Term Evolution, LTE), IS-95, drahtloses lokales Netzwerk (Wireless Local Area Network, WLAN), Ethernet und/oder weltweite Interoperabilität für Mikrowellenzugang (Worldwide Interoperability for Microwave Access, WiMAX) zu arbeiten. Der Empfänger 26 findet üblicherweise Verwendung beim Empfangen von Sensordaten 5 von der Systemkomponente 2. Sensordaten 5 können der Vorrichtung 1 auch durch einen Nutzer mittels einer Benutzerschnittstelle zugeführt werden. Die Benutzerschnittstelle kann beispielsweise eine Computertastatur umfassen.
Die Vorrichtung 1 umfasst ferner einen Prozessor 23, der beispielsweise einen Einkem- oder Mehrkernprozessor enthalten kann, wobei ein Einkernprozessor einen Verarbeitungskern umfasst und ein Mehrkernprozessor mehr als einen Verarbeitungskem umfasst. Der Prozessor 23 kann mehr als einen Prozessor umfassen. Der Prozessor 23 kann eine Einrichtung zum Durchführen von Verfahrensschritten in der Vorrichtung 1 sein. Der Prozessor 23 kann zumindest teilweise durch Computeranweisungen konfiguriert sein, um Aktionen auszuführen.
Die Vorrichtung 1 kann einen Speicher 24 umfassen. Der Speicher 24 kann einen Direktzugriffsspeicher und/oder einen permanenten Speicher umfassen. Der Speicher 24 kann mindestens einen RAM-Chip umfassen. Der Speicher 24 kann dem Prozessor 23 zumindest teilweise zugänglich sein. Der Speicher 24 kann zumindest teilweise im Prozessor 23 enthalten sein. Der Speicher 24 kann eine Einrichtung zum Speichern von Informationen sein. Der Speicher 24 kann Computeranweisungen umfassen, für deren Ausführung der Prozessor 23 konfiguriert ist. Wenn Computeranweisungen, die dafür konfiguriert sind, den Prozessor 23 zu veranlassen, bestimmte Aktionen auszuführen, im Speicher 24 gespeichert sind und die Vorrichtung 1 insgesamt dafür konfiguriert ist, unter der Anweisung des Prozessors 23 unter Verwendung von Computeranweisungen aus dem Speicher 24 ausgeführt zu werden, können der Prozessor 23 und/oder sein mindestens einer Verarbeitungskern als zur Ausführung bestimmter Aktionen konfiguriert angesehen werden. Der Speicher 24 kann zumindest teilweise außerhalb der Vorrichtung 1 sein, aber für die Vorrichtung 1 zugänglich sein. Die Vorrichtung 1 zur Vorhersage des Zustands von mindestens einer Systemkomponente 2 einer zyklisch produzierenden Anlage 3 umfasst ferner eine Erfassungseinheit 4 zur Erfassung einer Zeitreihe von Sensordaten 5 der mindestens einen Systemkomponente 2 der zyklisch produzierenden Anlage 3. Eine Zeitreihe von einem Sensor oder Zeitreihen von mehreren Sensoren können mit der Erfassungseinheit 4 erfasst werden. Beispiele von Sensordaten 5, die von der Erfassungseinheit erfasst werden, sind Positionssensordaten und Drucksensordaten. Die erfassten Sensordaten 5 können im Speicher 24 gespeichert werden. Mit anderen Worten, die Erfassungseinheit 4 ist konfiguriert, Sensordaten 5 hinsichtlich eines Parameter-Istwerts und/oder einer Position der mindestens einen Systemkomponente 2 innerhalb eines Produktionszyklusses zu erfassen.
Die Vorrichtung 1 umfasst ferner eine Berechnungseinheit 7 mit mindestens einem darin implementierten künstlichen neuronalen Netzwerk 8 zur Berechnung einer Zustandsvorhersage der mindestens einen Systemkomponente 2 auf der Basis der erfassten Zeitreihe von Sensordaten 5. Eine erste Schicht des in der Berechnungseinheit 7 implementierten künstlichen neuronalen Netzwerkes 8 kann eine Eingabeschicht bilden, die über eine Schnittstelle schrittweise die erfasste Zeitreihe von Sensordaten 5 von einem Zwischenspeicher der Erfassungseinheit 4 erhält.
Die Berechnung wird durch den mindestens einen Verarbeitungskern des Prozessors 23 ausgeführt. Das künstliche neuronale Netzwerk 8 ist mit Referenzsensordaten und Ereignisdaten trainiert, die einen Referenzzustand der mindestens einen Systemkomponente 2 oder einer gleichen Systemkomponente beschreiben. Die Berechnungseinheit 7 ist konfiguriert, die Zustandsvorhersage zu berechnen auf der Basis eines Klassifikationsverfahrens wie z. B. Random Forest, künstliches neuronales Netzwerk, Support- Vector-Machines und/oder künstliche neuronale Netze. Die Berechnungseinheit 7 kann dafür konfiguriert sein, die Zeitreihe von Sensordaten 5 in Teilmengen oder Teilbereiche zu unterteilen. Auch kann die Berechnungseinheit 7 dafür konfiguriert sein, charakteristische Merkmale der Teilmengen oder Teilbereiche zu extrahieren. In einem solchen Fall ist die Berechnungseinheit. 7 üblicherweise dafür konfiguriert, eine Zustandsvorhersage der mindestens einen Systemkomponente 2 auf der Basis einer Teilmenge oder eines Teilbereiches der Zeitreihe von Sensordaten 5 zu berechnen. Die berechnete Zustandsvorhersage kann im Speicher 24 gespeichert werden.
Die Berechnung der Zustandsvorhersage durch die Berechnungseinheit 7 basiert auf einem Modell. Referenzsensordaten mindestens einer Systemkomponente, beispielsweise Druckdaten einer Presse gemäß Fig. 1, werden während des Betriebs zuerst aufgezeichnet und die aufgezeichneten Referenzsensordaten werden zur Bildung des Modells des zu überwachenden Antriebs genutzt. Ereignisdaten werden dem Modell zusätzlich hinzugefügt. Verschiedene Arten von Schäden oder durchgeführten Wartungsmaßnahmen können dem Modell beispielsweise hinzugefügt werden. Auch kann beispielsweise die Häufigkeit von Schäden oder durchgeführten Wartungsmaßnahmen dem Modell hinzugefügt werden. Durch ein derartiges Labelling entstehen gelabelte Zeitreihen von Referenzsensordaten. Das Modell kann im Speicher 24 der Vorrichtung 1 hinterlegt werden.
Im Anwendungseinsatz der erfindungsgemäßen Vorrichtung 1 werden die erfassten Sensordaten 5 der zu überwachenden Systemkomponente dem Modell zugeführt und analysiert. Unterstützt wird die Modellbildung durch das Domänenwissen der Anwender. Durch kontinuierlichen fachlichen Austausch der Nutzer kann das Modell während der Anwendung stetig optimiert werden.
Das neuronale Netzwerk 8 der Berechnungseinheit 7 lernt ein Muster in den extrahierten Merkmalen, die einen normalen Zustand beschreiben, bzw. Muster in den extrahierten Merkmalen, die einen bestimmten Defekt oder eine Anomalie beschreiben Die Berechnungseinheit 7 kann auch konfiguriert sein, das Analysieren und Bewerten der erfassten Zeitreihe von Sensordaten 5 auf Basis von vordefinierten Auswerteregeln zur Bestimmung von Maßnahmen vorzunehmen, welche einen teilweisen oder vollständigen Systemausfall der mindestens einen Systemkomponente 2 verhindern.
Außerdem umfasst die Vorrichtung 1 eine Ausgabeeinheit 9 zur Ausgabe der berechneten Zustandsvorhersage der mindestens einen Systemkomponente 2. Die Ausgabeeinheit 9 kann dafür konfiguriert sein, eine auf der Basis der Teilmenge oder des Teilbereiches der Zeitreihe von Sensordaten 5 berechnete Zustandsvorhersage auszugeben. Die Ausgabeeinheit 9 kann eine Auswerteeinheit 10 umfassen, die auf Basis der berechneten Zustandsvorhersage mindestens eines aus Folgendem ausgibt: normales Verhalten der mindestens einen Systemkomponente 2, anormales Verhalten der mindestens einen Systemkomponente 2, Klassifizierung des Anlagenzustandes mit Angabe einer defekten Systemkomponente 2 oder eines defekten Bauteils. Für den Fall der in Fig. 1 gezeigten Presse kann die Ausgabe 22 beispielsweise folgendes umfassen: Ventil in Ordnung, Ventil nicht in Ordnung, Stickstoffbehälter defekt, Stickstoffbehälter nicht defekt, anormales Verhalten der mindestens einen Systemkomponente, normales Verhalten der mindestens einen Systemkomponente. Die Vorrichtung 1 kann ferner einen Sender 25 umfassen. Der Sender 25 kann dafür konfiguriert sein, Informationen gemäß mindestens einer zellularen oder nicht-zellularen Kommunikationstechnologie zu senden. Der Sender 25 kann mehr als einen Sender umfassen. Der Sender 25 kann dafür konfiguriert sein, in Übereinstimmung beispielsweise mit den Standards des globalen Systems für mobile Kommunikation, GSM, Breitbandcode- Mehrfachzugriff (Wideband Code Division Multiple Access, WCDMA), 5G, Langzeitentwicklung (Long Term Evolution, LTE), IS-95, drahtloses lokales Netzwerk (Wireless Local Area Network, WLAN), Ethernet und/oder weltweite Interoperabilität für Mikrowellenzugang (Worldwide Interoperability for Microwave Access, WiMAX zu arbeiten). Der Sender 25 findet üblicherweise Verwendung beim Senden von erfassten Sensordaten, Ereignisdaten, berechneten zukünftigen Sensordaten und/oder Zustandsvorhersagen an einen Computer, ein mobiles Endgerät wie ein Smartphone oder ein Tablet-Computer, einen Server, einen Cloud basierten Server oder einen Netzwerkknoten. Beispielsweise kann mittels des Senders 25 ein Warnsignal auf ein mobiles Endgerät eines Mitarbeiters oder an eine Überwachungszentrale einer produzierenden Industrieanlage übermittelt werden, so dass eine Wartungsmaßnahme an der mindestens einen Systemkomponente 2 geplant und zeitnah durchgeführt werden kann.
Als Ergebnis gibt die Ausgabeeinheit 9 eine Zustandsvorhersage der mindestens einen Systemkomponente aus. Beispielsweise wird ein generiertes Systemausfallwamsignal über eine Schnittstelle ausgegeben.
Aufgrund der erfassten Zeitreihe von Sensordaten ist es somit möglich, den aktuellen Zustand der Systemkomponente 2 zu erfassen, zu beschreiben und zu bewerten. Darüberhinaus wird die Vorhersage eines zukünftigen Zustands der Systemkomponente 2 ermöglicht. Als notwendig erkannte Instandhaltungsmaßnahmen können mit Hilfe der Zustandsvorhersage zeit-, qualitäts- und kostenoptimal geplant und durchgeführt werden.
Es versteht sich, das die Ausführungsformen der vorliegenden Erfindung nicht beschränkt sind auf die speziellen Strukturen oder Verfahrensschritte, die hier offenbart sind, sondern auf deren Äquivalente ausgedehnt werden können, wie es für einen Durchschnittsfachmann auf den relevanten Gebieten erkennbar ist.
Es versteht sich zudem, dass die hier benutzte Terminologie lediglich zum Beschreiben bestimmter Ausführungsformen verwendet wird und nicht als beschränkend auszulegen ist. Die beschriebenen Merkmale, Strukturen oder Eigenschaften können in jeder geeigneten Weise in einer oder mehreren Ausführungsformen kombiniert werden.
GEWERBLICHE ANWENDBARKEIT
Ausführungsformen der vorliegenden Erfindung finden gewerbliche Anwendung beispielsweise in der Vorhersage des Zustands von Umformanlagen wie beispielsweise in der Kraftfahrzeugindustrie .
BEZUGSZEICHENLISTE
1 Vorrichtung
2 Systemkomponente
3 produzierende Anlage
4 Erfassungseinheit
5 Sensordaten
6 Ereignisdaten
7 Berechnungseinheit
8 künstliches neuronales Netzwerk
9 Ausgabeeinheit
10 Auswerteeinheit
11 Referenzsensordaten
12 Kopfstück
13 Stößelantrieb
14 Ziehteil bzw. Werkstück
15 Druckbolzen
16 hydraulische Zieheinrichtung
17 Stößelpleuel
18 Ziehstößel
19 Matrize
20 Blechhalter
21 Stempel
22 Ausgabe Prozessor Speicher Sender Empfänger Pressentisch Pressensäule Motor Pressenfundament

Claims

Patentansprüche
1. Vorrichtung (1) zur Vorhersage des Zustands von mindestens einer Systemkomponente (2) einer zyklisch produzierenden Anlage (3), umfassend: eine Erfassungseinheit (4) zur Erfassung einer Zeitreihe von Sensordaten (5) der mindestens einen Systemkomponente (2) der zyklisch produzierenden Anlage (3), . eine Berechnungseinheit (7) mit mindestens einem darin implementierten künstlichen neuronalen Netzwerk (8) zur Berechnung einer Zustandsvorhersage der mindestens einen Systemkomponente (2) auf der Basis der Zeitreihe von Sensordaten (5), und eine Ausgabeeinheit (9) zur Ausgabe der berechneten Zustandsvorhersage der mindestens einen Systemkomponente (2).
2. Vorrichtung (1) nach Anspruch 1, wobei das künstliche neuronale Netzwerk (8) mit Referenzsensordaten (11) und Ereignisdaten (6) trainiert ist, die einen Referenzzustand der mindestens einen Systemkomponente (2) oder einer gleichen Systemkomponente beschreiben.
3. Vorrichtung (1) nach Anspruch 1 oder 2, wobei die Berechnungseinheit (7) konfiguriert ist, die Zustandsvorhersage zu berechnen auf der Basis eines Klassifikationsverfahrens.
4. Vorrichtung (1) nach einem der Ansprüche 1 - 3, wobei die Erfassungseinheit (4) konfiguriert ist Sensordaten (5) hinsichtlich eines Istwerts und/oder einer Position der mindestens einen Systemkomponente (2) innerhalb eines Produktionszyklusses zu erfassen.
5. Vorrichtung (1) nach einem der Ansprüche 1 - 4, wobei die Berechnungseinheit (7) dafür konfiguriert ist die Zeitreihe von Sensordaten (5) in Teilmengen oder Teilbereiche zu unterteilen.
6. Vorrichtung nach Anspruch 5, wobei die Berechnungseinheit (7) dafür konfiguriert ist charakteristische Merkmale der Teilmengen oder Teilbereiche zu extrahieren.
7. Vorrichtung nach Anspruch 5 oder 6, wobei die Berechnungseinheit (7) dafür konfiguriert ist eine Zustandsvorhersage der mindestens einen Systemkomponente (2) auf der Basis einer Teilmenge oder eines Teilbereiches der Zeitreihe von Sensordaten (5) zu berechnen.
8. Vorrichtung nach Anspruch 7, wobei die Ausgabeeinheit (9) dafür konfiguriert ist die auf der Basis der Teilmenge oder des Teilbereiches der Zeitreihe von Sensordaten (5) berechnete Zustandsvorhersage auszugeben.
9. Vorrichtung (1) nach einem der Ansprüche 1 - 8, wobei die Ausgabeeinheit (9) eine Auswerteeinheit (10) umfasst, die auf Basis der berechneten Zustandsvorhersage mindestens eines aus Folgendem ausgibt: normales Verhalten der mindestens einen Systemkomponente (2), anormales Verhalten der mindestens einen Systemkomponente (2), Klassifizierung des Anlagenzustandes mit Angabe einer defekten Systemkomponente (2) oder eines defekten Bauteils.
10. Vorrichtung (1) nach einem der Ansprüche 1 - 9, wobei eine erste Schicht des in der Berechnungseinheit (7) implementierten künstlichen neuronalen Netzwerkes (8) eine Eingabeschicht bildet, die über eine Schnittstelle schrittweise die erfasste Zeitreihe von Sensordaten (5) von einem Zwischenspeicher der Erfassungseinheit (4) erhält.
11. Vorrichtung (1) nach einem der Ansprüche 1 - 10, wobei die Berechnungseinheit (7) konfiguriert ist das Analysieren und Bewerten der erfassten Zeitreihe von Sensordaten (5) auf Basis von vordefinierten Auswerteregeln zur Bestimmung von Maßnahmen vorzunehmen, welche einen teilweisen oder vollständigen Systemausfall der mindestens einen Systemkomponente (2) verhindern.
12. Vorrichtung (1) nach einem der Ansprüche 1 - 11, wobei die Ausgabeeinheit (9) eine Datenschnittstelle zur Ausgabe der generierten Zustandsvorhersage der mindestens einen Systemkomponente (2) an eine Überwachungszentrale und/oder eine Nutzerschnittstelle aufweist.
13. Verfahren zur Vorhersage des Zustands von mindestens einer Systemkomponente einer zyklisch produzierenden Anlage (3), umfassend:
Erfassen einer Zeitreihe von Sensordaten (5) der mindestens einen Systemkomponente (2) der zyklisch produzierenden Anlage (3),
Berechnen einer Zustandsvorhersage der mindestens einen Systemkomponente (2) durch mindestens ein künstliches neuronales Netzwerk (8) auf der Basis der Zeitreihe von Sensordaten (5), und
Ausgeben der berechneten Zustandsvorhersage der mindestens einen Systemkomponente (2).
14. Verfahren nach Anspruch 13, wobei vor einer Auswertung von Live-Daten ein Modell trainiert wird, wobei Referenzsensordaten (11) Ereignisdaten (6), die einen Referenzzustand der mindestens einen Systemkomponente (2) oder einer gleichen Systemkomponente beschreiben, zugeordnet werden.
15. Verfahren nach Anspruch 13 oder 14, wobei das Berechnen der Zustandsvorhersage erfolgt auf der Basis eines Klassifikationsverfahrens.
16. Verfahren nach einem der Ansprüche 13 - 15, wobei Sensordaten (5) hinsichtlich eines Istwerts und/oder einer Position der mindestens einen Systemkomponente (2) innerhalb eines Produktionszyklusses erfasst werden.
17. Verfahren nach einem der Ansprüche 13 - 16, wobei die Zeitreihe von Sensordaten (5) in Teilmengen oder Teilbereiche unterteilt wird.
18. Verfahren nach Anspruch 17, wobei charakteristische Merkmale der Teilmengen oder Teilbereiche extrahiert werden.
19. Verfahren nach Anspruch 17 oder 18, wobei die Zustandsvorhersage der mindestens einen Systemkomponente (2) auf der Basis einer Teilmenge oder eines Teilbereiches der Zeitreihe von Sensordaten (5) berechnet wird.
20. Verfahren nach Anspruch 19, wobei die auf der Basis der Teilmenge oder des Teilbereiches der Zeitreihe von Sensordaten (5) berechnete Zustandsvorhersage ausgegeben wird.
21. Verfahren nach einem der Ansprüche 13 - 20, wobei auf Basis der berechneten Zustandsvorhersage, mindestens eines aus Folgendem ausgegeben wird: normales Verhalten der mindestens einen Systemkomponente (2), anormales Verhalten der mindestens einen Systemkomponente (2), Klassifizierung des Anlagenzustandes mit Angabe einer defekten Systemkomponente (2) oder eines defekten Bauteils.
22. Verfahren nach einem der Ansprüche 13 - 21, wobei das Analysieren und Bewerten der erfassten Zeitreihe von Sensordaten (5) auf Basis von vordefinierten Auswerteregeln zur Bestimmung von Maßnahmen vorgenommen wird, welche einen teilweisen oder vollständigen Systemausfall der mindestens einen Systemkomponente (2) verhindern.
23. Verfahren nach Anspruch 22, wobei ein Systemausfallwarnsignal generiert wird, sobald aus der erfassten Zeitreihe von Sensordaten eine Schwellwertüberschreitung hervorgeht. 21
24. Verfahren nach Anspruch 23, wobei das generierte Systemausfallwamsignal über eine Schnittstelle ausgegeben wird.
25. Verfahren Anspruch 14, wobei die Ereignisdaten Leerlaufnachrichten, Startmeldungen und Stoppmeldungen, Prozessschritte, Fehlermeldungen, Schäden, Warnungen, Position der mindestens einen Systemkomponente (2) innerhalb eines Produktionszyklusses und/oder Wartungsmaßnahmen der mindestens einen Systemkomponente umfassen.
26. Nicht-flüchtiges, computerlesbares Medium, in dem ein Satz computerlesbarer Befehle gespeichert ist, die bei Ausführung durch mindestens einen Prozessor eine Vorrichtung zu zumindest Folgendem veranlassen:
Erfassen einer Zeitreihe von Sensordaten (5) der mindestens einen Systemkomponente (2) der zyklisch produzierenden Anlage (3),
- Berechnen einer Zustandsvorhersage der mindestens einen Systemkomponente (2) durch mindestens ein künstliches neuronalen Netzwerk (8) auf der Basis der Zeitreihe von Sensordaten (5), und
Ausgeben der berechneten Zustandsvorhersage der mindestens einen Systemkomponente (2).
EP22761370.0A 2021-08-20 2022-07-31 Vorrichtung und verfahren zur vorhersage des zustands von mindestens einer systemkomponente einer zyklisch produzierenden anlage Pending EP4388376A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021004258.1A DE102021004258A1 (de) 2021-08-20 2021-08-20 Vorrichtung und Verfahren zur Vorhersage des Zustands von mindestens einer Systemkomponente einer zyklisch produzierenden Anlage
PCT/DE2022/000086 WO2023020644A1 (de) 2021-08-20 2022-07-31 Vorrichtung und verfahren zur vorhersage des zustands von mindestens einer systemkomponente einer zyklisch produzierenden anlage

Publications (1)

Publication Number Publication Date
EP4388376A1 true EP4388376A1 (de) 2024-06-26

Family

ID=83148976

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22761370.0A Pending EP4388376A1 (de) 2021-08-20 2022-07-31 Vorrichtung und verfahren zur vorhersage des zustands von mindestens einer systemkomponente einer zyklisch produzierenden anlage

Country Status (5)

Country Link
US (1) US20240427297A1 (de)
EP (1) EP4388376A1 (de)
CN (1) CN117916677A (de)
DE (1) DE102021004258A1 (de)
WO (1) WO2023020644A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102023107890A1 (de) * 2023-03-28 2024-10-02 Zahoransky Ag Verfahren zur Überwachung des Stopfvorgangs einer Bürstenstopfmaschine

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130060524A1 (en) * 2010-12-01 2013-03-07 Siemens Corporation Machine Anomaly Detection and Diagnosis Incorporating Operational Data
JP7017775B2 (ja) 2018-01-24 2022-02-09 株式会社Kmc プレス製造条件収集システム
US12067485B2 (en) * 2018-09-28 2024-08-20 Applied Materials, Inc Long short-term memory anomaly detection for multi-sensor equipment monitoring
JP7151546B2 (ja) 2019-02-25 2022-10-12 オムロン株式会社 制御装置、制御方法、及び制御プログラム
US20200285997A1 (en) * 2019-03-04 2020-09-10 Iocurrents, Inc. Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence
US11307570B2 (en) * 2019-05-31 2022-04-19 Panasonic Intellectual Property Management Co., Ltd. Machine learning based predictive maintenance of equipment
EP3764179B1 (de) * 2019-07-08 2024-11-13 ABB Schweiz AG Beurteilung der zustände von industrieller ausrüstung und verfahren
US11635893B2 (en) * 2019-08-12 2023-04-25 Micron Technology, Inc. Communications between processors and storage devices in automotive predictive maintenance implemented via artificial neural networks
DE102019214653A1 (de) 2019-09-25 2021-03-25 Rolls-Royce Deutschland Ltd & Co Kg Training von Maschinenlernmodellen zur datengetriebenen Entscheidungsfindung
US11100221B2 (en) * 2019-10-08 2021-08-24 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
US11501132B2 (en) * 2020-02-07 2022-11-15 Hitachi, Ltd. Predictive maintenance system for spatially correlated industrial equipment

Also Published As

Publication number Publication date
WO2023020644A1 (de) 2023-02-23
DE102021004258A1 (de) 2023-02-23
US20240427297A1 (en) 2024-12-26
CN117916677A (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
EP3436877B1 (de) Verfahren zur schwingungsdiagnostischen überwachung einer maschine
DE102021124253A1 (de) Maschinelles Lernverfahren zur Anomaliedetektion in einem elektrischen System
EP3077878B1 (de) Computer-implementiertes verfahren und system zur automatischen überwachung und statusermittlung ganzer prozessabschnitte in einer process unit
DE102017000287B4 (de) Zellensteuerung und produktionssystem zum verwalten der arbeitssituation einer vielzahl von fertigungsmaschinen in einer fertigungszelle
DE102016015332A1 (de) Präventivwartungsverwaltungssystem und -verfahren zum Erstellen eines Wartungsplans einer Maschine sowie Zellensteuereinrichtung
DE102018009309B4 (de) Numerisches Steuergerät
DE112020006911T5 (de) Datenerzeugungsvorrichtung, System für maschinelles Lernen und Bearbeitungszustands-Schätzvorrichtung
DE102021124254A1 (de) Maschinelles Lernverfahren zur Leckageerkennung in einem pneumatischen System
EP4193227A1 (de) Vorrichtung und verfahren zur erkennung von anomalien in einer industriellen anlage zur ausführung eines produktionsprozesses
EP4068018A1 (de) Vorrichtung und verfahren zur überwachung eines stanzprozesses
EP4104955A1 (de) Verfahren zur additiven herstellung eines bauteils
EP4388376A1 (de) Vorrichtung und verfahren zur vorhersage des zustands von mindestens einer systemkomponente einer zyklisch produzierenden anlage
DE102024123550B3 (de) Verfahren zum Hartfeinbearbeiten eines Werkstücks mit einer Verzahnung oder einem Profil auf einer Hartfeinbearbeitungsmaschine
DE102021205175A1 (de) Selbsttätig adaptives Überwachungsverfahren für ein Gerät in einer Anlage
EP4060433A1 (de) Verfahren und system zur prädiktion des betriebs einer technischen anlage
EP4155852B1 (de) Prozessorschaltung und verfahren zum überwachen eines fügeprozesses von werkstücken in einem fügeautomaten sowie fügeautomat
DE102019215016A1 (de) Messanordnung, Verfahren zum Einrichten einer Messanordnung und Verfahren zum Betreiben einer Messanordnung
EP3783448B1 (de) Verfahren zur prüfung eines produktionsprozesses zur herstellung von bauteilen
DE102022003510B3 (de) Vorrichtung und Verfahren zur Ermittlung von Defekten und/oder Mikrostörungen mindestens einer Antriebskomponente einer endlagengesteuerten Anlage
EP4060441A1 (de) Verfahren und system zur erkennung von anomalien im betrieb einer technischen anlage
DE112021008086B4 (de) Zustandserfassungssystem, zustandserfassungsverfahren und zustandserfassungsprogramm
DE102021004265B4 (de) Vorrichtung und Verfahren zur Vorhersage des Zustands von einem Zahnstangen- Linearantrieb
AT524169A1 (de) Verfahren zur Erkennung wenigstens einer Stresssituation einer Brennstoffzelle
DE102024123554A1 (de) Verfahren zum Überwachen des Zustands einer Hartfeinbearbeitungsmaschine, insbesondere einer Schleifmaschine
DE102024200831A1 (de) Verfahren zur Reduktion der Datenverarbeitung bei der maschinellen Überwachung eines industriellen Prozesses

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: 20240213

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)