EP4602441A1 - System und verfahren zur sicherheitsgerichteten überwachung einer technischen anlage - Google Patents

System und verfahren zur sicherheitsgerichteten überwachung einer technischen anlage

Info

Publication number
EP4602441A1
EP4602441A1 EP23789999.2A EP23789999A EP4602441A1 EP 4602441 A1 EP4602441 A1 EP 4602441A1 EP 23789999 A EP23789999 A EP 23789999A EP 4602441 A1 EP4602441 A1 EP 4602441A1
Authority
EP
European Patent Office
Prior art keywords
safety
input variable
controller
measured values
relevant
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
EP23789999.2A
Other languages
English (en)
French (fr)
Inventor
Daniel Bakovic
Lukas ELWINGER
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.)
Pilz GmbH and Co KG
Original Assignee
Pilz GmbH and Co KG
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
Priority claimed from DE102023113963.0A external-priority patent/DE102023113963A1/de
Application filed by Pilz GmbH and Co KG filed Critical Pilz GmbH and Co KG
Publication of EP4602441A1 publication Critical patent/EP4602441A1/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
    • G05B19/418—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]
    • G05B19/41885—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 modeling, simulation of the manufacturing system
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Program-controlled manipulators
    • B25J9/16—Program controls
    • B25J9/1674—Program controls characterised by safety, monitoring, diagnostic
    • 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
    • G05B9/00—Safety arrangements
    • G05B9/02—Safety arrangements electric

Definitions

  • the present invention relates to a system and a method for safety-related monitoring, in particular shutdown, of a technical system and a processing unit for use in such a system.
  • Safety-related monitoring of a technical system refers here to the safeguarding of hazardous areas on and around a technical system, in particular hazardous areas of a machine or industrial plant, by means of sensors and controls provided for this purpose.
  • the sensors continuously record the state of the technical system and/or its surroundings and forward this information to the control system.
  • the control system evaluates the information provided and transfers the technical system to a safe state if there is a danger to people or property.
  • Sensors and controls are subject to special requirements in terms of function, availability and inherent fault tolerance, which are regulated by law and laid down in standards in most countries.
  • overarching standards include, for example, the standards on machine safety, in particular EN ISO 12100 (General principles for design - Risk assessment and risk reduction), EN ISO 13849-1/-2 (Safety-related parts of control systems) and EN IEC 62061 (Functional safety of safety-relevant control systems).
  • a signal chain for executing safety functions generally includes the safe detection of system variables by sensors, their safe processing and evaluation by a controller, and the safe control of actuators based on the processing and evaluation.
  • a system for safety-related monitoring, in particular shutdown, of a technical system comprising: a controller that is set up to trigger a safety-related reaction related to the safety-relevant input variable based on a safety-relevant input variable that can be derived from at least one continuously detectable first measured value in the event of a deviation from an expected input variable, which causes the technical system to transition to a safe state, and a processing unit that is set up to determine a virtual input variable based on continuously detectable second measured values that do not completely correspond to the at least one first measured value and to provide it to the controller, wherein the controller is set up to trigger the safety-related reaction related to the safety-relevant input variable if the virtual input variable deviates from the expected input variable.
  • this object is achieved by a processing unit for use in a system for safety-related monitoring, in particular shutdown, of a technical installation, in which a controller, based on a safety-relevant input variable that can be derived from at least one continuously detectable first measured value, triggers a safety-related reaction related to the safety-relevant input variable in the event of a deviation from an expected input variable, which causes the technical installation to transition to a safe state, wherein the processing unit is configured to determine a virtual input variable based on continuously detectable second measured values that do not fully correspond to the at least one first measured value and to provide it to the controller, which triggers the safety-related reaction related to the safety-relevant input variable when the virtual input variable deviates from the expected input variable.
  • this object is achieved by a method for safety-related monitoring, in particular shutdown, of a technical system, comprising: triggering a safety-related reaction related to a safety-relevant input variable by a controller, wherein the safety-related reaction causes a transition of the technical system to a safe state in the event of a deviation from an expected input variable and the safety-relevant input variable can be derived from at least one continuously detectable first measured value; determining a virtual input variable based on continuously detectable second measured values that do not completely correspond to the at least one first measured value; and providing the virtual input variable for the controller, wherein the controller triggers the safety-related reaction related to the safety-relevant input variable if the virtual input variable deviates from the expected input variable.
  • the alternative device generates a virtual input variable as an equivalent for the safety-relevant input variable by continuously recording many different second measured values.
  • the alternative device relates the second measured values to one another and weights them in order to emulate a representative safety-relevant input variable, which is ultimately used instead of or in addition to the safety-relevant input variable of a primary sensor to assess the hazardous situation and as a trigger for the safety-related reaction.
  • the system may further comprise a sensor which is configured to record the at least one first measured value, to generate the safety-relevant input variable from the at least one first measured value and to provide the safety-relevant input variable to the controller.
  • the system thus has a primary sensor, i.e. a conventional, real sensor that can provide the safety-relevant input variable in a known manner by continuously evaluating initial measured values.
  • a redundant safety architecture can be implemented in which a first channel is implemented by the sensor and a second, virtual channel is implemented by the processing unit. This makes it possible to implement safety-related monitoring in a simple and cost-effective manner even for systems that normatively require a two-channel safety architecture, but without necessarily having to use two physical sensors.
  • the processing unit can have an inference engine which is configured to generate the virtual input variable from the second measured values and a stored knowledge base.
  • An inference machine is generally referred to here as a data processing device that draws a conclusion from existing knowledge and available input data (second measured values), which in this case corresponds to the virtual input variable.
  • the knowledge base can be, for example, a static or dynamic set of rules, a system model or a trained artificial neural network (ANN).
  • the processing unit can draw conclusions from the second measured values and the knowledge base, for example as a rule interpreter, in order to determine the virtual input variable and to approximate the safety-relevant input variable.
  • the processing unit can use the second measured values as input parameters for the trained artificial neural network, which returns the virtual input variable as an output.
  • the processing unit can be configured to generate the knowledge base by machine learning, in particular by supervised learning and/or reinforcement learning
  • the processing unit can comprise, for example, an artificial intelligence system (AI system) that generates and/or expands the knowledge base through machine learning.
  • AI system can comprise supervised learning, i.e. learning a function from given pairs of input and output values, and/or reinforcement learning, in which reinforcement learning algorithms extract relationships from data independently of an exact mathematical model by an agent independently learning a strategy through interaction with its environment in order to maximize the reward received.
  • AI system can also use artificial neural networks (ANN) with numerous intermediate layers between the input layer and the output layer in order to form a comprehensive internal structure that establishes a connection between the input data (second measured values) and the output data (virtual input variable for the control) (so-called deep learning or multi-layer learning).
  • ANN artificial neural networks
  • the processing unit can be configured to perform the machine learning based on the second measured values and an output of the sensor.
  • the processing unit can learn a relationship between the second measured values and the safety-relevant input variable by observing the sensor and its output.
  • the sensor can specify the correct output value for the safety-relevant input variable for different input states, which the processing unit relates to the recorded second measured values for the given input situation.
  • the processing unit can build up a knowledge base in the sense of supervised learning.
  • the design is particularly advantageous if, in a redundant safety structure, a primary sensor is only to be supplemented by the processing unit as a second channel.
  • processing unit can be configured to perform the machine learning before the controller uses the virtual input variable.
  • the processing unit can thus learn the system relationships in a test phase in order to then apply them in operation. It is also conceivable that a test phase is carried out more frequently in order to continuously expand the knowledge base over time. In principle, it is also possible to continue the learning process during operation.
  • the processing unit may have an interface to continuously expand the knowledge base.
  • the knowledge base can thus also be provided, expanded and/or updated externally. For example, updates based on manually recorded or automatically recognized new system relationships can be imported manually or automatically via the interface. It is also conceivable that the processing unit is connected to other processing units in a network or via a cloud service in order to exchange knowledge with them. Knowledge generation can thus advantageously also take place collectively.
  • the safety-relevant input variable can be the result of a direct signal processing of a first measured value or the result of a direct signal processing of the plurality of first measured values, wherein the virtual input variable is at least partially the result of an indirect signal processing of the second measured values, in particular an approximation and/or estimation.
  • the virtual input variable can thus be based in particular on implicit system variables that are not directly related to the safety-relevant input variable.
  • the virtual input variable cannot be obtained solely by transforming measured values, but only by drawing conclusions based on other known or unknown system relationships.
  • implicit measured values can advantageously be recorded more easily and at a lower cost than explicit system variables that are directly related to the safety-relevant input variable.
  • the controller can be set up to compare the safety-relevant input variable of a sensor with the virtual input variable and to trigger the safety-related reaction if the safety-relevant input variable and the virtual input variable differ from each other by a predefined amount.
  • a real and a virtual channel can thus advantageously be used as redundant processing channels.
  • the virtual input variable and the safety-relevant input variable can therefore be identical in type, so that the controller cannot tell whether it is processing a virtual input variable or a safety-relevant input variable.
  • the controller can read, process and evaluate the virtual input variable in the same way as the safety-relevant input variable that it receives from a private märsensor. An existing sensor can therefore be replaced without the need to adapt the control system.
  • the second measured values can be measured values inherent in the control of the technical system, at least in part.
  • Measured values inherent to the control are measured values that are relevant to the control of the technical system and are recorded in order to be able to control the technical system according to its function.
  • the inherent measured values are usually recorded by simple sensors, also called standard sensors, and fed to a standard control system, e.g. a programmable logic controller (PLC), which uses these values as input to output certain control signals.
  • PLC programmable logic controller
  • Measured values from standard sensors can usually not be used or can only be used in addition to the implementation of a safety function, since the standard sensors that provide the measured values do not have the necessary inherent fault tolerance to ensure fail-safe recording and transmission. This is usually only possible with sensors that have appropriate safety-related devices.
  • the Kl system itself makes a statement about the quality of the virtual input variables provided and provides the virtual input variable depending on this. If the Kl system comes to the conclusion, for example, that the quality is insufficient, it can provide a corresponding virtual input variable or no input variable, whereupon the control system triggers the safety-related reaction.
  • the controller can in particular be a safety controller that has a multi-channel redundant structure to ensure a fail-safe execution of the safety function.
  • the multi-channel, redundant structure can in particular provide two or more processing channels that process an input and provide an output separately and independently of one another.
  • the channels can be set up in such a way that they monitor each other and deviating processing triggers the safety-related reaction.
  • the person skilled in the art is familiar with corresponding safe control methods, in particular those in which a control system only allows the operation of a technical system if suitable input signals (safety-relevant input variables) are present and signal a safe state.
  • Fig. 1 shows a schematic view of a system according to a first embodiment of the present disclosure.
  • Fig.2 shows a schematic view of an application scenario for a system according to an embodiment of the present disclosure.
  • Fig. 3 shows a detailed view of the system according to the first embodiment of the present disclosure.
  • Fig. 4 shows a schematic view of a system according to a second embodiment with a single-channel safety structure.
  • Fig. 5 shows a schematic view of a system according to a third embodiment with a two-channel security structure.
  • Fig. 6 shows a schematic view of a system according to a fourth embodiment with a two-channel security structure.
  • Fig. 7 shows a schematic representation of a system with an information processing device according to another aspect of the present disclosure.
  • Fig. 8 shows a schematic representation of an architecture for using the information processing device according to Fig. 7.
  • the sensor data recorded for controlling the mechanics e.g. power, motor currents, electrical voltage, vibrations, motor speeds, axis angle values, temperatures, strains/deformations, humidity, aerosol composition, LiDAR or radar, are recorded in the drive and can be trained to the course pattern valid during operation.
  • An embodiment of the present disclosure may comprise an information processing device and/or a method which, in an evaluation unit, by means of an intelligent evaluation algorithm on one and/or more electric drives and, if applicable, mechanical movement axes coupled thereto, by recording measured values by one and/or more sensors, by analyzing and evaluating these measured values, enables anomaly detection and/or early prediction of wear and/or early prediction of possible component failures and/or prediction of quality characteristics of the manufacturing process in which the intelligently monitored electrical drives and/or mechanical motion axes are involved.
  • the measured values of different sensors which represent any physical quantity in an interacting mechatronic system to be monitored, can be read in analog and/or digitally via one and/or more interfaces.
  • these interfaces are hardware-based and/or wireless communication paths.
  • control unit is formed by an evaluation unit physically contained in the information processing device.
  • control unit can also be formed by an evaluation unit physically contained in the An evaluation algorithm implemented in the cloud must be set up, which can control the control unit.
  • the evaluation algorithm comprises one and/or more algorithms.
  • the approximated feature extractions are stored as one or more models in a program memory.
  • the evaluation unit comprises an interface to a local user program and/or a cloud-based web service in which configurations and data can be managed and the intelligent evaluation algorithm can be trained for new situations and system-changing interventions, modifications and changes.
  • machine learning methods are used for the intelligent evaluation algorithm and an inference can be carried out in real time.
  • the evaluation algorithm continuously improves anomaly detection and/or an early wear prediction and/or an early prediction of possible component failures and/or a prediction of quality characteristics of the manufacturing process in which the intelligently monitored electric drives and/or mechanical motion axes are involved, through new training cycles with new training data locally or cloud-based.
  • the measured values are physical quantities that are measured by direct and/or indirect measuring devices, and that the measuring devices are arranged at different locations of the mechatronic system to be monitored.
  • the measured values to be recorded and evaluated are one or more of the following physical quantities and/or system quantities: temperature, electric current, electric voltage, electric field strength, inductance, electric power, torque, motor speed, mechanical stresses, force, mechanical energy, angular momentum, air pressure, air humidity, mechanical vibrations, mechanical strains, rotational position, translational position, angular velocity, angular acceleration, angular momentum, speed, acceleration, impulse, jerk, frequency, time and/or angular frequency.
  • the accuracy of the statement and estimation of the evaluation algorithms for anomaly detection and/or an early prediction of wear and/or the early prediction of possible component failures and/or the prediction of quality characteristics over the production process can be improved by application-related process information and/or by coded domain knowledge. process involving the intelligently monitored electrical drives and/or mechanical motion axes.
  • the application-related process information may include path radii, travel speeds, current load, energy consumption, battery charge status, service and maintenance calendars.
  • the feature extractions can be used for anomaly detection and/or for early wear prediction and/or for early prediction of possible component failures and/or for prediction of quality characteristics of the manufacturing process in which the intelligently monitored electrical drives and/or mechanical motion axes are involved, both in stationary machine operation and in dynamic machine operation. With conventional methods, only the stationary operating case could be monitored sufficiently well so far.
  • FIG. 7 shows a schematic representation of a system with an information processing device.
  • the information processing device is designated here by the reference number 200.
  • a system 100 here has at least one mechatronic system with an electric drive 110.
  • the electric drive can have mechanically coupled axes of movement.
  • One or more sensors on the electric drive provide one or more measured values 111.
  • system parameters 112 of the mechatronic system can be provided.
  • the measured values/system parameters 111, 112 are fed to an information processing device 200.
  • the information processing device 200 can be coupled to the mechatronic system via an interface 210.
  • the interface 210 can be wired and/or wireless, analog and/or digital.
  • the information processing device 200 can centrally have one or more evaluation units 220a, 220b, which execute one or more evaluation algorithms alone or jointly.
  • An evaluation unit 220a can be physically integrated into the information processing device 200.
  • an evaluation unit 220b can be implemented virtually on an external device 400, for example as a local or cloud-based application program.
  • the information processing device 200 can also have a program memory (among other things for storing feature extracts) and a control unit 230.
  • the control unit 230 can have at least one interface via which the information processing device 200 is coupled to the outside world.
  • the information processing device 200 can output control signals via the interface, for example.
  • the control signals can be analog or digital control signals, in particular binary control signals 300.
  • the control signals can be control values 301, 302, e.g. for predicting an anomaly or a wear prediction.
  • FIG. 8 schematically shows an architecture in which an information processing device 200 can be used.
  • a control logic contains an intelligent evaluation algorithm (Kl) which, on the basis of its feature extractions learned in a learning process, generates the best possible estimates of new input variables in an inference operation, which are referred to as output values.
  • Kl intelligent evaluation algorithm
  • These can be used to implement wear detection and/or the prediction of failures and/or the detection of impermissible operating states of one or more electric drives and the movement axes mechanically coupled to them.
  • Supervised, unsupervised or reinforcement learning methods can be used as learning methods. In a separate process, these learn to independently approximate the basic target function of the system from existing data. In order to be able to continuously improve a system, data must be recorded, archived and fed back into the inference process. This process must be carried out periodically.
  • FIG. 9 shows schematically a simplified flow diagram of a process briefly explained below.
  • the sensor data is read in. This can include reading in the data from connected sensors or reading from a sensor database (archived sensor data).
  • the sensor data is processed.
  • the respective parameter values can be normalized to values from 0 to 1. Incorrect data can also be filtered and removed in this step. If necessary and possible, the sensor data is also synthetically multiplied in this step.
  • the processed data are then fed into an intelligent evaluation algorithm.
  • the evaluation algorithm can be roughly divided into the following sub-processes: creating a CL model, training the CL model, deploying the CL model, archiving inference and sensor data.
  • the creation of the Kl model can include the selection of a suitable architecture (autoencoder, "normal” neural network, KNN, SVM, ...) and a suitable model (number of layers and parameters, ). Examples of a suitable architecture are shown in Figs. 10 and 11. The selection can be made in the time interval in which the archived sensor data is played back. [0126] When training the Kl model, the number of epochs and batch sizes can be specified, as well as the accuracy and loss at which the training should be considered complete. The training can take place in the time interval in which the archived sensor data is played back and/or a new Kl model is created.
  • Deployment refers to the transfer and loading of the code representing the AI model onto the information processing device. This can also take place in the time interval in which the archived sensor data is played back and/or a new AI model is created and/or trained.
  • the inference is then carried out on the information processing device using the processed sensor data. This can be done sequentially in the process with other tasks or in parallel to them in a separate task/thread.
  • the sensor data are then archived and the raw data from the input sensors are archived or logged locally or on servers. If archiving is done locally, the data can also be backed up on a higher-level system at a defined time interval, e.g. periodically on a weekly basis.
  • a variant/extension level represents an adapted system that continues to actively learn and adapts its behavior dynamically and independently. This leads to a constant improvement in the understanding of the system and thus to an improved output or instruction.
  • a further variant/expansion stage is an adapted system that, in addition to inference, also enables data processing and training in the device.
  • control function open control loop
  • inference is initially implemented on a fixed, previously determined database that is not updated during operation.
  • the variants mentioned are then to be understood as a type of control function, in which the database or the model adapts by updating the database and reinforcement learning.
  • the technology can be used in stationary single- or multi-axis coupled motion applications, e.g. for anomaly detection in the drive train (electrical, pneumatic, hydraulic, ...), classification of movement patterns and driving profiles, interpolation of downtimes of the individual or linked axes or KL-supported autotuning for controller parameterization.
  • the technology can be used advantageously in mobile, single- or multi-axis platforms, e.g. for anomaly detection in drive trains of all kinds (wheel, chain, running, flight, underwater drives, ...), a classification of driving profiles and movement patterns of all kinds, an interpolation of downtimes of drive trains of all kinds or an AI-supported autotuning for controller parameterization.
  • an edge device can take over the entire task chain (sensor data acquisition, processing, inference, action instructions) for individual machines or a network of several similar machines.
  • a concrete application example is the use of the disclosed technology in driverless transport vehicles (Automatic Guided Vehicles (AGV)) or autonomous mobile robots (AMR).
  • AGV Automatic Guided Vehicles
  • AMR autonomous mobile robots
  • anomaly detection in the drive train of mobile robotic platforms can be carried out with an information processing device and/or a method for anomaly detection in the drive train of mobile robotic platforms (AGV and AMR) via, directly and/or recorded as well as real and/or simulated and/or synthetic sensor data, as well as real and/or simulated and/or synthetic sensor data, by means of sensor data-based (power, motor currents, electrical voltage, vibrations, motor speeds, axis angle values, temperatures, deformation ations/deformations, air humidity, aerosol composition, LiDAR, radar etc. va) Kl algorithms, ie neural networks - deep learning (e.g. autoencoder) and/or machine learning (e.g.
  • sensor data-based power, motor currents, electrical voltage, vibrations, motor speeds, axis angle values, temperatures, deformation ations/deformations, air humidity, aerosol composition, LiDAR, radar etc. va
  • Kl algorithms ie neural networks - deep learning (e.g. autoencoder) and/or
  • AI-based analysis has the advantage in this context that much more complex (more parameters) and therefore more realistic models can be created.
  • the inference can be carried out on embedded hardware and thus very locally at the location where the data is created.
  • no transport of the data beyond the pure function is necessary.
  • the data remains where it is needed.
  • a higher level of data integrity can be guaranteed.
  • reliability can be increased because there is no communication with a central evaluation unit. Processing directly on the device, i.e. on the periphery, can also increase energy efficiency and speed up response.
  • the disclosed technology can be used to classify driving profiles and movement patterns of mobile robot platforms, e.g. by an information processing device and/or a method for classifying driving profiles and movement patterns of mobile robot platforms (AGV and AMR) by means of direct and/or recorded, as well as real and/or simulated and/or synthetic sensor data, by means of sensor data-based (power, motor currents, electrical voltage, vibrations, motor speeds, axis angle values, temperatures, strains/deformations, air humidity, aerosol composition, LiDAR, radar etc.) Kl algorithms, ie neural networks - deep learning (e.g. autoencoder) and/or machine learning (e.g.
  • KNN KNN, SVM (7), for the recognition Detection and reporting of the direction of travel (straight ahead and cornering, forwards and backwards), detection and reporting of orientation/alignment in space, monitoring of predefined driving profiles and movement patterns and/or detection and reporting of ascent and descent in space (drone).
  • the disclosed technology can be used for service life interpolation, e.g. by an information processing device and/or a method for interpolating drive train service lives in mobile robotic platforms (AGV and AMR) via direct and/or recorded, as well as real and/or simulated and/or synthetic sensor data, by means of sensor data-based (power, motor currents, electrical voltage, vibrations, motor speeds, axis angle values, temperatures, strains/deformations, air humidity, aerosol composition, LiDAR, radar, etc.) Kl algorithms, i.e. neural networks - deep learning (e.g. autoencoders) and/or machine learning (e.g. KNN, SVM ...), to calculate and report the remaining drive train service life up to a certain degree of wear.
  • sensor data-based power, motor currents, electrical voltage, vibrations, motor speeds, axis angle values, temperatures, strains/deformations, air humidity, aerosol composition, LiDAR, radar, etc.
  • Kl algorithms i.e. neural networks - deep
  • An application example is the use of the disclosed technology in moving, single or linked axes.
  • An example of this is an information processing device and/or a method for detecting anomalies in the drive train with moving axles by means of direct and/or recorded, as well as real and/or simulated and/or synthetic sensor data, by means of sensor data-based (power, motor currents, electrical voltage, vibrations, motor speeds, axle angle values, temperatures, strains/deformations, air humidity, aerosol composition, LiDAR, radar etc. h.
  • Another example is an information processing device and/or a method for classifying driving profiles and movement patterns of moving axes via direct and/or recorded, as well as real and/or simulated and/or synthetic sensor data using sensor data-based (power, motor currents, electrical voltage, vibrations, motor speeds, axle angle values, temperatures, strains/deformations, air humidity, aerosol composition, LiDAR, radar etc.) algorithms, i.e. neural networks - deep learning (e.g. autoencoder) and/or machine learning (e.g.
  • KNN, SVM Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost
  • Another example is an information processing device and/or a method for interpolating drive train service lives for moving axles via direct and/or recorded, as well as real and/or simulated and/or synthetic sensor data using sensor data-based (power, motor currents, electrical voltage, vibrations, motor speeds, axle angle values, temperatures, strains/deformations, air humidity, aerosol composition, LiDAR, radar, etc.) CL algorithms, i.e. neural networks - deep learning (e.g. autoencoders) and/or machine learning (e.g. KNN, SVM ...), for calculating and reporting the remaining drive train service life up to a certain degree of wear.
  • sensor data-based power, motor currents, electrical voltage, vibrations, motor speeds, axle angle values, temperatures, strains/deformations, air humidity, aerosol composition, LiDAR, radar, etc.
  • CL algorithms i.e. neural networks - deep learning (e.g. autoencoders) and/or machine learning (e.g. KNN, SVM ...), for
  • Another application example is the use of the disclosed technology in presses.
  • the anomaly detection on presses can be carried out by an information processing device and/or a method for anomaly detection on presses using direct and/or recorded as well as real and/or simulated and/or synthetic sensor data, using sensor data-based (power, motor currents, electrical voltage, vibrations, motor speeds, axis angle values, temperatures, strains/deformations, air humidity, aerosol composition, LiDAR, radar etc.) algorithms, i.e. neural networks - deep learning (e.g. autoencoders) and/or machine learning (e.g.
  • KNN, SVM Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost Boost
  • Another example is an information processing device and/or a method for classifying pressing processes by means of direct and/or recorded, as well as real and/or simulated and/or synthetic sensor data, by means of sensor data-based (power, motor currents, electrical voltage, vibrations, motor speeds, axis angle values, temperatures, strains/deformations, air humidity, aerosol composition, LiDAR, radar, etc.) Kl algorithms, i.e. neural networks - deep learning (e.g. autoencoder) and/or machine learning (e.g. KNN, SVM ...), for detecting and reporting different pressing tools, for detecting and reporting different pressed parts, for detecting and reporting different materials of the blank and/or for detecting and reporting different material thicknesses of the blank.
  • Kl algorithms i.e. neural networks - deep learning (e.g. autoencoder) and/or machine learning (e.g. KNN, SVM ...), for detecting and reporting different pressing tools, for detecting and reporting different pressed parts, for detecting and reporting
  • Another example is an information processing device and/or a method for interpolating tool life in presses using direct and/or recorded, as well as real and/or simulated and/or synthetic sensor data, using sensor data-based (power, motor currents, electrical voltage, vibrations, motor speeds, axis angle values, temperatures, strains/deformations, air humidity, aerosol composition, LiDAR, radar, etc.) Kl algorithms, i.e. neural networks - deep learning (e.g. autoencoder) and/or machine learning (e.g. KNN, SVM ...), for calculating and reporting the remaining tool life up to certain threshold values of the pressed part quality.
  • Kl algorithms i.e. neural networks - deep learning (e.g. autoencoder) and/or machine learning (e.g. KNN, SVM ...), for calculating and reporting the remaining tool life up to certain threshold values of the pressed part quality.
  • Another application example is the use of the disclosed technology in drones, in access control or in workspace monitoring.
  • drones in particular unmanned aerial vehicles (UAVs)
  • UAVs unmanned aerial vehicles
  • the aspects of anomaly detection, classification of movement profiles and interpolation of downtimes described in connection with the above application examples can be applied in the same way.
  • An example of the application of the described technology in the field of access control is an information processing device or method for classifying people for access authorization to systems using sensor data-based (aerosol sensor or similar) algorithms, i.e. neural networks - deep learning (e.g. autoencoder) and/or machine learning (e.g. KNN, SVM ...) for evaluating the individual aerosol print analogous to access control using a password, RFID or fingerprint.
  • sensor data-based i.e. neural networks - deep learning (e.g. autoencoder) and/or machine learning (e.g. KNN, SVM ...) for evaluating the individual aerosol print analogous to access control using a password, RFID or fingerprint.
  • the disclosed technology can be used, for example, as a device with an information processing system and an interface to one or more acoustic sensors and/or an interface to an external data source in order to detect (emergency) signals from people and process them in a computing module using an algorithm.
  • the computing module can control an output module that generates a shutdown signal that can be read out via one and/or more interfaces.
  • a device could also be integrated into existing control systems.
  • Additional module 60, 62, 64, 65 sensor (second sensor) input unit evaluation unit output unit input unit Kl system output unit , 80 electronic signal input output , 90 processing channel (first processing channel) , 92 processing channel (second processing channel) 0 mechatronic system 0 electric drive (with or without mechanically coupled motion axes)1 measured value(s) of a sensor 2 system parameters of the control (optional) 0 information processing device 0 interface (wired/wireless; analog/digital) 0a evaluation unit (physically integrated) 1 one or more evaluation algorithms 2 program memory (e.g. for storing feature extractions) 0 control unit 0 control signals (e.g. binary) 1 control value (prediction of an anomaly) 2 control value (wear prediction) 0 external device 0b evaluation unit (virtual on an external device)

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Safety Devices In Control Systems (AREA)

Abstract

System (10, 1, 2, 3) zur sicherheitsgerichteten Überwachung, insbesondere Abschaltung, einer technischen Anlage (12) mit einer Steuerung (14) und einer Verarbeitungseinheit (16). Die Steuerung (14) ist dazu eingerichtet, anhand einer sicherheitsrelevanten Eingangsgröße (18), die aus mindestens einem kontinuierlich erfassbaren ersten Messwert (20) herleitbar ist, bei Abweichung von einer erwarteten Eingangsgröße eine auf die sicherheitsrelevante Eingangsgröße bezogene sicherheitsgerichtete Reaktion auszulösen, die einen Übergang der technischen Anlage (12) in einen sicheren Zustand bewirkt. Die Verarbeitungseinheit (16) ist dazu eingerichtet, eine virtuelle Eingangsgröße (26) basierend auf kontinuierlich erfassbaren zweiten Messwerten (22), die nicht vollständig dem zumindest einen ersten Messwert (20) entsprechen, zu bestimmen und der Steuerung (14) bereitzustellen. Die Steuerung (14) löst die auf die sicherheitsrelevante Eingangsgröße (18) bezogene sicherheitsgerichtete Reaktion aus, wenn die virtuelle Eingangsgröße (26) von der erwarteten Eingangsgröße abweicht.

Description

System und Verfahren zur sicherheitsqerichteten Überwachung einer technischen Anlage
[0001] Die vorliegende Erfindung betrifft ein System und ein Verfahren zur sicherheitsgerichteten Überwachung, insbesondere Abschaltung, einer technischen Anlage sowie eine Verarbeitungseinheit zur Verwendung in einem solchem System.
[0002] Eine sicherheitsgerichtete Überwachung einer technischen Anlage bezeichnet vorliegend die Absicherung von Gefahrenbereichen an und um eine technische Anlage herum, insbesondere von Gefahrenbereichen einer Maschine oder Industrieanlage, durch eine hierfür vorgesehene Sensorik und Steuerung. Die Sensorik erfasst kontinuierlich den Zustand der technischen Anlage und/oder ihrer Umgebung und reicht diese Informationen an die Steuerung weiter. Die Steuerung wertet die bereitgestellten Informationen aus und überführt die technische Anlage bei Vorliegen einer Gefahr für Personen oder Sachwerte in einen sicheren Zustand. [0003] An die Sensorik und die Steuerung werden hinsichtlich Funktion, Verfügbarkeit und Eigenfehlersicherheit besondere Anforderungen gestellt, die in den meisten Ländern gesetzlich geregelt und normativ festgelegt sind. Als übergeordnete Normen sind in Europa beispielsweise die Normen zur Sicherheit von Maschinen zu nennen, insbesondere EN ISO 12100 (Allgemeine Gestaltungsleitsätze - Risikobeurteilung und Risikominderung), EN ISO 13849-1/-2 (Sicherheitsbezogene Teile von Steuerungen) sowie EN IEC 62061 (Funktionale Sicherheit sicherheitsrelevanter Steuerungssysteme).
[0004] Zur Absicherung von Gefahrbereichen können u.a. sichere Antriebssysteme eingesetzt werden. Diese dienen zur Ausführung einer Vielzahl von Sicherheitsfunktionen, um bei Eingriffen durch eine und/oder mehrere Bedienpersonen gefahrbringende Situationen zu verhindern. Dabei sind am elektrischen Antrieb angebaute Drehgeber und/oder integrierte Drehgeber elementarer Bestandteil zur sicheren Positions- und Geschwindigkeitsbestimmung. Normative Grundlage hierfür ist die DIN EN 61800-5-2, die die Anforderungen an die Funktionale Sicherheit von elektrischen Leistungsantriebssystemen mit einstellbarer Drehzahl beschreibt. Gängige Sicherheitsfunktionen, die in der Norm beschrieben sind, sind bspw. das sicher abgeschaltete Moment (STO), der sichere Stopp 1 (SS1), der sicherer Betriebshalt (SOS), der sicherer Stopp 2 (SS2), die sicher begrenzte Geschwindigkeit (SLS), oder die sichere Bewegungsrichtung (SDI).
[0005] Eine Signalkette zur Ausführung von Sicherheitsfunktionen beinhaltet allgemein die sichere Erfassung von Systemgrößen durch Sensoren, deren sichere Verarbeitung und Auswertung durch eine Steuerung sowie die sichere Ansteuerung von Aktoren basierend auf der Verarbeitung und Auswertung.
[0006] Bei elektrischen Antrieben können Drehgeber in das elektrische Antriebssystem bereits intern eingebaut oder extern angebracht sein, um die Winkelposition, die Winkelgeschwindigkeit und die Winkelbeschleunigung eines Rotors sicher zu erfassen. Je nach erforderlichen Risikominderungsmaßnahmen, können die sicheren Drehgeber eine einkanalige oder zweikanalig redundante Sicherheitsarchitektur bis hin zu einer redundanten diversitären Sicherheitsarchitektur aus zwei physischen Drehgebern aufweisen. Drehgeber dieser Art sowie andere sicherheitsgerichtete Sensoren sind komplexe Syste- me und ein entscheidender Kostenfaktor bei der Realisierung und Implementierung einer sicherheitsgerichteten Überwachung einer technischen Anlage.
[0007] Ferner ist es bekannt, dass eine Schätzung der Rotorgeschwindigkeit und/oder Rotordrehzahl als eine relevante Systemgröße möglich ist. Ebenfalls können physikalische Modelle durch mathematische Differentialgleichungen abstrahiert werden, um relevante Systemgrößen durch implizite Systemgrößen zu approximieren. Grundsätzlich sind auch erste Ansätze bekannt, künstlich neuronale Netze (KNN) für die Approximation wichtiger, elektrischer und mechanischer Parameter in mechatronischen Systemen zu verwenden. In der Sicherheitstechnik wurden diese Ansätze jedoch bisher noch nicht berücksichtigt.
[0008] Vor diesem Hintergrund ist es eine Aufgabe, ein System und Verfahren zur sicherheitsgerichteten Überwachung einer technischen Anlage zu spezifizieren, das kostengünstig und effektiv realisierbar ist und gleichzeitig eine normgerechte und fehlersichere Überwachung gewährleistet.
[0009] Gemäß einem Aspekt der vorliegenden Offenlegung wird diese Aufgabe gelöst durch ein System zur sicherheitsgerichteten Überwachung, insbesondere Abschaltung, einer technischen Anlage, aufweisend: eine Steuerung, die dazu eingerichtet ist, anhand einer sicherheitsrelevanten Eingangsgröße, die aus mindestens einem kontinuierlich erfassbaren ersten Messwert herleitbar ist, bei Abweichung von einer erwarteten Eingangsgröße eine auf die sicherheitsrelevante Eingangsgröße bezogene sicherheitsgerichtete Reaktion auszulösen, die einen Übergang der technischen Anlage in einen sicheren Zustand bewirkt, und eine Verarbeitungseinheit, die dazu eingerichtet ist, eine virtuelle Eingangsgröße basierend auf kontinuierlich erfassbaren zweiten Messwerten, die nicht vollständig dem zumindest einen ersten Messwert entsprechen, zu bestimmen und der Steuerung bereitzustellen, wobei die Steuerung dazu eingerichtet ist, die auf die sicherheitsrelevante Eingangsgröße bezogene sicherheitsgerichtete Reaktion auszulösen, wenn die virtuelle Eingangsgröße von der erwarteten Eingangsgröße abweicht. [0010] Gemäß einem weiteren Aspekt der vorliegenden Offenlegung wird diese Aufgabe gelöst durch eine Verarbeitungseinheit zur Verwendung in einem System zur sicherheitsgerichteten Überwachung, insbesondere Abschaltung, einer technischen Anlage, in dem eine Steuerung anhand einer sicherheitsrelevanten Eingangsgröße, die aus mindestens einem kontinuierlich erfassbaren ersten Messwert herleitbar ist, bei Abweichung von einer erwarteten Eingangsgröße eine auf die sicherheitsrelevante Eingangsgröße bezogene sicherheitsgerichtete Reaktion auslöst, die einen Übergang der technischen Anlage in einen sicheren Zustand bewirkt, wobei die Verarbeitungseinheit dazu eingerichtet ist, eine virtuelle Eingangsgröße basierend auf kontinuierlich erfassbaren zweiten Messwerten, die nicht vollständig dem zumindest einen ersten Messwert entsprechen, zu bestimmen und der Steuerung bereitzustellen, die die auf die sicherheitsrelevante Eingangsgröße bezogene sicherheitsgerichtete Reaktion auslöst, wenn die virtuelle Eingangsgröße von der erwarteten Eingangsgröße abweicht.
[0011] Gemäß einem weiteren Aspekt der vorliegenden Offenlegung wird diese Aufgabe gelöst durch ein Verfahren zur sicherheitsgerichteten Überwachung, insbesondere Abschaltung, einer technischen Anlage, aufweisend: Auslösen einer auf eine sicherheitsrelevante Eingangsgröße bezogenen sicherheitsgerichteten Reaktion durch eine Steuerung, wobei die sicherheitsgerichtete Reaktion einen Übergang der technischen Anlage in einen sicheren Zustand bei Abweichung von einer erwarteten Eingangsgröße bewirkt und die sicherheitsrelevante Eingangsgröße aus mindestens einem kontinuierlich erfassbaren ersten Messwert herleitbar ist; Bestimmen einer virtuellen Eingangsgröße basierend auf kontinuierlich erfassbaren zweiten Messwerten, die nicht vollständig dem zumindest einen ersten Messwert entsprechen; und Bereitstellen der virtuellen Eingangsgröße für die Steuerung, wobei die Steuerung die auf die sicherheitsrelevante Eingangsgröße bezogene sicherheitsgerichtete Reaktion auslöst, wenn die virtuelle Eingangsgröße von der erwarteten Eingangsgröße abweicht.
[0012] Es ist somit eine Idee der vorliegenden Erfindung, einen virtuellen Sensor alternativ oder ergänzend einzusetzen, um eine sicherheitsgerichtete Überwachung einer technischen Anlage zu realisieren und dabei Kosten für teure, komplexe und mechanisch und/oder elektrisch anfällige Sensoren (Primärsensoren) einzusparen. Die Lösung basiert darauf, einen üblichen Sensor, der zur sicheren Bereitstellung einer sicherheitsrelevanten Ein- gangsgröße vorgesehen ist, durch eine alternative Einrichtung zu ersetzen, welche die sicherheitsrelevante Eingangsgröße lediglich emuliert. Die sicherheitsrelevante Eingangsgröße ist eine Systemgröße, welche maßgeblich das Auslösen einer sicherheitsgerichteten Reaktion durch eine Steuerung beeinflusst.
[0013] Im Gegensatz zu einem Primärsensor, der eine sicherheitsrelevante Eingangsgröße basierend auf einer direkten Messung eines für die sicherheitsrelevante Eingangsgröße relevanten Messwerts (erster Messwert) bereitstellt, ist die alternative Einrichtung dazu eingerichtet, eine virtuelle Eingangsgröße als die sicherheitsrelevante Eingangsgröße aufgrund anderer Messwerte (zweite Messwerte) zu bestimmen, die nur indirekt mit der sicherheitsrelevanten Eingangsgröße Zusammenhängen. Die zweiten Messwerte können bspw. Strom, Temperatur und/oder Vibration darstellen und von der alternativen Einrichtung über Sekundärsensoren erfasst werden. Die Sekundärsensoren können einfacher und kostengünstiger als Primärsensoren ausgebildet sein und sind in vielen technischen Anlagen systembedingt vorhanden oder lassen sich kostengünstig nachrüsten.
[0014] Die alternative Einrichtung erzeugt eine virtuelle Eingangsgröße als Äquivalent für die sicherheitsrelevante Eingangsgröße durch die kontinuierliche Aufnahme vieler, verschiedener zweiter Messwerte. Zu diesem Zweck setzt die alternative Einrichtung die zweiten Messwerte in eine Beziehung zueinander und gewichtet sie, um eine repräsentative sicherheitsrelevante Eingangsgröße zu emulieren, die letztlich anstelle von oder ergänzend zu der sicherheitsrelevanten Eingangsgröße eines Primärsensors zur Beurteilung der Gefährdungssituation und als Trigger für die sicherheitsgerichtete Reaktion herangezogen wird.
[0015] Auf diese Weise kann die Anzahl an komplexen Primärsensoren, die für die Realisierung einer sicherheitsgerichteten Überwachung benötigt werden, vorteilhaft reduziert werden, bis hin zu einem System, das ausschließlich auf Sekundärsensoren zurückgreift, um ein zu erreichendes Sicherheitsniveau über die alternative Einrichtung zu gewährleisten.
[0016] Die eingangsgenannte Aufgabe ist damit vollständig gelöst. [0017] In einer bevorzugten Ausgestaltung kann das System ferner einen Sensor aufweisen, der dazu eingerichtet ist, den zumindest einen ersten Messwert aufzunehmen, die sicherheitsrelevante Eingangsgröße aus dem zumindest einen ersten Messwert zu erzeugen und die sicherheitsrelevante Eingangsgröße der Steuerung bereitzustellen.
[0018] Gemäß dieser Ausgestaltung weist das System somit einen Primärsensor, d.h. einen üblichen, realen Sensor auf, der die sicherheitsrelevante Eingangsgröße in bekannter Weise bereitstellen kann, indem er kontinuierlich erste Messwerte auswertet. Mit Hilfe des Sensors kann eine redundante Sicherheitsarchitektur realisiert werden, bei der ein erster Kanal durch den Sensor und ein zweiter, virtueller Kanal durch die Verarbeitungseinheit realisiert wird. Damit kann auf einfache und kostengünstige Weise eine sicherheitsgerichtete Überwachung auch für Systeme realisiert werden, die normativ eine zweikanalige Sicherheitsarchitektur erfordern, ohne jedoch zwangsläufig zwei physikalische Sensoren einsetzen zu müssen.
[0019] In einer weiteren Ausgestaltung kann die Verarbeitungseinheit eine Inferenzmaschine aufweisen, die dazu eingerichtet ist, die virtuelle Eingangsgröße aus den zweiten Messwerten und einer hinterlegten Wissensbasis zu erzeugen.
[0020] Als Inferenzmaschine wird hier allgemein eine Datenverarbeitungseinrichtung bezeichnet, die aus vorhandenem Wissen und vorliegenden Eingangsdaten (zweite Messwerte) eine Schlussfolgerung zieht, die hier der virtuellen Eingangsgröße entspricht. Die Wissensbasis kann z. B. ein statisches oder dynamisches Regelwerk, ein Systemmodell oder ein trainiertes künstliches neuronales Netz (KNN) sein. Die Verarbeitungseinheit kann aus den zweiten Messwerten und der Wissensbasis z. B. als Regelinterpreter Schlussfolgerungen ziehen, um die virtuelle Eingangsgröße zu bestimmen und die sicherheitsrelevante Eingangsgröße zu approximieren. Im Falle eines trainierten künstlichen neuronalen Netzes kann die Verarbeitungseinheit die zweiten Messwerte als Eingangsparameter für das trainierte künstliche neuronale Netz verwenden, das als Ausgang die virtuelle Eingangsgröße zurückliefert. Alternativ oder ergänzend ist z. B. auch die Verwendung von Kalman-Filtern zur Schätzung der virtuellen Eingangsgröße aus den vorliegenden zweiten Messwerten denkbar. [0021] In einer weiteren Ausgestaltung kann die Verarbeitungseinheit eingerichtet sein, die Wissensbasis durch maschinelles Lernen, insbesondere durch überwachtes Lernen und/oder verstärkendes Lernen, zu generieren
[0022] Gemäß dieser Ausgestaltung kann die Verarbeitungseinheit beispielsweise ein System künstlicher Intelligenz (Kl-System) umfassen, das die Wissensbasis durch maschinelles Lernen erzeugt und/oder erweitert. Das maschinelle Lernen kann überwachtes Lernen, d. h. das Lernen einer Funktion aus gegebenen Paaren von Eingangs- und Ausgangswerten, und/oder bestärkendes Lernen umfassen, bei dem bestärkende Lernalgorithmen unabhängig von einem exakten mathematischen Modell Zusammenhänge aus Daten extrahieren, indem ein Agent selbständig eine Strategie durch Interaktion mit seiner Umwelt erlernt, um die erhaltene Belohnung zu maximieren. Darüber hinaus kann das Kl- System auch künstliche neuronale Netze (KNN) mit zahlreichen Zwischenschichten zwischen der Eingangsschicht und der Ausgangsschicht verwenden, um so eine umfangreiche innere Struktur zu bilden, die eine Verbindung zwischen den Eingangsdaten (zweite Messwerte) und den Ausgangsdaten (virtuelle Eingangsgröße für die Regelung) herstellt (sogenanntes Deep Learning oder mehrschichtiges Lernen). In diesem Zusammenhang ist es auch denkbar, dass Systemzusammenhänge aufgedeckt werden, die Hinweise darauf geben, welche zusätzlichen Parameter ggf. als weitere zweite Messwerte erfasst werden sollten, um die Genauigkeit der virtuellen Eingangsgröße zu verbessern, oder welche und wie viele zweite Messwerte erforderlich sind, damit die gegebene virtuelle Eingangsgröße eine ausreichende Aussagekraft besitzt.
[0023] Insbesondere kann die Verarbeitungseinheit eingerichtet sein, das maschinelle Lernen anhand der zweiten Messwerte und einer Ausgabe des Sensors durchzuführen.
[0024] Gemäß dieser Ausgestaltung kann die Verarbeitungseinheit durch Beobachtung des Sensors und seines Ausgangs einen Zusammenhang zwischen den zweiten Messwerten und der sicherheitsrelevanten Eingangsgröße erlernen. Der Sensor kann für unterschiedliche Eingangszustände den korrekten Ausgangswert für die sicherheitsrelevante Eingangsgröße vorgeben, den die Verarbeitungseinheit mit den erfassten zweiten Messwerten für die gegebene Eingangssituation in Beziehung setzt. Auf diese Weise kann die Verarbeitungseinheit im Sinne eines überwachten Lernens eine Wissensbasis aufbauen. Die Ausgestaltung ist insbesondere dann vorteilhaft, wenn in einer redundanten Sicherheitsstruktur ein Primärsensor lediglich durch die Verarbeitungseinheit als zweiten Kanal ergänzt werden soll.
[0025] Ferner kann die Verarbeitungseinheit eingerichtet sein, das maschinelle Lernen vor einer Verwendung der virtuellen Eingangsgröße durch die Steuerung auszuführen.
[0026] Die Verarbeitungseinheit kann somit die Systemzusammenhänge in einer Testphase erlernen, um sie dann im Betrieb anzuwenden. Denkbar ist auch, dass eine Testphase häufiger durchgeführt wird, um die Wissensbasis über die Zeit hinweg stetig zu erweitern. Grundsätzlich ist es auch möglich, den Lernvorgang auch während des Betriebs fortzusetzen.
[0027] Denkbar ist es auch, das maschinelle Lernen vor einer Inbetriebnahme auf generisch erzeugten Daten durch Simulationen durchzuführen, um eine Wissensbasis die den Zusammenhang zwischen den zweiten Messwerten und der sicherheitsrelevanten Systemgröße abzubilden und/oder das Einlernen der Systemzusammenhänge in einer Testphase zu verkürzen.
[0028] Zudem kann die Verarbeitungseinheit eine Schnittstelle aufweisen, um die Wissensbasis kontinuierlich zu erweitern.
[0029] Gemäß dieser Ausgestaltung kann die Wissensbasis somit auch extern bereitgestellt, erweitert und/oder aktualisiert werden. Beispielsweise können über die Schnittstelle manuell oder automatisiert Updates eingespielt werden, die auf manuell erfassten oder automatisiert erkannten neuen Systemzusammenhängen beruhen. Denkbar ist auch, dass die Verarbeitungseinheit mit anderen Verarbeitungseinheiten in einem Netzwerk oder über einen Cloud-Dienst verbunden ist, um mit diesen Wissen auszutauschen. Die Wissensgenerierung kann somit vorteilhaft auch in einem Kollektiv erfolgen.
[0030] In einer weiteren Ausgestaltung kann die sicherheitsrelevante Eingangsgröße Ergebnis einer direkten Signalverarbeitung des einen ersten Messwerts oder das Ergebnis einer direkten Signalverarbeitung der mehreren ersten Messwerte sein, wobei die virtuelle Eingangsgröße zumindest teilweise Ergebnis einer indirekten Signalverarbeitung der zweiten Messwerte ist, insbesondere einer Approximation und/oder Schätzung.
[0031] Die virtuelle Eingangsgröße kann somit insbesondere auf impliziten Systemgrößen beruhen, die nicht in direktem Zusammenhang mit der sicherheitsrelevanten Eingangsgröße stehen. Mit anderen Worten: Die virtuelle Eingangsgröße kann nicht allein durch Umformung von Messwerten gewonnen werden, sondern nur durch Schlussfolgerungen, die auf weiteren bekannten oder unbekannten Systemzusammenhängen beruhen. Implizite Messwerte lassen sich jedoch vorteilhafterweise einfacher und kostengünstiger erfassen als explizite Systemgrößen, die in direktem Zusammenhang mit der sicherheitsrelevanten Eingangsgröße stehen.
[0032] In einer weiteren Ausgestaltung kann die Steuerung dazu eingerichtet sein, die sicherheitsrelevante Eingangsgröße eines Sensors mit der virtuellen Eingangsgröße zu vergleichen und die sicherheitsgerichtete Reaktion auszulösen, wenn die sicherheitsrelevante Eingangsgröße und die virtuelle Eingangsgröße in einer vordefinierten Größenordnung voneinander abweichen
[0033] Gemäß dieser Ausgestaltung können somit vorteilhaft ein realer und ein virtueller Kanal als redundante Verarbeitungskanäle eingesetzt werden.
[0034] In einer weiteren Ausgestaltung können die sicherheitsrelevante Eingangsgröße und die virtuelle Eingangsgröße in ihrer Art eine präsentative Systemgröße der technischen Anlage darzustellen, insbesondere in ihrer Einheit und/oder in ihrem Umfang, identisch sein.
[0035] Die virtuelle Eingangsgröße und die sicherheitsrelevante Eingangsgröße können also vom Typ her identisch sein, so dass für die Steuerung nicht erkennbar ist, ob sie eine virtuelle Eingangsgröße oder eine sicherheitsrelevante Eingangsgröße verarbeitet. Mit anderen Worten: Die Steuerung kann die virtuelle Eingangsgröße genauso einlesen, verarbeiten und auswerten wie die sicherheitsrelevante Eingangsgröße, die sie von einem Pri- märsensor erhält. Ein vorhandener Sensor kann folglich vorteilhaft ausgetauscht werden, ohne dass eine Anpassung der Steuerung erforderlich ist.
[0036] In einer weiteren Ausgestaltung können die zweiten Messwerte zumindest teilweise für die Steuerung der technischen Anlage inhärente Messwerte sein.
[0037] Für die Steuerung inhärente Messwerte sind Messwerte, die für die Steuerung der technischen Anlage relevant sind und erfasst werden, um die technische Anlage entsprechend ihrer Funktion steuern zu können. Die inhärenten Messwerte werden in der Regel von einfachen Sensoren, auch Standardsensoren genannt, erfasst und einer Standardsteuerung, z. B. einer speicherprogrammierbaren Steuerung SPS, zugeführt, die mit diesen Werten als Eingang bestimmte Steuersignale als Ausgang ausgibt. Messwerte von Standardsensoren können in der Regel nicht oder nur ergänzend zur Realisierung einer Sicherheitsfunktion verwendet werden, da die Standardsensoren, die die Messwerte liefern, nicht die notwendige Eigenfehlersicherheit aufweisen, um eine fehlersichere Erfassung und Weitergabe zu gewährleisten. Dies ist in der Regel nur mit Sensoren möglich, die über entsprechende sicherheitsgerichtete Einrichtungen verfügen. Bei einem System gemäß der bevorzugten Ausführungsform ist es nun möglich, die Messwerte der Standardsensoren zur Realisierung einer Sicherheitsfunktion zu verwenden, wenn durch die Verarbeitung z. B. mittels eines Kl-Systems eine ausreichende Qualität gewährleistet werden kann. Denkbar ist hier, dass das Kl-System selbst eine Aussage über die Güte der bereitgestellten virtuellen Eingangsgrößen trifft und in Abhängigkeit davon die virtuelle Eingangsgröße bereitstellt. Kommt das Kl-System beispielsweise zu dem Schluss, dass die Güte nicht ausreichend ist, kann es eine entsprechende virtuelle Eingangsgröße oder keine Eingangsgröße bereitstellen, woraufhin die Steuerung die sicherheitsgerichtete Reaktion auslöst.
[0038] Die Steuerung kann insbesondere eine Sicherheitssteuerung sein, die einen mehrkanaligen redundanten Aufbau aufweist, um eine fehlersichere Ausführung der Sicherheitsfunktion zu gewährleisten. Der mehrkanalige, redundante Aufbau kann insbesondere zwei oder mehrere Verarbeitungskanäle vorsehen, die getrennt und unabhängig voneinander einen Eingang verarbeiten und einen Ausgang bereitstellen. Darüber hinaus können die Kanäle so eingerichtet sein, dass sie sich gegenseitig überwachen und bei abweichender Verarbeitung jeweils die sicherheitsgerichtete Reaktion auslösen. Entsprechende sichere Steuerungsverfahren sind dem Fachmann bekannt, insbesondere solche, bei denen eine Steuerung den Betrieb einer technischen Anlage nur dann zulässt, wenn geeignete Eingangssignale (sicherheitsrelevante Eingangsgrößen) anliegen und einen sicheren Zustand signalisieren.
[0039] Es versteht sich, dass die voranstehend genannten und die nachstehend noch zu erläuternden Merkmale nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen.
[0040] Ausführungsbeispiele der Erfindung sind in der Zeichnung dargestellt und werden in der nachfolgenden Beschreibung näher erläutert.
Fig. 1 zeigt eine schematische Ansicht eines Systems gemäß einem ersten Ausführungsbeispiel der vorliegenden Offenlegung.
Fig.2 zeigt eine schematische Ansicht eines Anwendungsszenarios für ein System gemäß einem Ausführungsbeispiel der vorliegenden Offenlegung.
Fig. 3 zeigt eine Detailansicht des Systems gemäß dem ersten Ausführungsbeispiel der vorliegenden Offenlegung.
Fig. 4 zeigt eine schematische Ansicht eines Systems gemäß einem zweiten Ausführungsbeispiel mit einer einkanaligen Sicherheitsstruktur.
Fig. 5 zeigt eine schematische Ansicht eines Systems gemäß einem dritten Ausführungsbeispiel mit einer zweikanaligen Sicherheitsstruktur.
Fig. 6 zeigt eine schematische Ansicht eines Systems gemäß einem vierten Ausführungsbeispiel mit einer zweikanaligen Sicherheitsstruktur. Fig. 7 zeigt in einer schematischen Darstellung ein System mit einer Informationsverarbeitungseinrichtung gemäß einem weiteren Aspekt der vorliegenden Offenbarung.
Fig. 8 zeigt in einer schematischen Darstellung eine Architektur zur Verwendung der Informationsverarbeitungseinrichtung gemäß Fig. 7.
Fig. 9 zeigt in einer schematischen Darstellung ein vereinfachtes Ablaufdiagramm.
Fig. 10 zeigt in einer schematischen Darstellung ein Beispiel für ein neuronales Netz (Autoencoder).
Fig. 11 zeigt in einer schematischen Darstellung ein Beispiel für ein weiteres neuronales Netz.
[0041] Fig. 1 zeigt in einer schematischen Ansicht ein System gemäß einem ersten Ausführungsbeispiel der vorliegenden Offenbarung. Das System 10 dient zur sicherheitsgerichteten Überwachung, insbesondere Abschaltung, einer technischen Anlage 12.
[0042] Bei der technischen Anlage 12 kann es sich insbesondere um einen Roboter oder eine Maschine im industriellen Umfeld handeln, von der eine Gefahr für Personen und/oder Gegenstände in ihrer Umgebung ausgehen kann. Um eine Verletzung von Personen oder Objekten aufgrund dieser Gefahren zu vermeiden oder zu minimieren, erfolgt eine sicherheitsgerichtete Überwachung der technischen Anlage 12. Dabei werden Teile der technischen Anlage 12 und/oder deren Umgebung durch eine geeignete Sensorik überwacht und auf Basis der Überwachung im Bedarfsfall eine sicherheitsgerichtete Reaktion, insbesondere eine Abschaltung der technischen Anlage 12, ausgelöst. Die Erfassung sicherheitsrelevanter Ereignisse, deren Auswertung sowie die anschließende Auslösung einer sicherheitsgerichteten Reaktion werden nachfolgend zusammenfassend als Sicherheitsfunktion bezeichnet. Das System 10 stellt eine technische Realisierung einer solchen Sicherheitsfunktion dar. [0043] Das System 10 weist eine Steuerung 14 und mindestens eine Verarbeitungseinheit 16 auf. Die Steuerung 14 ist dazu eingerichtet, abhängig von einer sicherheitsrelevanten Eingangsgröße 18 eine sicherheitsgerichtete Reaktion auszulösen. Die sicherheitsrelevante Eingangsgröße 18 ist ein Signal, das einen sicherheitsrelevanten Zustand oder ein sicherheitsrelevantes Ereignis in oder an der technischen Anlage 12 repräsentiert.
[0044] Die sicherheitsrelevante Eingangsgröße 18 kann eine Systemgröße sein, die einen Zustand von Teilen der technischen Anlage 12 oder deren Umgebung repräsentiert. Die Steuerung 14 wertet die sicherheitsrelevante Eingangsgröße 18 aus und löst in Abhängigkeit davon die sicherheitsgerichtete Reaktion aus. D.h. die Steuerung kann die sicherheitsgerichtete Reaktion auslösen, wenn die sicherheitsrelevante Eingangsgröße 18 entweder nicht vorhanden ist oder nicht einer definierten Erwartung entspricht. Die sicherheitsgerichtete Reaktion kann insbesondere darin bestehen, Teile der technischen Anlage 12 abzuschalten oder die technische Anlage 12 in einen sicheren Zustand zu überführen. Ebenso kann die Steuerung eingerichtet sein, ein Anlaufen der technischen Anlage 12 zu verhindern, wenn die sicherheitsrelevante Eingangsgröße nicht der definierten Erwartungshaltung entspricht.
[0045] Die Steuerung 16 kann insbesondere eine fehlersichere Steuerung (FS-Steuerung) sein, die gegenüber einer normalen Steuerung (Standardsteuerung) über besondere sicherheitsgerichtete Einrichtungen verfügt, um eine fehlersichere Ausführung der Sicherheitsfunktion zu gewährleisten. Durch die besonderen sicherheitsgerichteten Einrichtungen kann die fehlersichere Steuerung gewährleisten, dass bei Eintreten eines sicherheitsrelevanten Ereignisses die sicherheitsgerichtete Reaktion ausgelöst wird. Die FS-Steuerung kann insbesondere die technische Einrichtung 12 fehlersicher abschalten oder deren Anlauf fehlersicher verhindern, insbesondere durch einen mehrkanaligen, redundanten Aufbau der internen Signalverarbeitung.
[0046] Die sicherheitstechnische Eingangsgröße 18 wird aus physikalischen Messwerten 20 ermittelt. Die Messwerte 20 können sich auf chemische, physikalische oder biologische Effekte in oder um die technische Anlage 12 beziehen. Üblicherweise werden eine oder mehrere Messwerte 20 durch einen dedizierten Messwertaufnehmer bereitgestellt. Die sicherheitsrelevante Eingangsgröße 18 kann durch einen (realen) Sensor 24 ermittelt werden, der dazu unmittelbar auf einen oder mehrere Messwerte 20 (erste Messwerte) zurückgreift. Die ersten Messwerte 20 sind unmittelbar repräsentativ für die sicherheitsrelevante Eingangsgröße 18, d.h. die ersten Messwerte 20 können durch Aufbereitung, Skalierung und/oder Normalisierung unmittelbar in die sicherheitsrelevante Eingangsgröße 18 überführt werden. Die ersten Messwerte 20 sind somit explizite Messwerte, aus denen direkt auf die sicherheitsrelevante Eingangsgröße 18 geschlossen werden kann.
[0047] Die Verarbeitungseinheit 16 ist dazu eingerichtet, eine virtuelle Eingangsgröße 26 zu ermitteln und an die Steuerung 14 zu übergeben. Die virtuelle Eingangsgröße 26 kann in Art und Umfang äquivalent zu der sicherheitsrelevanten Eingangsgröße 18 sein, jedoch auf anderen Messwerten 22 (zweiten Messwerten) beruhen. Die zweiten Messwerte 22 entsprechen Messwerten, die im Gegensatz zu den ersten Messwerten 20 nicht unmittelbar durch Aufbereitung, Skalierung und/oder Normalisierung in die sicherheitsrelevante Eingangsgröße 18 überführt werden können. Die zweiten Messwerte 22 können daher auch als implizite Messwerte und die ersten Messwerte 20 demgegenüber auch als explizite Messwerte bezeichnet werden.
[0048] Die Verarbeitungseinheit 16 weist zumindest eine Einrichtung 28 auf, die in der Lage ist, die virtuelle Eingangsgröße 26 aus einer Vielzahl von impliziten zweiten Messwerten abzuleiten. Bei der Einrichtung 28 kann es sich vorzugsweise um ein System künstlicher Intelligenz (im Folgenden kurz als Kl-System bezeichnet) handeln, welches auf Basis der zweiten Messwerte sowie hinterlegtem Wissen 30 die virtuelle Eingangsgröße 26 bereitstellt, welche die sicherheitsrelevante Eingangsgröße 18 approximiert. Die Verarbeitungseinheit 16 ist somit dazu eingerichtet, aus kontinuierlich erfassten zweiten Messwerten 22 kontinuierlich eine virtuelle Eingangsgröße 26 als approximierte sicherheitsrelevante Eingangsgröße bereitzustellen. Die virtuelle Eingangsgröße 26 kann dann von der Steuerung 14 entsprechend den gesetzlichen und normativen Anforderungen weiterverarbeitet werden.
[0049] Das Kl-System kann beispielsweise auf ein trainiertes künstliches neuronales Netz (KNN) als „Wissen“ 30 zurückgreifen, dem die zweiten Messwerte 22 als Eingangsparameter übergeben werden und dessen Ausgabe der virtuellen Eingangsgröße 26 entspricht. Das Training des künstlichen neuronalen Netzes kann beispielsweise vorab anhand des realen Sensors 24 erfolgen, wie nachfolgend noch näher erläutert wird. Alternativ kann das trainierte künstliche neuronale Netz auch aus einer anderen Anwendung der technischen Anlage 12 übernommen werden. Darüber hinaus kann das künstliche neuronale Netz auch kontinuierlich weiter trainiert werden, wenn der reale Sensor 24 auch in einem Produktivsystem vorhanden ist. Dies kann insbesondere dann der Fall sein, wenn das Produktivsystem eine zweikanalige Sicherheitsarchitektur aufweist, bei der ein erster Kanal durch den realen Sensor 24 und ein zweiter Kanal durch die Verarbeitungseinheit 16 realisiert wird.
[0050] Es versteht sich, dass die Einrichtung 28 alternativ oder ergänzend auch durch einen Schätzer, beispielsweise in Form eines Kalman-Filters, realisiert werden kann, der auf Basis eines Systemmodells und der zweiten Messwerte 22 die sicherheitsrelevante Eingangsgröße 18 schätzt. Im Vergleich zu einem Kl-System kann dies jedoch zu Genauigkeitseinbußen führen, da das Kl-System insbesondere bei geringem explizitem (systematischem) Wissen besser in der Lage ist, komplexe physikalische Abhängigkeiten zu erkennen und zu berücksichtigen.
[0051] Durch bestärkendes und/oder überwachtes Lernen des Kl-Systems können komplexe physikalische Zusammenhänge vorteilhaft automatisch approximiert werden. Im Vergleich zu klassischen Methoden, die auf Beobachtern und Schätzern basieren, müssen keine aufwändig zu bestimmenden Parameter manuell ermittelt und durch iterative Entwicklungsschleifen im Systemverhalten optimiert werden. Grundsätzlich ist es für ein Kl- System ausreichend, das Systemverhalten eines technischen Systems nur soweit zu verstehen, wie es für die Identifikation geeigneter System para meter notwendig ist, die als implizite Messwerte erfasst werden können.
[0052] Die von der Verarbeitungseinheit 16 bereitgestellte virtuelle Eingangsgröße 26 kann von der Steuerung 14 entsprechend den gesetzlichen und normativen Anforderungen weiterverarbeitet werden, so dass auf die Verwendung eines realen Sensors 24 verzichtet werden kann. Je nach Anwendungsfall kann die Verarbeitungseinheit 16 jedoch auch ergänzend zu einem realen Sensor 24 eingesetzt werden, so dass beispielsweise in einem System mit einer zweikanaligen Sicherheitsarchitektur ein Kanal durch den realen Sensor 24 realisiert wird, während im zweiten Kanal der reale Sensor 24 eingespart werden kann. Hierdurch können die Kosten für die sicherheitsgerichtete Überwachung einer technischen Anlage 12 vorteilhaft reduziert werden.
[0053] Darüber hinaus ermöglicht ein virtueller Kanal auch die Aufwertung von Standardsensoren für sicherheitskritische Anwendungen durch Plausibilitätsprüfungen oder Tests.
[0054] Die Verarbeitungseinheit 16 kann auf einer Datenverarbeitungsvorrichtung basieren, die Standardrecheneinheiten (CPUs) oder für den Anwendungsfall angepasste Recheneinheiten (GPU, ASIC etc.) aufweist. Es ist auch denkbar, dass die Datenverarbeitung der Verarbeitungseinheit 16 an einen externen Dienst, beispielsweise eine Cloud-Anwendung, ausgelagert ist. Ebenso kann das Wissen 30 in einem Speicher der Verarbeitungseinheit 16 gespeichert sein oder über eine Schnittstelle zu einem Datenspeicher der Verarbeitungseinheit 16 zur Verfügung gestellt werden.
[0055] Nachfolgend wird unter Bezugnahme auf Fig. 2 ein Anwendungsszenario für ein System gemäß einem Ausführungsbeispiel dieser Offenbarung dargestellt. Dabei werden gleiche Bezugszeichen für gleiche Teile verwendet, die mit denen des Ausführungsbeispiels gemäß Fig. 1 identisch sind.
[0056] Fig. 2 zeigt beispielhaft als technische Anlage 12 einen Roboter 32. Der Roboter 32 ist hier drehbar auf einer Basis 34 angeordnet und weist einen Manipulator 36 mit einem endseitig angebrachten Werkzeug 38 auf. Bei dem Roboter 32 kann es sich um einen handelsüblichen Industrieroboter handeln. Der Roboter 32 weist Antriebe, Getriebe und Gelenke auf, um das Werkzeug 38 in Arbeitspositionen zu bewegen und Tätigkeiten auszuführen. Exemplarisch für die Antriebe ist hier der Motor 40 dargestellt. Es ist jedoch selbstverständlich, dass der Motor 40 auch innerhalb des Roboters 32 angeordnet sein kann. Der Motor 40 treibt eine Achse 41 an und überträgt ein Drehmoment auf den Roboter 32.
[0057] Der Motor 40 ist mit einer Stromversorgung 42 gekoppelt, die den Motor 40 mit Energie versorgt. In der Stromzuführung 44 von der Stromversorgung 42 zum Motor 40 sind Schütze 46 angeordnet, die aktiv angezogen (bestromt) werden müssen, damit Energie auf den Motor 40 übertragen wird. Die Schütze 46 sind über Leitungen 48 redundant mit einer fehlersicheren Steuerung 14 gekoppelt. Wenn die Steuerung 14 ein Ausgangssignal auf den Leitungen 48 erzeugt, werden die Schütze 46 angezogen und der Motor 40 bestromt.
[0058] Die Bereitstellung des Ausgangssignals durch die Steuerung 14 ist abhängig von einem an einem Eingangsmodul 50 anliegenden Eingangssignal 52. Das Eingangssignal 52 stammt vorliegend von einem fehlersicheren Drehgeber 54, der mit der von dem Motor 40 angetriebenen Drehachse 41 gekoppelt ist. Der Drehgeber 54 entspricht dem in Bezug auf Fig. 1 beschriebenen realen Sensor 24 (Primärsensor) und weist einen oder mehrere Messaufnehmer auf, die erste Messwerte 20 erfassen und als elektrisches Signal bereitstellen. Der Drehgeber 54 wandelt die Signale der Messaufnehmer in relevante Systemgrößen wie beispielsweise eine Winkelposition, eine Winkelgeschwindigkeit oder eine Winkelbeschleunigung der Drehachse um. Aus der relevanten Systemgröße kann ein sicherheitsrelevantes Ereignis abgeleitet werden, in dessen Folge eine sicherheitsgerichtete Reaktion auszulösen ist. Die relevante Systemgröße kann somit eine sicherheitsrelevante Eingangsgröße 18 im Sinne der vorliegenden Offenbarung sein und der Steuerung 14 zugeführt werden. Die Steuerung 14 kann die sicherheitsrelevante Eingangsgröße 18 mit einer erwarteten Eingangsgröße vergleichen und gegebenenfalls über die angeschlossenen Schütze 46 eine sicherheitsgerichtete Reaktion auslösen und den Motor 14 von der Stromversorgung 42 trennen.
[0059] Mit der Steuerung 14 ist ferner ein Zusatzmodul 56 gekoppelt, das eine Verarbeitungseinheit 16 gemäß der vorliegenden Offenbarung aufweist. Das weitere Modul 56 ist mit einer Vielzahl von zweiten Messaufnehmern 58, 60, 62, 64, 65 gekoppelt, die der Verarbeitungseinheit 16 zweite Messwerte 22 zur Verfügung stellen. Die von den zweiten Messaufnehmern 58, 60, 62, 64, 65 ermittelten zweiten Messwerte sind nicht unmittelbar durch Aufbereitung, Skalierung und/oder Normalisierung in die sicherheitsrelevante Systemgröße umrechenbar oder reichen hinsichtlich ihrer Genauigkeit oder Zuverlässigkeit nicht aus, um allein die sicherheitsrelevante Systemgröße in einem definierten Toleranzbereich anzugeben. [0060] Die zweiten Messaufnehmer können beispielsweise ein Amperemeter 58 in der Stromzuführung 44 zum Motor 40, ein Temperatursensor 60 am Roboter 32 oder ein Vibrationssensor 62 am Roboter 32 sein. Die zweiten Messaufnehmer können auch als Schnittstelle 64 zu einer Standardsteuerung ausgebildet sein, über die Steuerungsparameter des Roboters 32 als zweite Messwerte ermittelt werden können. Schließlich kann als zweiter Messaufnehmer auch ein einfacher Drehgeber 65 dienen, dessen Messwerte allein nicht ausreichen, um die sicherheitsrelevante Systemgröße mit einer entsprechenden Zuverlässigkeit oder Genauigkeit explizit anzugeben.
[0061] Bei den zweiten Messaufnehmern 58, 60, 62, 64, 65 handelt es sich insbesondere um Messaufnehmer, die grundsätzlich zum Betrieb der technischen Anlage 12 vorhanden sind. So können die von den zweiten Messaufnehmern 58, 60, 62, 64, 65 erfassten zweiten Messwerte 22 Messwerte sein, die zur Steuerung der technischen Anlage 12 notwendigerweise erfasst werden müssen. Ferner können die zweiten Messaufnehmer 58, 60, 62, 64, 65 einfache Sensoren sein, die unmittelbar einen physikalischen Parameter bestimmen.
[0062] Selbstverständlich sind die zweiten Messaufnehmer 58, 60, 62, 64, 65 nicht auf die hier gezeigten Messaufnehmer beschränkt. Vorzugsweise werden der Verarbeitungseinheit 16 möglichst alle an der technischen Anlage 12 erfassten Parameter zugeführt, auch solche, die nicht explizit über ein Modell der technischen Anlage 12 mit der sicherheitsrelevanten Eingangsgröße verknüpft sind. Vielmehr kann es bewusst dem Kl-System überlassen werden, die relevanten Systemabhängigkeiten selbst zu erkennen. Dementsprechend ist es denkbar, der Verarbeitungseinheit 16 auch Messwerte als zweite Messwerte zur Verfügung zu stellen, die nicht direkt in Bezug auf die technische Anlage 12 erfasst werden, sondern ggf. der Umgebung der technischen Anlage 12 und/oder anderen Akteuren in der Umgebung der technischen Anlage 12 zuzuordnen sind.
[0063] Es versteht sich, dass die Anzahl der zweiten Messwerte 22 im Produktivbetrieb von der Anzahl der zweiten Messwerte 22 während einer Trainingsphase abweichen kann. Beispielsweise ist es denkbar, dass das Kl-System zunächst aus einer Vielzahl von zweiten Messwerten 22 diejenigen Messwerte ermittelt, die für den Produktivbetrieb erforderlich sind, um eine ausreichende Approximation der sicherheitsrelevanten Ein- gangsgröße 18 zu gewährleisten. Im Produktivsystem werden dann nur die für die Auswertung relevanten zweiten Messwerte 22 der Verarbeitungseinheit 16 zugeführt.
Dadurch ist es möglich, eine effiziente Auswertung auch auf kostengünstiger Hardware zu realisieren.
[0064] Die zweiten Messwertaufnehmer 58, 60, 62, 64, 65 sind mit dem weiteren Modul 56 gekoppelt, um der Verarbeitungseinheit 16 die zweiten Messwerte 22 zur Verfügung zu stellen. Die Verarbeitungseinheit 16 verarbeitet die zweiten Messwerte 22, insbesondere durch das zuvor beschriebene Kl-System, und erzeugt eine virtuelle Eingangsgröße 26, welche die sicherheitsrelevante Eingangsgröße 18 approximiert. Die virtuelle Eingangsgröße 26 wird der Steuerung 14 zugeführt, die darauf basierend die sicherheitsrelevante Reaktion auslösen kann. Im vorliegenden Fall kann die Steuerung 14 beispielsweise das Ausgangssignal für die Schütze 46 nur dann bereitstellen, wenn die von der Verarbeitungseinheit 16 bereitgestellte virtuelle Eingangsgröße 26 anliegt und sich in einem vorgegebenen Wertebereich befindet.
[0065] In dem in Fig. 2 dargestellten Ausführungsbeispiel ergänzen sich die beiden Sicherungsmaßnahmen zu einer redundanten Sicherheitsarchitektur. Das Eingangsmodul 50 bildet zusammen mit dem fehlersicheren Geber 54 einen ersten, klassischen Kanal der redundanten Sicherheitsarchitektur. Das weitere Modul 56 mit der Verarbeitungseinheit 16 und den zweiten Messaufnehmern 58, 60, 62, 64, 65 bildet einen zweiten, virtuellen Kanal. Durch einen Kreuzabgleich der beiden Kanäle kann die Steuerung 14 eine ausreichende Sicherheit auch dann gewährleisten, wenn einer der beiden Kanäle fehlerhaft sein sollte.
[0066] Indem der zweite Kanal als virtueller Kanal ausgebildet ist, können vorteilhaft reale, insbesondere komplexe, Sensoren wie ein weiterer sicherer Drehgeber 54 eingespart werden. Darüber hinaus kann der virtuelle Kanal leicht an andere Gegebenheiten oder technische Anlagen 12 angepasst werden, vorzugsweise ohne wesentliche Hardwareanpassungen vornehmen zu müssen. Damit ist das beanspruchte System für verschiedene Anwendungsfälle flexibel einsetzbar. [0067] Durch die Ausgestaltung des zweiten Kanals als virtuellen Kanal können vorteilhaft reale, insbesondere komplexe Sensoren, wie z.B. ein weiterer sicherer Drehgeber 54, eingespart werden. Zudem kann der virtuelle Kanal leicht an andere Gegebenheiten oder technische Anlagen 12 angepasst werden, vorzugsweise ohne wesentliche Hardwareanpassungen vornehmen zu müssen. Das beanspruchte System ist somit flexibel für verschiedene Anwendungsfälle einsetzbar.
[0068] Fig. 3 zeigt das System aus Fig. 1 in einer Detailansicht. Gleiche Bezugszeichen bezeichnen auch hier gleiche Teile wie zuvor in Bezug auf Fig. 1 .
[0069] In Fig. 3 sind der reale Sensor 24 sowie die Verarbeitungseinheit 16 in einer Detailansicht dargestellt. Der reale Sensor 24 weist demnach eine Eingangseinheit 66, eine Auswertungseinheit 68 und eine Ausgangseinheit 70 auf. Vergleichbar weist die Verarbeitungseinheit 16 eine Eingangseinheit 72, ein Kl-System 74 und eine Ausgangseinheit 76 auf.
[0070] Die Eingangseinheit 66 ist dazu eingerichtet, mindestens einen ersten Messwert 20 aufgrund chemischer, physikalischer oder biologischer Effekte zu erfassen und in ein entsprechendes elektronisches Signal 78 umzuwandeln. Die Auswerteeinheit 68 verarbeitet das elektronische Signal 78 und leitet das verarbeitete elektronische Signal 80 an die Ausgangseinheit 70 weiter. Die Verarbeitung durch die Auswerteeinheit 68 kann eine Aufbereitung, Skalierung und/oder Normalisierung des elektronischen Signals 78 umfassen. Dazu können in der Auswerteeinheit 68 Sensorkennlinien, Kalibrierdaten, Kompensationsgleichungen und andere Aufbereitungsalgorithmen hinterlegt sein. Die Ausgangseinheit 70 verfügt über eine oder mehrere Schnittstellen, um das aufbereitete elektronische Signal 80 einer nachgeschalteten Steuerung 14 analog und/oder digital als sicherheitsrelevante Eingangsgröße 18 zur Verfügung zu stellen.
[0071] Die Eingangseinheit 72 der Verarbeitungseinheit 16 kann von den ersten Messwerten 20 abweichende zweite Messwerte 22 analog zur Eingangseinheit 66 erfassen. Darüber hinaus kann die Eingabeeinheit 72 auch Parameter erfassen, die nicht auf chemische, physikalische oder biologische Effekte zurückzuführen sind. Beispielsweise kann die Eingangseinheit 72 als zweite Messwerte 22 auch Einstellparameter der technischen Anlage 12 oder andere die technische Anlage 12 oder deren Umgebung beschreibende Daten erfassen. Die erfassten zweiten Messwerte 22 werden dem Kl-System 74 als Eingabe 82 zur Auswertung übergeben. Im Rahmen einer stationären und/oder dynamischen Inferenz verarbeitet das Kl-System 74 die Eingabe 82 und erzeugt eine Ausgabe 84, die von der Ausgangseinheit 76 analog zu der Ausgangseinheit 70 des realen Sensors 24 als virtuelle Eingangsgröße 26 bereitgestellt wird. Die virtuelle Eingangsgröße 26 entspricht dabei in Art und Umfang der sicherheitsrelevanten Eingangsgröße 18, so dass die virtuelle Eingangsgröße 26 von der Steuerung 14 in gleicher Weise, vorzugsweise redundant zu der sicherheitsrelevanten Eingangsgröße 18 des realen Sensors 24, verarbeitet werden kann.
[0072] Das Kl-System 74 verarbeitet die Eingabe 82, wobei die Funktion zur Approximation sowie das hierfür relevante Wissen durch überwachtes und/oder bestärkendes Lernen generiert werden kann. Hierzu kann dasselbe Kl-System 74 verwendet werden, wobei dieses in einer T rainingsumgebung agiert oder mit zusätzlichen T rainingsdaten versorgt wird. Insbesondere kann der reale Sensor 24 als „Lehrer“ in der Trainingsumgebung fungieren. Das Produktivsystem setzt jedoch keinen realen Sensor 24 voraus. Vielmehr kann in einem einkanaligen System auch nur das Kl-System 74 eingesetzt werden, das die virtuelle Eingangsgröße 26 erzeugt, die von einer nachgeschalteten Steuerung 14 ausschließlich verwendet wird. Ein entsprechendes System ist in Fig. 4 dargestellt und wird im Folgenden erläutert.
[0073] Fig. 4 zeigt eine schematische Ansicht eines Systems 1 gemäß einem zweiten Ausführungsbeispiel mit einer einkanaligen Sicherheitsstruktur. Auch hier entsprechen die gleichen Bezugszeichen den gleichen Teilen wie in Fig. 1.
[0074] Das einkanalige System 1 weist eine Verarbeitungseinheit 16 und eine Steuerung 14 auf. Die Verarbeitungseinheit 16 ist wie in Bezug auf Fig. 1 und Fig. 3 näher erläutert aufgebaut und erzeugt aus zweiten Messwerten 22 eine virtuelle Eingangsgröße 26, die von der Steuerung 14 wie eine sicherheitsrelevante Eingangsgröße 18 verarbeitet werden kann. Das einkanalige System 1 kann somit vollständig auf einen realen Sensor verzichten, der explizit Messwerte (erste Messwerte) bezüglich der sicherheitsrelevanten Eingangsgröße 18 aufnimmt. Bei dem einkanaligen System 1 wertet die Steuerung 14 somit ausschließlich eine emulierte sicherheitsrelevante Eingangsgröße aus, die auf impliziten zweiten Messwerten 22 beruht.
[0075] Die Einrichtung 28 kann auch hier ein Kl-System sein, das in diesem Fall zuvor mit einem realen Sensor trainiert wurde, wobei der reale Sensor im späteren Produktivsystem nicht mehr vorhanden ist. Alternativ kann das Kl-System auch auf vorgeneriertes Wissen 30 zurückgreifen, z.B. ein für den gegebenen Anwendungsfall trainiertes künstliches neuronales Netz, das an einer vergleichbaren technischen Anlage 12 und/oder in einer Simulation an einem digitalen Zwilling der realen Produktionsanlage trainiert wurde. Da das Wissen 30 somit im Wesentlichen in Form von Daten hinterlegt ist, kann die Verarbeitungseinheit 16 einfach und flexibel an geänderte Bedingungen angepasst werden, ohne dass Hardware ausgetauscht werden muss.
[0076] Fig. 5 zeigt eine schematische Ansicht eines Systems 2 gemäß einem dritten Ausführungsbeispiel mit einer zweikanaligen Sicherheitsstruktur.
[0077] Das zweikanalige System 2 entspricht im Wesentlichen dem ersten Ausführungsbeispiel, wobei der reale Sensor 24 hier nicht optional ist. Das zweikanalige System 2 weist somit einen realen Sensor 24 in einem ersten Verarbeitungskanal 86 und eine Verarbeitungseinheit 16 mit einem Kl-System in einem zweiten Verarbeitungskanal 88 auf. Diese Ausführung hat den Vorteil, dass im Vergleich zu einem klassischen zweikanaligen System, bei dem zwei reale Sensoren verwendet werden, ein realer Sensor eingespart werden kann. Darüber hinaus erhöht diese Ausführung die Diversität des Systems, da die beiden Kanäle auf unterschiedlichen Funktionsprinzipien beruhen und somit Common Cause Failures (CCF) effektiv ausgeschlossen werden können.
[0078] Alternativ kann das zweikanalige System auch aus einem ersten Verarbeitungskanal und einem zweiten Verarbeitungskanal gebildet werden, die jeweils eine Verarbeitungseinheit 16 aufweisen. Ein entsprechendes Ausführungsbeispiel ist in Fig. 6 gezeigt.
[0079] Das zweikanalige System 3 gemäß Fig. 6 weist demnach zwei (oder mehr) Verarbeitungseinheiten 16A, 16B auf, die ausschließlich virtuelle Eingangsgrößen 26A, 26B für die nachgeschaltete Steuerung 14 bereitstellen. Die Verarbeitungseinheit 16A realisiert einen ersten Verarbeitungskanal 90 und die Verarbeitungseinheit 16B realisiert einen zweiten Verarbeitungskanal 92.
[0080] Das Ausführungsbeispiel gemäß Fig. 6 realisiert somit ein zweikanaliges System 3, das vollständig ohne komplexe reale Sensorik auskommt und dementsprechend keine expliziten Messwerte in Bezug auf die sicherheitsrelevante Eingangsgröße erfasst. Auf diese Weise kann ein zweikanaliges System besonders kostengünstig und effizient realisiert werden. Es versteht sich von selbst, dass in diesem Fall die Verarbeitungseinheiten 16A, 16B unterschiedlich ausgebildet sein können, indem sie z. B. unterschiedliches Wissen zur Approximation der sicherheitsrelevanten Eingangsgröße heranziehen. Es ist auch denkbar, dass die Verarbeitungseinheiten 16A, 16B unterschiedliche zweite Messwerte 22 aufnehmen, um diese dem Kl-System als Eingabe zuzuführen.
[0081] Es versteht sich von selbst, dass die Erfindung nicht auf ein- oder zweikanalige Ausführungsformen beschränkt ist, sondern durch Hinzufügen von Kanälen mit weiteren realen Sensoren und/oder Kl-basierten Verarbeitungseinheiten auch Systeme mit mehr Kanälen realisiert werden können.
[0082] Schließlich ist zu beachten, dass Elemente der offengelegten Geräte und Systeme durch geeignete Hardware- und/oder Softwareelemente, z. B. geeignete Schaltungen, realisiert werden können. Eine Schaltung ist eine strukturelle Anordnung elektronischer Bauelemente, einschließlich konventioneller Schaltungselemente, integrierter Schaltungen, einschließlich anwendungsspezifischer integrierter Schaltungen, integrierter Standardschaltungen, anwendungsspezifischer Standardprodukte und feldprogrammierbarer Gate- Arrays. Darüber hinaus kann eine Schaltung Zentraleinheiten, Graphik-Prozessoren und Mikroprozessoren enthalten, die nach einem Software-Code programmiert oder konfiguriert sind. Eine Schaltung ist keine reine Software, auch wenn sie die oben beschriebene Hardware enthält, die Software ausführt. [0083] Ein weiterer Aspekt der vorliegenden Offenbarung betrifft eine Vorrichtung, insbesondere eine Informationsverarbeitungseinrichtung, und/oder ein Verfahren zur Kl-basierten Analyse, insbesondere bei elektrischen Antrieben und damit angetriebenen Einrichtungen.
[0084] Zur Erkennung, Meldung und Überwachung von Motoren und Antriebseinheiten werden seit geraumer Zeit Analysen auf der Basis von Strom- und/oder Schwingungsanalysen eingesetzt. Die bisherigen Ansätze basieren auf statisch oder adaptiv definierten Schwellwerten, die während der Entwicklung oder Inbetriebnahme des Motors oder der Antriebseinheit ermittelt werden. Dies erlaubt jedoch keine dynamische Anpassung an spezielle Abhängigkeiten während eines Prozesses (z.B. während des Anlaufprozesses). Parameter, Muster und Gewichtungen müssen manuell erkannt und festgelegt werden, wobei oft nur wenige Parameter (z.B. Strom und Vibration/Schwingung) verwendet werden, da der Mensch nur eine bestimmte Menge an Informationen überblicken und darin Muster und Zusammenhänge erkennen kann. Viele weitere, prinzipiell verfügbare Systeminformationen in Form von Parametern wie Temperatur, Drehzahl, Achswinkel, Feuchte, Reibung, Torsion und Dehnung werden nicht oder nur unzureichend in den Bewertungen genutzt. Damit gehen Systeminformationen verloren bzw. werden nicht genutzt, die für eine bessere Verhaltensvorhersage relevant sein könnten.
[0085] Wenn in isolierten Anwendungen Systeminformationen intelligent ausgewertet werden, geschieht dies zentral auf dedizierten Rechnersystemen. Dies hat zur Folge, dass die Informationen vom Ort der Erfassung wegtransportiert werden müssen. Im Falle eines Rechensystems außerhalb des eigenen Unternehmens (z.B. Cloud-Dienst) führt dies zum Verlust der Datenintegrität und Datenhoheit. Darüber hinaus bedeutet der Transport der Daten zu einer (zentralen) separaten Auswertung einen erhöhten Energieverbrauch. Ebenso muss die Datenkommunikation zuverlässig und stabil aufgebaut sein, um Ausfälle und eine reduzierte Verfügbarkeit zu vermeiden. Gerade bei mobilen Anwendungen wie fahrerlosen Transportfahrzeugen (engl.: Automatic Guided Vehicles (AGV)), autonomen mobilen Robotern (engl.: Autonomous Mobile Robots (AMR)) und Drohnen sind solche Themen als problematisch zu betrachten.
[0086] Eine Aufgabe kann es daher sein, verbesserte Analysemöglichkeiten bereitzustellen. Insbesondere kann es eine Aufgabe sein, statische und dynamische Verhaltensweisen durch die Auswertung von (vielen) verschiedenen Parametern zu ermöglichen, ohne dass die Zusammenhänge zwischen diesen und dem Systemverhalten zuvor in der Entwicklung manuell ermittelt werden müssen. Weiterhin kann es eine Aufgabe sein, eine Analysemöglichkeit zu spezifizieren, die eine aufwendige Übertragung von Daten vermeidet und die Datenintegrität und Datenhoheit sicherstellt. Gleichzeitig kann es eine Aufgabe sein, eine Analysemöglichkeit bereitzustellen, die effizient und effektiv realisiert werden kann.
[0087] Ein Lösungsansatz ist eine Informationsverarbeitungseinrichtung und/oder ein Verfahren zur Anomalieerkennung und/oder Klassifikation von Fahrprofilen und Bewegungsmustern und/oder Interpolation von Stillstandszeiten und/oder Autotuning von Regelparametern einzelner und/oder verketteter Achsen über reale und/oder simulierte und/oder aufgezeichnete, sowie realen und/oder simulierten und/oder synthetischen Sensordaten, mittels sensordatengestützter (elektrische Leistung, Motorströme, Drehmomente, Massenträgheitsmomente, elektrische Spannung, Vibrationen, Motordrehzahlen, Ach swinkel werte, Temperaturen, Zeit, Datum, Dehnungen/Verformungen, Luftfeuchte, Aerosolzusammensetzung, LiDAR, Radar etc. v.a.) Kl-Algorithmen, d.h. neuronale Netze - Deep Learning (z.B. Autoencoder) und/oder Machine Learning (z.B. KNN, SVM, ...).
[0088] Es ist daher denkbar, dass eine Steuerungslogik einen intelligenten Auswertealgorithmus (Kl) enthält, der aufgrund seiner in einem Lernverfahren erlernten Merkmalsextraktionen im Inferenzbetrieb auf neue Eingangsgrößen bestmögliche Schätzungen, sogenannte Ausgangswerte, erzeugt. Diese können für eine Realisierung der Verschleißerkennung und/oder der Vorhersage von Ausfällen und/oder der Erkennung von unzulässigen Betriebszuständen von einem oder mehreren elektrischen Antrieben und den daran mechanisch gekoppelten Bewegungsachsen verwendet werden. Als Lernverfahren können überwachte, unüberwachte oder bestärkende Lernverfahren eingesetzt werden. Diese lernen in einem separaten Prozess aus bereits vorhandenen Daten die grundsätzliche Zielfunktion des Systems selbstständig anzunähern. Um ein System kontinuierlich verbessern zu können, müssen im Inferenzbetrieb Daten gesammelt, archiviert und zurückgespielt werden. Dieser Prozess sollte periodisch durchgeführt werden. [0089] Durch die kontinuierliche Erfassung von Informationen über Position, Zustand und Kontext der Achsen in einem Antrieb und ein hinterlegtes lernendes Modell können Aussagen über Verschleiß und zu erwartende Schäden an angetriebenen Maschinenteilen vorhergesagt werden (engl.: Physics-aware AI). Die Inferenz kann dabei direkt auf eingebetteter Hardware und nicht mehr auf einem dedizierten lokalen Rechner oder lokalen und externen Rechenzentren ausgeführt werden.
[0090] Die für die Steuerung der Mechanik erfassten Sensordaten, z.B. Leistung, Motorströme, elektrische Spannung, Vibrationen, Motordrehzahlen, Achswinkelwerte, Temperaturen, Dehnungen/Verformungen, Luftfeuchte, Aerosolzusammensetzung, LiDAR oder Radar, werden im Antrieb erfasst und können auf das im Betrieb gültige Verlaufsmuster trainiert werden.
[0091] Durch das Hinzufügen von anwendungsspezifischen Hintergrundinformationen als kodiertes Domänenwissen, wie z.B. Bahnradien, Fahrgeschwindigkeit, aktuelle Lastaufnahme (Transportlast), Temperatur (Motor, Umgebung, ...), Energieverbrauch, Batterieladezustand, Servicekalender, können mit Hilfe entsprechender Algorithmen zur Anomalieerkennung Aussagen über die Auslastung der Maschinenteile getroffen werden.
[0092] Dieser Erkenntnisgewinn kann genutzt werden, um Überlastungen und Verschleiß der Mechanik zu prognostizieren und damit eine Diagnosemöglichkeit bezüglich Defekten, Fehlerfällen und unerwünschtem Verhalten, Verschleiß, erhöhter Leistungsabnahme, fehlerhafter Parametrierung des Antriebsstrangs sowie seiner einzelnen Komponenten bereitzustellen. Dies kann für präventive Wartungsroutinen an der Maschine oder zur Reduzierung und Optimierung des Energieverbrauchs genutzt werden.
[0093] Eine Ausführungsform der vorliegenden Offenbarung kann eine Informationsverarbeitungseinrichtung und/oder ein Verfahren aufweisen, die bzw. das in einer Auswerteeinheit durch eine intelligente Auswertealgorithmik an einem und/oder mehreren elektrischen Antrieben sowie gegebenenfalls daran gekoppelten mechanischen Bewegungsachsen durch die Erfassung von Messwerten durch einen und/oder mehrere Sensoren, durch die Analyse und Auswertung dieser Messwerte eine Anomalieerkennung und/oder eine frühzeitige Verschleißvorhersage und/oder die frühzeitige Vorhersage von möglichen Bauteilausfällen und/oder die Vorhersage von Qualitätsmerkmalen über den Fertigungsprozess, an dem die intelligent überwachten elektrischen Antriebe und/oder mechanischen Bewegungsachsen beteiligt sind, liefert.
[0094] In einer Ausführungsform kann vorgesehen sein, dass über eine und/oder mehrere Schnittstellen die Messwerte unterschiedlicher Sensoren, die eine beliebige physikalische Größe in einem zu überwachenden interagierenden mechatronischen System repräsentieren, analog und/oder digital eingelesen werden können.
[0095] In einer Ausführungsform kann vorgesehen sein, dass es sich bei diesen Schnittstellen um hardwaregebundene und/oder drahtlose Kommunikationswege handelt.
[0096] In einer Ausführungsform kann vorgesehen sein, dass es sich bei der Auswerteeinheit um eine physikalische Informationsverarbeitungseinrichtung handelt. Es ist jedoch auch denkbar, dass die Auswertung mittels der intelligenten Auswertealgorithmik in einer cloudbasierten Laufzeitumgebung erfolgt. In diesem Fall kann die physikalische Informationsverarbeitungseinrichtung als Sensordatentransmitter fungieren.
[0097] In einer Ausführungsform kann vorgesehen sein, dass die Informationsverarbeitungseinrichtung Kommunikationswege zu lokalen und/oder cloudbasierten Anwendungsprogrammen aufweist.
[0098] In einer Ausführungsform kann vorgesehen sein, dass die Informationsverarbeitungseinrichtung eine Steuereinheit integriert hat und über eine und/oder mehrere diversitäre Schnittstellen ein Auslesen der in der Auswertealgorithmik getroffenen Vorhersagen und/oder Schätzungen anbietet. In der Steuereinheit können weitere manuell konfigurierbare binäre Schaltausgänge integriert sein.
[0099] In einer Ausführungsform kann vorgesehen sein, dass die Steuereinheit durch eine physikalisch in der Informationsverarbeitungseinrichtung enthaltene Auswerteeinheit gebildet ist. Alternativ oder ergänzend kann die Steuereinheit auch durch eine in der Cloud implementierte Auswertealgorithmik eingerichtet sein, welche die Steuereinheit ansteuern kann.
[0100] In einer Ausführungsform kann vorgesehen sein, dass durch funktional unterschiedliche Sensoren und die damit verbundene diversitäre Messwerterfassung in dem interagierenden mechatronischen zu überwachenden System kleinste Veränderungen durch die Verknüpfung einer Vielzahl von im System eindeutigen physikalischen Größen detektiert werden können.
[0101] In einer Ausführungsform kann vorgesehen sein, dass die Auswertealgorithmik einen und/oder mehrere Algorithmen aufweist.
[0102] In einer Ausführungsform kann vorgesehen sein, dass die Auswertealgorithmik generalisierte Merkmalsextraktionen umfasst, die in einem überwachten und/oder unüberwachten Lernprozess durch reale und/oder synthetisch erzeugte Daten zur Anomalieerkennung und/oder zur frühzeitigen Verschleißvorhersage und/oder zur frühzeitigen Vorhersage von möglichen Bauteilausfällen und/oder zur Vorhersage von Qualitätsmerkmalen über den Fertigungsprozess, an dem die intelligent überwachten elektrischen Antriebe und/oder mechanischen Bewegungsachsen beteiligt sind, angelernt werden.
[0103] In einer Ausführungsform kann vorgesehen sein, dass die approximierten Merkmalsextraktionen als ein oder mehrere Modelle in einem Programmspeicher abgelegt sind.
[0104] In einer Ausführungsform kann vorgesehen sein, dass die Auswerteeinheit eine Schnittstelle zu einem lokalen Anwenderprogramm und/oder einem cloudbasierten Webservice umfasst, in dem Konfigurationen und Daten verwaltet werden können und die intelligente Auswertealgorithmik auf neue Situationen und systemverändernde Eingriffe, Modifikationen und Änderungen trainiert werden kann. [0105] In einer Ausführungsform kann vorgesehen sein, dass für die intelligente Auswertealgorithmik maschinelle Lernverfahren verwendet werden und eine Inferenz in Echtzeit ausführbar ist.
[0106] In einer Ausführungsform kann vorgesehen sein, dass die Auswertealgorithmik eine Anomalieerkennung und/oder eine frühzeitige Verschleißvorhersage und/oder eine frühzeitige Vorhersage von möglichen Bauteilausfällen und/oder eine Vorhersage von Qualitätsmerkmalen über den Fertigungsprozess, an dem die intelligent überwachten elektrischen Antriebe und/oder mechanischen Bewegungsachsen beteiligt sind, durch neue Trainingszyklen mit neuen Trainingsdaten lokal oder cloudbasiert kontinuierlich verbessert.
[0107] In einer Ausführungsform kann vorgesehen sein, dass es sich bei den Messwerten um physikalische Größen handelt, die durch direkt und/oder indirekt messende Messeinrichtungen gemessen werden, und dass die Messeinrichtungen an unterschiedlichen Stellen des zu überwachenden mechatronischen Systems angeordnet sind.
[0108] In einer Ausführungsform kann vorgesehen sein, dass es sich bei den zu erfassenden und auszuwertenden Messwerten um eine oder mehrere der folgenden physikalischen Größen und/oder Systemgrößen handelt: Temperatur, elektrischer Strom, elektrische Spannung, elektrische Feldstärke, Induktivität, elektrische Leistung, Drehmoment, Motordrehzahl, mechanische Spannungen, Kraft, mechanische Energie, Drehimpuls, Luftdruck, Luftfeuchte, mechanische Schwingungen, mechanische Dehnungen, rotatorische Position, translatorische Position, Winkelgeschwindigkeit, Winkelbeschleunigung, Drehimpuls, Geschwindigkeit, Beschleunigung, Impuls, Ruck, Frequenz, Zeit und/oder Kreisfrequenz.
[0109] In einer Ausführungsform kann vorgesehen sein, dass durch anwendungsbezogene Prozessinformationen und/oder durch kodiertes Domänenwissen die Aussage- und Schätzgenauigkeit der Auswertealgorithmen zur Anomalieerkennung und/oder eine frühzeitige Verschleißvorhersage und/oder die frühzeitige Vorhersage von möglichen Bauteilausfällen und/oder die Vorhersage von Qualitätsmerkmalen über den Fertigungs- prozess, an dem die intelligent überwachten elektrischen Antriebe und/oder mechanischen Bewegungsachsen beteiligt sind, erhöht werden kann.
[0110] In einer Ausführungsform kann vorgesehen sein, dass es sich bei den anwendungsbezogenen Prozessinformationen um Bahnradien, Verfahrgeschwindigkeiten, aktuelle Lastaufnahme, Energieverbrauch, Batterieladezustand, Service- und Wartungskalender handelt.
[0111] Durch die Erfassung und Auswertung einer Vielzahl von Messwerten, die physikalische Größen in einem komplex interagierenden mechatronischen System repräsentieren, kann die Genauigkeit gegenüber der Verarbeitung durch manuell programmierte Algorithmen enorm gesteigert werden, da tiefe neuronale Netze Merkmalsextraktionen auf unstrukturierten Daten durchführen.
[0112] Durch unüberwachtes und/oder überwachtes Lernen können die Merkmalsextraktionen zur Anomalieerkennung und/oder zur frühzeitigen Verschleißvorhersage und/oder zur frühzeitigen Vorhersage von möglichen Bauteilausfällen und/oder zur Vorhersage von Qualitätsmerkmalen über den Fertigungsprozess, an dem die intelligent überwachten elektrischen Antriebe und/oder mechanischen Bewegungsachsen beteiligt sind, sowohl im stationären Maschinenbetrieb als auch im dynamischen Maschinenbetrieb eingesetzt werden. Mit herkömmlichen Verfahren konnte bisher nur der stationäre Betriebsfall hinreichend gut überwacht werden.
[0113] Weitere Aspekte und Merkmale der Technologie gemäß der vorliegenden Offenbarung sind Fig. 7 bis 11 und der nachfolgenden Beschreibung zu entnehmen.
[0114] Fig. 7 zeigt eine schematische Darstellung eines Systems mit einer Informationsverarbeitungseinrichtung. Die Informationsverarbeitungseinrichtung ist hier mit der Bezugsziffer 200 bezeichnet.
[0115] Ein System 100 weist hier mindestens ein mechatronisches System mit einem elektrischen Antrieb 110 auf. Der elektrische Antrieb kann mechanisch gekoppelte Bewegungsachsen aufweisen. Ein oder mehrere Sensoren am elektrischen Antrieb liefern einen oder mehrere Messwerte 111. Zusätzlich können Systemparameter 112 des mechatronischen Systems bereitgestellt werden.
[0116] Die Messwerte/Systemparameter 111, 112 werden einer Informationsverarbeitungseinrichtung 200 zugeführt. Die Informationsverarbeitungseinrichtung 200 kann hierzu über eine Schnittstelle 210 mit dem mechatronischen System gekoppelt sein. Die Schnittstelle 210 kann drahtgebunden und/oder drahtlos, analog und/oder digital sein.
[0117] Die Informationsverarbeitungseinrichtung 200 kann zentral über eine oder mehrere Auswerteeinheiten 220a, 220b verfügen, die einen oder mehrere Auswertealgorithmen allein oder gemeinsam ausführen. Eine Auswerteeinheit 220a kann physikalisch in die Informationsverarbeitungseinrichtung 200 integriert sein. Alternativ oder ergänzend kann eine Auswerteeinheit 220b virtuell auf einer externen Vorrichtung 400 realisiert sein, beispielsweise als lokales oder cloudbasiertes Anwenderprogramm.
[0118] Die Informationsverarbeitungseinrichtung 200 kann ferner einen Programmspeicher (u.a. zur Speicherung von Merkmalsauszügen) und eine Steuereinheit 230 aufweisen. Die Steuereinheit 230 kann mindestens eine Schnittstelle aufweisen, über die die Informationsverarbeitungseinrichtung 200 mit der Außenwelt gekoppelt ist. Über die Schnittstelle kann die Informationsverarbeitungseinrichtung 200 beispielsweise Steuersignale ausgeben. Die Steuersignale können beispielsweise analoge oder digitale Steuersignale, insbesondere binäre Steuersignale 300 sein. Ferner können die Steuersignale Stellwerte 301 , 302 sein, z.B. zur Vorhersage einer Anomalie oder einer Verschleißvorhersage.
[0119] Fig. 8 zeigt schematisch eine Architektur, in der eine Informationsverarbeitungseinrichtung 200 eingesetzt werden kann.
[0120] In dem gezeigten System enthält eine Steuerungslogik einen intelligenten Auswertealgorithmus (Kl), der auf Basis seiner in einem Lernverfahren erlernten Merkmalsextraktionen in einem Inferenzbetrieb bestmögliche Schätzungen auf neue Eingangsgrößen erzeugt, die als Ausgangswerte bezeichnet werden. Diese können für eine Realisierung der Verschleißerkennung und/oder der Vorhersage von Ausfällen und/oder der Erkennung von unzulässigen Betriebszuständen von einem oder mehreren elektrischen Antrieben sowie an diese mechanisch gekoppelten Bewegungsachsen genutzt werden. Als Lernverfahren können überwachte, unüberwachte oder bestärkende Lernverfahren eingesetzt werden. Diese lernen in einem separaten Prozess aus bereits vorhandenen Daten die grundsätzliche Zielfunktion des Systems selbstständig anzunähern. Um ein System kontinuierlich verbessern zu können, müssen Daten erfasst, archiviert und in den Inferenzprozess zurückgeführt werden. Dieser Prozess ist periodisch durchzuführen.
[0121] Fig. 9 zeigt schematisch ein vereinfachtes Ablaufdiagramm eines im Folgenden kurz erläuterten Ablaufs.
[0122] Im ersten Schritt werden die Sensordaten eingelesen. Dies kann das Einlesen der Daten von angeschlossenen Sensoren oder das Auslesen aus einer Sensordatenbank (archivierte Sensordaten) umfassen.
[0123] Im nächsten Schritt werden die Sensordaten aufbereitet. Dabei kann eine Datennormierung der jeweiligen Parameterwerte auf Werte von 0 bis 1 erfolgen. Ebenso können in diesem Schritt fehlerhafte Daten gefiltert und entfernt werden. Falls notwendig und möglich, werden die Sensordaten in diesem Schritt auch synthetisch vervielfacht.
[0124] Anschließend werden die aufbereiteten Daten einem intelligenten Auswertealgorithmus zugeführt. Der Auswertealgorithmus kann grob in folgende Teilprozesse unterteilt werden: Kl-Modell erstellen, Kl-Modell trainieren, Kl-Modell deployen, Inferenz und Sensordaten archivieren.
[0125] Die Erstellung des Kl-Modells kann die Auswahl einer geeigneten Architektur (Autoencoder, „normales“ neuronales Netz, KNN, SVM, ...) und eines geeigneten Modells (Anzahl der Schichten und Parameter, ...) beinhalten. Beispiele für eine geeignete Architektur sind in den Fig. 10 und 11 dargestellt. Die Auswahl kann in dem Zeitintervall erfolgen, in dem die archivierten Sensordaten zurückgespielt werden. [0126] Beim Training des Kl-Modells kann die Anzahl der Epochen und Batchgrößen festgelegt werden, sowie bei welcher Genauigkeit und welchem Verlust das Training als abgeschlossen gelten soll. Das Training kann in dem Zeitintervall erfolgen, in dem die archivierten Sensordaten zurückgespielt werden und/oder ein neues Kl-Modell erstellt wird.
[0127] Deployment bezeichnet das Übertragen und Laden des Codes, der das Kl-Modell repräsentiert, auf die Informationsverarbeitungseinrichtung. Dies kann auch in dem Zeitintervall erfolgen, in dem die archivierten Sensordaten zurückgespielt werden und/oder ein neues Kl-Modell erstellt und/oder trainiert wird.
[0128] Anschließend wird die Inferenz mit den aufbereiteten Sensordaten auf der Informationsverarbeitungseinrichtung durchgeführt. Dies kann sequentiell im Ablauf mit anderen Aufgaben oder parallel zu diesen in einem eigenen Task/Thread erfolgen.
[0129] Anschließend werden die Sensordaten archiviert und die Rohdaten der Eingangssensoren lokal oder auf Servern archiviert bzw. mitprotokolliert. Erfolgt die Archivierung lokal, kann in einem definierten Zeitintervall, z.B. periodisch wöchentlich, auch eine Sicherung der Daten auf einem übergeordneten System erfolgen.
[0130] Nach der Archivierung beginnt der Prozess erneut.
[0131] Eine Variante/Erweiterungsstufe stellt ein angepasstes System dar, das aktiv weiter lernt und sein Verhalten dynamisch und selbstständig anpasst. Dies führt zu einer stetigen Verbesserung des Systemverständnisses und damit zu einer verbesserten Ausgabe bzw. Handlungsanweisung.
[0132] Eine weitere Variante/Ausbaustufe stellt ein angepasstes System dar, das neben der Inferenz auch eine Datenaufbereitung und ein Training im Gerät ermöglicht.
[0133] Denkbar ist, dass zunächst eine Art Steuerfunktion (offener Regelkreis) mit Inferenz auf einer festen, zuvor ermittelten Datenbasis realisiert wird, die im Betrieb nicht aktualisiert wird. Die genannten Varianten sind dann als eine Art Steuerungsfunktion zu verstehen, bei der sich mittels Aktualisierung der Datenbasis und Reinforcement Learning die Datenbasis bzw. auch das Modell anpasst.
[0134] Im Folgenden werden verschiedene Anwendungsbeispiele konkretisiert. Insbesondere kann die Technologie bei stationären ein- oder mehrachsig gekoppelten Motion- Anwendungen eingesetzt werden, z.B. für eine Anomalieerkennung im Antriebsstrang (elektrisch, pneumatisch, hydraulisch, ...), eine Klassifikation von Bewegungsmustern und Fahrprofilen, eine Interpolation von Stillstandszeiten der einzelnen oder verketteten Achsen oder ein Kl-gestütztes Autotuning zur Reglerparametrierung.
[0135] Darüber hinaus kann die Technologie vorteilhaft bei mobilen, ein- oder mehrachsigen Plattformen eingesetzt werden, z.B. für eine Anomalieerkennung in Antriebssträngen aller Art (Rad-, Ketten-, Lauf-, Flug-, Unterwasserantriebe, ...), eine Klassifizierung von Fahrprofilen und Bewegungsmustern aller Art, eine Interpolation von Standzeiten von Antriebssträngen aller Art oder ein Kl-gestütztes Autotuning für die Reglerparametrierung.
[0136] Ebenso kann die Technologie vorteilhaft bei Einzel- und Mehrmaschinenanlagen eingesetzt werden. Hier kann ein Edge-Gerät die gesamte Aufgabenkette (Sensordatenerfassung, Aufbereitung, Inferenz, Handlungsanweisung) für einzelne oder einen Verbund mehrerer gleichartiger Maschinen übernehmen.
[0137] Ein konkretes Anwendungsbeispiel ist der Einsatz der offenbarten Technologie bei fahrerlosen Transportfahrzeugen (engl.: Automatic Guided Vehicles (AGV)) oder autonomen mobilen Robotern (engl.: Autonomous Mobile Robots (AMR)).
[0138] Beispielsweise kann eine Anomaliedetektion im Antriebsstrang von mobilen Robotikplattformen mit einer Informationsverarbeitungseinrichtung und/oder einem Verfahren zur Anomaliedetektion im Antriebsstrang von mobilen Robotikplattformen (AGV sowie AMR) über, direkt und/oder aufgezeichnete sowie reale und/oder simulierte und/oder synthetische Sensordaten erfolgen, sowie realen und/oder simulierten und/oder synthetischen Sensordaten, mittels sensordatenbasierter (Leistung, Motorströme, elektrische Spannung, Vibrationen, Motordrehzahlen, Achswinkelwerte, Temperaturen, Deh- nungen/Verformungen, Luftfeuchte, Aerosolzusammensetzung, LiDAR, Radar etc. v.a.) Kl-Algorithmen, d.h. neuronale Netze - Deep Learning (z.B. Autoencoder) und/oder Machine Learning (z.B. KNN, SVM ...), zur (Früh-)Erkennung und Meldung von Defekten, Fehlern und Fehlverhalten, zur Erkennung und Meldung von Verschleiß, zur Erkennung und Meldung von erhöhtem Leistungsverlust, d.h. zur Reduzierung und Optimierung des Energieverbrauchs und/oder zur Erkennung und Meldung von Fehlparametrierung des Antriebsstrangs und seiner Einzelkomponenten.
[0139] Denkbar ist die Ausgestaltung als separate Informationsverarbeitungseinrichtung sowie als integrierbares Modul o.ä. in bestehende Produkte und/oder Steuerungen (Antriebsregler, Automatisierungssysteme, ...) und/oder Rechenzentren (unternehmensintern oder extern).
[0140] Die Anwendung von Kl-basierter Analyse hat in diesem Zusammenhang den Vorteil, dass wesentlich komplexere (mehr Parameter) und damit realitätsnähere Modelle erstellt werden können. Die Inferenz kann auf eingebetteter Hardware und damit sehr lokal am Ort der Datenentstehung erfolgen. Darüber hinaus ist kein über die reine Funktion hinausgehender Transport der Daten notwendig. Die Daten bleiben dort, wo sie benötigt werden. Es kann eine höhere Datenintegrität gewährleistet werden. Gleichzeitig kann die Ausfallsicherheit erhöht werden, da keine Kommunikation zu einer zentralen Auswerteeinheit stattfindet. Die Verarbeitung direkt am Gerät, d.h. an der Peripherie, kann zudem die Energieeffizienz steigern und die Reaktionsgeschwindigkeit erhöhen.
[0141] In einem weiteren Anwendungsbeispiel kann die offengelegte Technologie zur Klassifikation von Fahrprofilen und Bewegungsmustern von mobilen Roboterplattformen eingesetzt werden, z.B. durch eine Informationsverarbeitungseinrichtung und/oder ein Verfahren zur Klassifizierung von Fahrprofilen und Bewegungsmustern von mobilen Robotikplattformen (AGV sowie AMR) mittels, unmittelbarer und/oder aufgezeichneter, sowie realer und/oder simulativer und/oder synthetischer Sensordaten, mittels sensordatenbasierter (Leistung, Motorströme, elektrische Spannung, Vibrationen, Motordrehzahlen, Ach swinkel werte, Temperaturen, Dehnungen/Verformungen, Luftfeuchte, Aerosolzusammensetzung, LiDAR, Radar etc. v.a.) Kl-Algorithmen, d.h. neuronale Netze - Deep Learning (z.B. Autoencoder) und/oder Machine Learning (z.B. KNN, SVM ...), zur Erken- nung und Meldung der Fahrtrichtung (Geradeaus- wie Kurvenfahrt vorwärts wie rückwärts), zur Erkennung und Meldung der Orientierung/Ausrichtung im Raum, zur Überwachung vorgegebener Fahrprofile und Bewegungsmuster und/oder zur Erkennung und Meldung des Auf- und Absteigens im Raum (Drohne).
[0142] Darüber hinaus kann die offenbarte Technologie zur Interpolation der Lebensdauer verwendet werden, z.B. durch eine Informationsverarbeitungseinrichtung und/oder ein Verfahren zur Interpolation von Antriebsstranglebensdauern bei mobilen Robotikplattformen (AGV sowie AMR) über, unmittelbare und/oder aufgezeichnete, sowie reale und/oder simulierte und/oder synthetische Sensordaten, mittels sensordatenbasierter (Leistung, Motorströme, elektrische Spannung, Vibrationen, Motordrehzahlen, Ach swinkel werte, Temperaturen, Dehnungen/Verformungen, Luftfeuchte, Aerosolzusammensetzung, LiDAR, Radar etc. v.a.) Kl-Algorithmen, d.h. Neuronale Netze - Deep Learning (z.B. Autoencoder) und/oder Machine Learning (z.B. KNN, SVM ...), zur Berechnung und Meldung der verbleibenden Antriebsstranglebensdauer bis zu einem bestimmten Verschleißgrad.
[0143] Ein Anwendungsbeispiel ist der Einsatz der offenbarten Technologie bei bewegten, einzelnen oder verketteten Achsen.
[0144] Ein Beispiel hierfür ist eine Informationsverarbeitungseinrichtung und/oder ein Verfahren zur Erkennung von Anomalien im Antriebsstrang bei bewegten Achsen mittels direkter und/oder aufgezeichneter, sowie realer und/oder simulierter und/oder synthetischer Sensordaten, mittels sensordatenbasierter (Leistung, Motorströme, elektrische Spannung, Vibrationen, Motordrehzahlen, Ach swinkel werte, Temperaturen, Dehnungen/Verformungen, Luftfeuchte, Aerosolzusammensetzung, LiDAR, Radar etc. h. Neuronale Netze - Deep Learning (z. B. Autoencoder) und/oder Machine Learning (z. B. KNN, SVM ...), zur (Früh-)Erkennung und Meldung von Defekten, Fehlern und unerwünschtem Verhalten, zur Erkennung und Meldung von Verschleiß, zur Erkennung und Meldung von erhöhtem Leistungsverlust, d. h. zur Reduzierung und Optimierung des Energieverbrauchs, und/oder zur Erkennung und Meldung von Fehlparametrierungen des Antriebsstrangs und seiner einzelnen Komponenten. [0145] Ein weiteres Beispiel ist eine Informationsverarbeitungseinrichtung und/oder ein Verfahren zur Klassifikation von Fahrprofilen und Bewegungsmustern bewegter Achsen über direkte und/oder aufgezeichnete, sowie reale und/oder simulierte und/oder synthetische Sensordaten mittels sensordatenbasierter (Leistung, Motorströme, elektrische Spannung, Vibrationen, Motordrehzahlen, Ach swinkel werte, Temperaturen, Dehnun- gen/Verformungen, Luftfeuchte, Aerosolzusammensetzung, LiDAR, Radar etc. v.a.) Kl- Algorithmen, d.h. neuronale Netze - Deep Learning (z.B. Autoencoder) und/oder Machine Learning (z.B. KNN, SVM ...), zur Erkennung und Meldung der Drehrichtung (Geradeaus- wie Kurvenfahrt vorwärts wie rückwärts), zur Erkennung und Meldung der Orientierung / Ausrichtung im Raum, zur Überwachung vorgegebener Fahrprofile und Bewegungsmuster und/oder zur Erkennung und Meldung des Auf- und Absteigens im Raum (Drohne).
[0146] Ein weiteres Beispiel ist eine Informationsverarbeitungseinrichtung und/oder ein Verfahren zur Interpolation von Antriebsstranglebensdauern bei bewegten Achsen über unmittelbare und/oder aufgezeichnete, sowie reale und/oder simulierte und/oder synthetische Sensordaten mittels sensordatenbasierter (Leistung, Motorströme, elektrische Spannung, Vibrationen, Motordrehzahlen, Ach swinkel werte, Temperaturen, Dehnun- gen/Verformungen, Luftfeuchte, Aerosolzusammensetzung, LiDAR, Radar etc. v.a.) Kl- Algorithmen, d.h. Neuronale Netze - Deep Learning (z.B. Autoencoder) und/oder Machine Learning (z.B. KNN, SVM ...), zur Berechnung und Meldung der verbleibenden Antriebsstranglebensdauer bis zu einem bestimmten Verschleißgrad.
[0147] Ein weiteres Anwendungsbeispiel ist der Einsatz der offenbarten Technologie in Pressen.
[0148] Beispielsweise kann die Anomalieerkennung an Pressen durch eine Informationsverarbeitungseinrichtung und/oder ein Verfahren zur Anomalieerkennung an Pressen mittels direkter und/oder auf gezeichneter sowie realer und/oder simulierter und/oder synthetischer Sensordaten, mittels sensordatenbasierter (Leistung, Motorströme, elektrische Spannung, Vibrationen, Motordrehzahlen, Achswinkelwerte, Temperaturen, Dehnun- gen/Verformungen, Luftfeuchte, Aerosolzusammensetzung, LiDAR, Radar etc. v.a.) Kl- Algorithmen, d.h. neuronale Netze - Deep Learning (z.B. Autoencoder) und/oder Machine- Learning. Autoencoder) und/oder Machine Learning (z.B. KNN, SVM ...), zur (frühzeitigen) Erkennung und Meldung von Defekten, Fehlerfällen und unerwünschtem Verhalten, zur Erkennung und Meldung von Verschleiß, zur Erkennung und Meldung von Werkzeugbruch, zur Erkennung und Meldung von erhöhter Leistungsaufnahme, d.h. zur Reduzierung und Optimierung des Energieverbrauchs, zur Erkennung und Meldung von fehlerhafter Parametrierung des Antriebsstrangs sowie dessen Einzelkomponenten, zur Erkennung und Meldung der Presskraft und/oder zur Erkennung und Meldung als Gut- oder Schlechtteil des Pressprozesses.
[0149] Ein weiteres Beispiel ist eine Informationsverarbeitungseinrichtung und/oder ein Verfahren zur Klassifizierung von Pressvorgängen mittels direkter und/oder aufgezeichneter, sowie realer und/oder simulierter und/oder synthetischer Sensordaten, mittels sensordatengestützter (Leistung, Motorströme, elektrische Spannung, Vibrationen, Motordrehzahlen, Achswinkelwerte, Temperaturen, Dehnungen/Verformungen, Luftfeuchte, Aerosolzusammensetzung, LiDAR, Radar etc. v.a.) Kl-Algorithmen, d.h. neuronale Netze - Deep Learning (z.B. Autoencoder) und/oder Machine Learning (z.B. KNN, SVM ...), zur Erkennung und Meldung unterschiedlicher Presswerkzeuge, zur Erkennung und Meldung unterschiedlicher Pressteile, zur Erkennung und Meldung unterschiedlicher Materialien des Rohteils und/oder zur Erkennung und Meldung unterschiedlicher Materialdicken des Rohteils.
[0150] Ein weiteres Beispiel ist eine Informationsverarbeitungseinrichtung und/oder ein Verfahren zur Interpolation von Werkzeugstandzeiten in Pressen mittels unmittelbarer und/oder aufgezeichneter, sowie realer und/oder simulativer und/oder synthetischer Sensordaten, mittels Sensordaten-basierter (Leistung, Motorströme, elektrische Spannung, Vibrationen, Motordrehzahlen, Achswinkelwerte, Temperaturen, Dehnungen/Verformungen, Luftfeuchte, Aerosolzusammensetzung, LiDAR, Radar etc. v. a.) Kl-Algorithmen, d. h. neuronale Netze - Deep Learning (z. B. Autoencoder) und/oder Machine Learning (z. B. KNN, SVM ...), zur Berechnung und Meldung der verbleibenden Werkzeugstandzeit bis zu bestimmten Schwellenwerten der Pressteilqualität.
[0151] Ein weiteres Anwendungsbeispiel ist der Einsatz der offenbarten Technologie bei Drohnen, bei der Zugangskontrolle oder der Arbeitsraumüberwachung. [0152] Bei Drohnen, insbesondere unbemannten Drohnen (engl.: unmanned arial vehicle (UAV)), können die im Zusammenhang mit den vorstehenden Anwendungsbeispielen beschriebenen Aspekte der Anomaliedetektion, der Klassifizierung von Bewegungsprofilen und der Interpolation von Standzeiten in gleicher Weise angewendet werden.
[0153] Ein Beispiel für die Anwendung der beschriebenen Technologie im Bereich der Zutrittskontrolle ist eine Informationsverarbeitungseinrichtung bzw. Verfahren zur Klassifizierung von Personen für die Zutrittsberechtigung zu Anlagen mittels sensordatenbasierter (Aerosolsensor o.ä.) Kl-Algorithmen, d.h. Neuronale Netze - Deep Learning (z.B. Autoencoder) und/oder Machine Learning (z.B. KNN, SVM ...) zur Auswertung des individuellen Aerosolabdrucks analog zur Zutrittskontrolle mittels Passwort, RFID oder Fingerabdruck. Ein solches Verfahren ist bestehenden Verfahren überlegen, da ein Schlüssel, d.h. der Aerosolabdruck, nicht weitergegeben werden kann und die Eingabe dennoch berührungslos erfolgt.
[0154] Im Bereich der Arbeitsraumüberwachung kann die offenbarte Technologie z.B. als Vorrichtung mit einem Informationsverarbeitungssystem und einer Schnittstelle zu einem oder mehreren akustischen Sensoren und/oder einer Schnittstelle zu einer externen Datenquelle eingesetzt werden, um (Not-)Signale von Personen zu erfassen und in einem Rechenmodul durch einen Algorithmus zu verarbeiten. Bei Erkennen eines bestimmten (Not-)Signals kann das Rechenmodul ein Ausgangsmodul ansteuern, das ein Abschaltsignal erzeugt, das über eine und/oder mehrere Schnittstellen ausgelesen werden kann. Eine solche Vorrichtung könnte auch in bestehende Steuerungssysteme integriert werden.
[0155] Mit Hilfe der beschriebenen Vorrichtung wäre es möglich, eine Anlage durch Absetzen eines (Not-)Signals in Form eines Hilferufs, eines sprachlichen Rückkehrbefehls oder einer sprachlichen Positionsangabe auch dann abzuschalten oder in einen definierten Zustand zu überführen, wenn der Werker im Einrichtbetrieb eingeklemmt ist oder aus einem anderen Grund eine Notabschalteinrichtung nicht betätigen kann. [0156] Bei der Arbeitsraumüberwachung kann die offenbarte Technologie auch zur Detektion oder Klassifizierung von Lebewesen eingesetzt werden.
[0157] Der Schutzumfang der vorliegenden Erfindung wird durch die folgenden Ansprüche bestimmt und ist nicht durch die in der Beschreibung erläuterten oder in den Figuren dargestellten Merkmale begrenzt.
[0158] Bezugszeichenliste
10, 1 , 2, 3 System
12 technische Anlage
14 Steuerung
16 Verarbeitungseinheit
18 Eingangsgröße
20 Messwerte (erste Messwerte)
22 Messwerte (zweite Messwerte)
24 Sensor
26 virtuelle Eingangsgröße
28 Einrichtung
30 Wissen
32 Roboter
34 Basis
36 Manipulator
38 Werkzeug
40 Motor
41 Achse
42 Stromversorgung
44 Stromzuführung
46 Schütze
48 Leitungen
50 Eingangsmodul
52 Eingangssignal
54 Drehgeber
56 Zusatzmodul , 60, 62, 64, 65 Messaufnehmer (zweite Messaufnehmer) Eingangseinheit Auswertungseinheit Ausgangseinheit Eingangseinheit Kl-System Ausgangseinheit , 80 elektronisches Signal Eingabe Ausgabe , 90 Verarbeitungskanal (erster Verarbeitungskanal) , 92 Verarbeitungskanal (zweiter Verarbeitungskanal) 0 mechatronisches System 0 elektrischer Antrieb (mit oder ohne mechanisch gekoppelten Bewegungsachsen)1 Messwert(e) eines Sensors 2 Systemparameter der Steuerung (optional) 0 Informationsverarbeitungseinrichtung 0 Schnittstelle (drahtgebunden/kabellos; analog/digital) 0a Auswerteeinheit (physisch integriert) 1 ein oder mehrere Auswertealgorithmen 2 Programmspeicher (u.a. für die Ablage von Merkmalsextraktionen) 0 Steuereinheit 0 Steuersignale (bspw. binär) 1 Stellwert (Vorhersage einer Anomalie) 2 Stellwert (Verschleißprädikation) 0 externes Gerät 0b Auswerteeinheit (virtuell auf einem externen Gerät)

Claims

Patentansprüche
1. System (10; 1; 2; 3) zur sicherheitsgerichteten Überwachung, insbesondere Abschaltung, einer technischen Anlage (12), aufweisend: eine Steuerung (14), die dazu eingerichtet ist, anhand einer sicherheitsrelevanten Eingangsgröße (18), die aus mindestens einem kontinuierlich erfassbaren ersten Messwert (20) herleitbar ist, bei Abweichung von einer erwarteten Eingangsgröße eine auf die sicherheitsrelevante Eingangsgröße bezogene sicherheitsgerichtete Reaktion auszulösen, die einen Übergang der technischen Anlage (12) in einen sicheren Zustand bewirkt, und eine Verarbeitungseinheit (16), die dazu eingerichtet ist, eine virtuelle Eingangsgröße (26) basierend auf kontinuierlich erfassbaren zweiten Messwerten (22), die nicht vollständig dem zumindest einen ersten Messwert (20) entsprechen, zu bestimmen und der Steuerung (14) bereitzustellen, wobei die Steuerung (14) dazu eingerichtet ist, die auf die sicherheitsrelevante Eingangsgröße (18) bezogene sicherheitsgerichtete Reaktion auszulösen, wenn die virtuelle Eingangsgröße (26) von der erwarteten Eingangsgröße abweicht.
2. System nach Anspruch 1, ferner aufweisend: einen Sensor (24), der dazu eingerichtet ist, den zumindest einen ersten Messwert (20) aufzunehmen, die sicherheitsrelevante Eingangsgröße (18) aus dem zumindest einen ersten Messwert (20) zu erzeugen und die sicherheitsrelevante Eingangsgröße (18) der Steuerung (14) bereitzustellen.
3. System nach Anspruch 1 oder 2, wobei die Verarbeitungseinheit (16) eine Inferenzmaschine aufweist, die dazu eingerichtet ist, die virtuelle Eingangsgröße (26) aus den zweiten Messwerten (22) und einer hinterlegten Wissensbasis (30) zu erzeugen.
4. System nach Anspruch 3, wobei die Verarbeitungseinheit (16) eingerichtet ist, die Wissensbasis (30) durch maschinelles Lernen, insbesondere durch überwachtes Lernen und/oder verstärkendes Lernen, zu generieren
5. System nach Anspruch 2 und 4, wobei die Verarbeitungseinheit (16) eingerichtet ist, das maschinelle Lernen anhand der zweiten Messwerte (22) und einer Ausgabe des Sensors (24) durchzuführen.
6. System nach Anspruch 4 oder 5, wobei die Verarbeitungseinheit (16) eingerichtet ist, das maschinelle Lernen vor einer Verwendung der virtuellen Eingangsgröße (26) durch die Steuerung (14) auszuführen.
7. System nach Anspruch 6, wobei die Verarbeitungseinheit (16) eingerichtet ist, das maschinelle Lernen vor einer Inbetriebnahme auf generisch erzeugten Daten durch Simulationen durchzuführen.
8. System nach einem der Ansprüche 3 bis 7, wobei die Verarbeitungseinheit (16) eine Schnittstelle aufweist, um die Wissensbasis (30) kontinuierlich zu erweitern.
9. System nach einem der Ansprüche 1 bis 8, wobei die sicherheitsrelevante Eingangsgröße (18) Ergebnis einer direkten Signalverarbeitung des einen ersten Messwerts (20) oder das Ergebnis einer direkten Signalverarbeitung der mehreren ersten Messwerte (20) ist, und wobei die virtuelle Eingangsgröße (26) zumindest teilweise Ergebnis einer indirekten Signalverarbeitung der zweiten Messwerte (22) ist, insbesondere einer Approximation und/oder Schätzung.
10. System nach einem der Ansprüche 2 bis 9, wobei die Steuerung (14) dazu eingerichtet ist, die sicherheitsrelevante Eingangsgröße (18) des Sensors (24) mit der virtuellen Eingangsgröße (26) zu vergleichen und die sicherheitsgerichtete Reaktion auszulösen, wenn die sicherheitsrelevante Eingangsgröße (18) und die virtuelle Eingangsgröße (26) in einer vordefinierten Größenordnung voneinander abweichen.
11. System nach einem der Ansprüche 1 bis 10, wobei die sicherheitsrelevante Eingangsgröße (18) und die virtuelle Eingangsgröße (26) in ihrer Art eine repräsentative Systemgröße der technischen Anlage (12) darzustellen, insbesondere in ihrer Einheit und/oder in ihrem Umfang, identisch sind.
12. System nach einem der Ansprüche 1 bis 11 , wobei die zweiten Messwerte (22) zumindest teilweise für die Steuerung (14) der technischen Anlage (12) inhärente Messwerte sind.
13. System nach einem der Ansprüche 1 bis 12, wobei die Steuerung (14) eine Sicherheitssteuerung mit einem mehrkanaligen, redundanten Aufbau ist.
14. Verarbeitungseinheit (16) zur Verwendung in einem System zur sicherheitsgerichteten Überwachung, insbesondere Abschaltung, einer technischen Anlage (12), in dem eine Steuerung (14) anhand einer sicherheitsrelevanten Eingangsgröße (18), die aus mindestens einem kontinuierlich erfassbaren ersten Messwert (20) herleitbar ist, bei Abweichung von einer erwarteten Eingangsgröße eine auf die sicherheitsrelevante Eingangsgröße (18) bezogene sicherheitsgerichtete Reaktion auslöst, die einen Übergang der technischen Anlage (12) in einen sicheren Zustand bewirkt, wobei die Verarbeitungseinheit (16) dazu eingerichtet ist, eine virtuelle Eingangsgröße (26) basierend auf kontinuierlich erfassbaren zweiten Messwerten (22), die nicht vollständig dem zumindest einen ersten Messwert (20) entsprechen, zu bestimmen und der Steuerung (14) bereitzustellen, die die auf die sicherheitsrelevante Eingangsgröße (18) bezogene sicherheitsgerichtete Reaktion auslöst, wenn die virtuelle Eingangsgröße (26) von der erwarteten Eingangsgröße abweicht.
15. Verfahren zur sicherheitsgerichteten Überwachung, insbesondere Abschaltung, einer technischen Anlage (12), aufweisend:
- Auslösen, durch eine Steuerung (14), einer auf eine sicherheitsrelevante Eingangsgröße (18) bezogenen sicherheitsgerichteten Reaktion, die einen Übergang der technischen Anlage (12) in einen sicheren Zustand bei Abweichung von einer erwarteten Eingangsgröße bewirkt, wobei die sicherheitsrelevante Eingangsgröße (18) aus mindestens einem kontinuierlich erfassbaren ersten Messwert (20) herleitbar ist;
- Bestimmen, durch eine Verarbeitungseinheit (16), einer virtuellen Eingangsgröße (26) basierend auf kontinuierlich erfassbaren zweiten Messwerten (22), die nicht vollständig dem zumindest einen ersten Messwert (20) entsprechen; und
- Bereitstellen der virtuellen Eingangsgröße (26) für die Steuerung (14), wobei die Steuerung (14) die auf die sicherheitsrelevante Eingangsgröße bezogene sicherheitsgerichtete Reaktion auslöst, wenn die virtuelle Eingangsgröße (26) von der erwarteten Eingangsgröße abweicht.
EP23789999.2A 2022-10-14 2023-10-13 System und verfahren zur sicherheitsgerichteten überwachung einer technischen anlage Pending EP4602441A1 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102022126957 2022-10-14
DE102023113963.0A DE102023113963A1 (de) 2023-05-26 2023-05-26 System und Verfahren zur sicherheitsgerichteten Überwachung einer technischen Anlage
PCT/EP2023/078490 WO2024079318A1 (de) 2022-10-14 2023-10-13 System und verfahren zur sicherheitsgerichteten überwachung einer technischen anlage

Publications (1)

Publication Number Publication Date
EP4602441A1 true EP4602441A1 (de) 2025-08-20

Family

ID=88413147

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23789999.2A Pending EP4602441A1 (de) 2022-10-14 2023-10-13 System und verfahren zur sicherheitsgerichteten überwachung einer technischen anlage

Country Status (2)

Country Link
EP (1) EP4602441A1 (de)
WO (1) WO2024079318A1 (de)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021106584B4 (de) * 2021-03-18 2024-02-22 Sick Ag System mit mindestens einem Anlagesystem mit mindestens mehreren Anlageteilen
DE102024113138A1 (de) * 2024-05-10 2025-11-13 Sick Ag Zählvorrichtung für ein sicherheitssystem zur absicherung eines gefahrenbereichs in der fabrikautomation und verfahren zum sicheren erfassen von passagen über eine grenze zwischen einem sicheren und einem nicht sicheren bereich
CN121171008B (zh) * 2025-11-20 2026-02-06 国网上海市电力公司 一种多源融合的近电施工区域动态安全预警方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9116516B2 (en) * 2011-07-21 2015-08-25 Abb Technology Ag System and method for actuator control
US10458863B2 (en) * 2012-04-17 2019-10-29 Sikorsky Aircraft Corporation Hybrid virtual load monitoring system and method

Also Published As

Publication number Publication date
WO2024079318A1 (de) 2024-04-18

Similar Documents

Publication Publication Date Title
EP4602441A1 (de) System und verfahren zur sicherheitsgerichteten überwachung einer technischen anlage
DE102010045345B4 (de) Eingebettetes System und Verfahren zur Diagnose, Prognose und zum Gesundheitsmanagement für einen humanoiden Roboter
DE102011006786B4 (de) Produktsensor, Produkt mit Produktsensor, Anlage und Verfahren zur Kommunikation zwischen Produktsensor und Anlage
EP3376390B1 (de) Fehlertolerantes verfahren zur steuerung eines autonomen kontrollierten objektes
DE102017005349A1 (de) Maschinenlernvorrichtung, numerische steuervorrichtung und maschinenlernverfahren zum lernen eines schwellenwerts zum erkennen einer anomalen last
DE112016002431T5 (de) Verfahren und System zur robotischen adaptiven Produktion
DE102013013875A1 (de) Verfahren zum Steuern eines Roboters
DE102017215508A1 (de) Automatisierungssystem mit mindestens einem Feldgerät und mindestens einer Steuereinheit
DE112008003195T5 (de) Elektrischer Schaltkreis mit einem physikalischen Übertragungsschicht-Diagnosesystem
EP1947568A1 (de) Verfahren zur Beobachtung eines Steuergeräts
DE102015122998B3 (de) Roboter und Verfahren zum Betreiben eines Roboters
EP3328595A2 (de) Verfahren und system zum steuern eines roboters
WO2013076071A1 (de) Verfahren zum semi-automatischen erstellen eines simulationsmodells für ein mechatronisches system
DE102022119730B4 (de) Kollaborativer Roboter
DE112020006810T5 (de) Betriebszustands-klassifikationssystem und betriebszustands-klassifikationsverfahren
DE102021134294B4 (de) Hybrid-Ansatz zur Schätzung und Überwachung von Reibungs- und Masseparametern in einem elektrischen Antriebssystem
DE102019006719A1 (de) Verfahren und System zum Überwachen einer funktionalen Sicherheit einer Antriebskomponente
WO2021233552A1 (de) Redundante steuerlogik für sicherheitskritische automatisierungssysteme auf der basis künstlicher neuronaler netze
DE102023113963A1 (de) System und Verfahren zur sicherheitsgerichteten Überwachung einer technischen Anlage
EP2864845B1 (de) Automatisierte rekonfiguration eines ereignisdiskreten regelkreises
WO2024008232A1 (de) Verfahren zur dynamischen erkennung von ratcheting bei einem kollaborativen roboter mittels künstlicher intelligenz und dynamischer kompensation der trajektorien
DE102013010783A1 (de) Verfahren und Steuergerät zum Testen einer Automatisierungslösung basierend auf einer PLC-Steuerung
WO2023117409A1 (de) Systemarchitektur und verfahren zur prozessüberwachung
DE102022123243B3 (de) Künstliche Intelligenz zur präzisen Bestimmung von Ausgangsdrehmomenten kollaborativer Roboter
DE102019007101A1 (de) Vorrichtung und Verfahren zur Bestimmung der Lebensdauer eines mechatronischen Systems sowie Roboter

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: 20250430

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 ME 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)