EP4720622A1

EP4720622A1 - Verfahren zur erkennung einer verstopften wirkdruckleitung einer druckmessanordnung

Info

Publication number: EP4720622A1
Application number: EP24724147.4A
Authority: EP
Inventors: Nils Ruf; Alexander Vogel
Original assignee: Endress and Hauser SE and Co KG
Current assignee: Endress and Hauser SE and Co KG
Priority date: 2023-05-26
Filing date: 2024-05-03
Publication date: 2026-04-08
Also published as: CN121079583A; WO2024245683A1; DE102023114025A1

Abstract

Ein computerimplementiertes Verfahren zur Erkennung einer verstopften Wirkdruckleitung einer Druckmessanordnung umfassend die Folgenden Schritte: - Erfassen eines Druckmesssignals mittels der Druckmessanordnung (1), vorzugsweise für einen definierten Zeitraum; - Zusammenfassen von, vorzugsweise aufeinanderfolgenden Messwerten des Druckmesssignals zu, vorzugsweise überlappenden Blöcken (B_t-₁, B_t), die vorzugsweise jeweils die gleiche Länge aufweisen; - Erzeugen von, insb. akustischen Frequenzspektren für jeden Block, wobei jedes Frequenzspektrum mehrere Frequenzkomponenten (c₁,_t-1; c_n,t) aufweist; - Eingabe der, insb. akustischen Frequenzspektren der Blöcke in ein neuronales Netzwerk, welches dazu konfiguriert ist, eine verstopfte Wirkdruckleitung anhand der Frequenzspektren der Blöcke zu erkennen; - Erzeugen einer Ausgabe, die angibt, ob eine verstopfte Wirkdruckleitung vorliegt oder nicht.

Description

Verfahren zur Erkennung einer verstopften Wirkdruckleitung einer Druckmessanordnung

Die Erfindung bezieht sich auf ein computerimplementiertes Verfahren zur Erkennung einer verstopften Wirkdruckleitung einer Druckmessanordnung, ein Datenverarbeitungsgerät mit Mitteln zur Durchführung des Verfahrens, ein Computerprogramm, ein computerlesbares Medium und eine Druckmessanordnung.

Das europäische Patent EP 1 840 549 B1 schützt eine Vorrichtung zum Erfassen einer Verstopfung von Wirkdruckleitungen, wobei die Vorrichtung zwei Drucksensoren zum Erfassen von Zeitreihen des statischen Drucks in jeweils einer Wirkdruckleitung und einen Differenzdrucksensor zum Erfassen von Zeitreihen der Differenz zwischen den Drücken in den beiden Wirkruckleitungen und drei Berechnungseinheiten zum Berechnen der Fluktuationen der beiden statischen Drücke und des Differenzdrucks anhand der Zeitreihen und der Quadratsummen der Fluktuationen; Korrelationskoeffizienten- Berechnungseinheiten zum Ermitteln der Korrelationskoeffizienten zwischen den Zeitreihen je eines statischen Drucks und des Differenzdrucks zu ermitteln und eine Auswertungseinheit, welche anhand der Korrelationen Verstopfungen der Wirkdruckleitungen erkennt, und identifiziert, welche der Wirkdruckleitungen verstopft ist bzw. sind.

Die deutsche Patentanmeldung DE 10 2013 110 059 A1 beschreibt eine Differenzdruckmessanordnung, die anhand einer Korrelation eines Differenzdrucksignals, welches eine Druckdifferenz zwischen einem ersten Mediendruck und einem zweiten Mediendruck repräsentiert, und eines Temperatursignals, welches mit einer Temperatur einer Wirkdruckleitung korreliert, verstopfte Wirkdruckleitungen erkennt.

Ferner existieren weitere Ansätze zur Erkennung einer verstopften Wirkdruckleitung. Insbesondere gibt es Ansätze, bei denen das Verfahren auf der Änderung der Frequenz der Drucksignalschwankungen basieren.

Alle Ansätze sind an sich zielführend, weisen jedoch jeweils spezifische Schwächen auf. So funktionieren einige Verfahren nicht oder nur eingeschränkt, wenn der zugrunde liegende Prozess zu dynamisch ist und großen Schwankungen unterliegt. Andere Verfahren arbeiten nur in einem bestimmten Drucksignalbereich, der von dynamischen Prozessen regelmäßig verlassen wird. Wiederum andere Verfahren weisen Schwächen auf, wenn durch lange Wirkdruckleitungen Resonanzen entstehen, die sich auf die Signalleistung auswirken und die Signalleistung mitunter künstlich erhöhen können.

Der Erfindung liegt die Aufgabe zugrunde, hier Abhilfe zu leisten. Die Aufgabe wird erfindungsgemäß gelöst durch das Verfahren zur Erkennung einer verstopften Wirkdruckleitung gemäß Patentanspruch 1 , das Verfahren zum Trainieren eines neuronalen Netzwerkes gemäß Patentanspruch 2, Datenverarbeitungsgerät gemäß Patentanspruch 14, das Computerprogramm gemäß Patentanspruch 15, das computerlesbare Medium gemäß Patentanspruch 16 und die Druckmessanordnung gemäß Patentanspruch 17.

Das erfindungsgemäße computerimplementierte Verfahren zur Erkennung einer verstopften Wirkdruckleitung einer Druckmessanordnung umfasst die folgenden Schritte:

Erfassen eines Druckmesssignals mittels der Druckmessanordnung, vorzugsweise für einen definierten Zeitraum;

Zusammenfassen von, vorzugsweise aufeinanderfolgenden Messwerten des Druckmesssignals zu, vorzugsweise überlappenden Blöcken, die vorzugsweise jeweils die gleiche Länge aufweisen;

Erzeugen von, insb. akustischen Frequenzspektren für jeden Block, wobei jedes Frequenzspektrum mehrere Frequenzkomponenten aufweist;

Eingabe der, insb. akustischen Frequenzspektren der Blöcke in ein neuronales Netzwerk, welches dazu konfiguriert, insb. trainiert ist, eine verstopfte Wirkdruckleitung anhand der Frequenzspektren der Blöcke zu erkennen;

Erzeugen einer Ausgabe, die angibt, ob eine verstopfte Wirkdruckleitung vorliegt oder nicht.

Die Erfindung betrifft weiterhin ein computerimplementiertes Verfahren zum Trainieren eines neuronalen Netzwerkes zur Erkennung einer verstopften Wirkdruckleitung einer Druckmessanordnung mit folgenden Schritten:

Eingabe der, insb. akustischen Frequenzspektren der Blöcke in ein neuronales Netzwerk zum Trainieren des neuronalen Netzwerkes anhand der erzeugten Frequenzspektren der Blöcke.

Erfindungsgemäß wird die Aufnahme und Auswertung eines Frequenzspektrums eines Druckmesssignals einer Druckmessanordnung vorgeschlagen. Bei dem Frequenzspektrum kann es sich bevorzugt um ein akustisches Frequenzspektrum handeln, welches in einem Bereich kleiner 20 kHz, insb. kleiner 2,5 kHz, insb. im Bereich von 0-2 kHz, ganz besonders im Bereich von 5 Hz - 200 Hz liegt. Das (akustische) Frequenzspektrum charakterisiert die Druckmessanordnung und stellt quasi einen Fingerabdruck des Druckmessaufnehmers dar. Eine Veränderung der Druckmessanordnung wirkt sich auf das Frequenzspektrum, insb. das akustische Frequenzspektrum aus. Dies wird sich erfindungsgemäß zu nutzen gemacht, um ein neuronales Netzwerk darauf zu trainieren, verstopfte Wirkdruckleitungen zu erkennen.

Eine vorteilhafte Ausführungsform des erfindungsgemäßen Verfahrens sieht vor, dass vor der Eingabe der Frequenzspektren der Blöcke in ein neuronales Netzwerk zunächst die Frequenzspektren mehrerer, vorzugsweise aufeinanderfolgender Blöcke zu jeweils einem zweidimensionalen Spektrogramm, welches auf der Abszisse eine Zeit und auf der Ordinate eine Amplitude der Fourier-Koeffizienten aufweist, aggregiert werden und die Spektrogramme als Eingabe für das neuronale Netzwerk verwendet werden. Insbesondere kann die Ausführungsform vorsehen, dass für die Spektrogramme eine Leistung für jede Frequenzkomponente berechnet wird.

Eine weitere vorteilhafte Ausführungsform des erfindungsgemäßen Verfahrens sieht vor, dass für das Training des neuronalen Netzwerkes jedem Spektrogramm ein binäres Label zugeordnet wird, welches angibt, ob eine verstopfte Wirkdruckleitung vorliegt oder nicht.

Eine weitere vorteilhafte Ausführungsform des erfindungsgemäßen Verfahrens sieht vor, das jedes Spektrogramm durch das neuronale Netzwerk durch mehrere, vorzugsweise zwei Faltungsschichten verarbeitet und/oder durch eine Max-Pooling-Schicht in der Dimension reduziert wird.

Eine weitere vorteilhafte Ausführungsform des erfindungsgemäßen Verfahrens sieht vor, dass das neuronale Netzwerk ein Faltungsnetzwerk ist, welches dazu eingerichtet ist, Convolutional Layers, insb. Dephtwise Separable Convolutions zu nutzen. Insbesondere kann die Ausführungsform vorsehen, dass in dem Faltungsnetzwerk ein Flattening durch geführt wird, bei dem die mehrdimensionale Ausgabedatenstruktur einer jeweiligen Faltungsschicht des Faltungsnetzes in eine eindimensionale Ausgabedatenstruktur überführt wird.

Eine weitere vorteilhafte Ausführungsform des erfindungsgemäßen Verfahrens sieht vor, dass durch einen mehrstufigen, vorzugsweise einen dreistufigen Klassifikator aus Fully- Connected— Schichten geringer werdender Größe, eine skalare Ausgabe, insb. aus der Ausgabedatenstrukturerzeugt wird, die, vorzugsweise durch eine Sigmoid- Aktivierungsfunktion, in einen Wertebereich [0; 1] abgebildet wird, um so die Ausgabe zu erzeugen, die angibt, ob eine verstopfte Wirkdruckleitung vorliegt oder nicht. Eine weitere vorteilhafte Ausführungsform des erfindungsgemäßen Verfahrens sieht vor, dass die Frequenzspektren mittels einer diskreten Fourier Transformation, insb. einer Fast-Fourier-Transformation erzeugt werden.

Eine weitere vorteilhafte Ausführungsform des erfindungsgemäßen Verfahrens sieht vor, dass die Frequenzspektren der jeweiligen Blöcke hochpassgefiltert werden, sodass Frequenzanteile, die unterhalb einer vorgebbaren Grenzfrequenz liegen, im Wesentlichen herausgefiltert bzw. gedämpft werden. Insbesondere kann die Ausführungsform vorsehen, dass zum Herausfiltern der Ruhephasen des Prozesses für die Blöcke zumindest jeweils eine Varianz berechnet wird, und anhand der Varianz entschieden wird, ob es sich um eine Ruhephase des Prozesses handelt. Insbesondere kann die Ausführungsform vorsehen, dass die Varianz mit einem konfigurier- bzw. einstellbaren Schwellwert verglichen wird, um zu entscheiden, ob es sich um eine Ruhephase des Prozesses handelt, wobei der Schwellwert vorzugsweise in einem Bereich < -70 dB, besonders bevorzugt < -80 dB, ganz besonders bevorzugt im Bereich von -80 bis -90 dB liegt.

Die Erfindung betrifft weiterhin ein Datenverarbeitungsgerät mit Mitteln zur Durchführung des Verfahrens zur Erkennung einer verstopften Wirkdruckleitung und/oder zur Durchführung des Verfahrens zum Trainieren eines neuronalen Netzwerks nach einer der zuvor beschriebenen Ausführungsformen.

Die Erfindung betrifft weiterhin ein Computerprogramm mit Anweisungen, die, wenn das Programm von einem Computer ausgeführt wird, den Computer veranlassen, das Verfahren zur Erkennung einer verstopften Wirkdruckleitung und/oder das Verfahren zur Durchführung des Verfahrens zum Trainieren eines neuronalen Netzwerkes nach einer der zuvor beschriebenen Ausführungsformen durchzuführen.

Die Erfindung betrifft weiterhin ein computerlesbares Medium, das Anweisungen enthält, die, wenn sie von einem Computer ausgeführt werden, den Computer veranlassen, das Verfahren zur Erkennung einer verstopften Wirkdruckleitung und/oder das Verfahren zur Durchführung des Verfahrens zum Trainieren eines neuronalen Netzwerkes nach einer der zuvor beschriebenen Ausführungsformen auszuführen.

Die Erfindung betrifft weiterhin eine Druckmessanordnung, wenigstens umfassend: einen Druckmessumformer zum Erfassen zumindest eines Mediendrucks eines Mediums; eine Betriebs- und/oder Auswerteschaltung zum Bereitstellen eines Druckmesssignals, welches von dem zumindest einen Mediendruck abhängt; zumindest eine Wirkdruckleitung, welche an einen Druckeingang des Druckmessumformers angeschlossen ist, um dem Druckmessumformer mit dem zumindest einen Mediendruck zu beaufschlagen; eine Detektionseinheit, welche vorzugsweise als Teil der Betriebs- und/oder Auswerteschaltung ausgebildet und dazu eingerichtet ist, das Verfahren zur Erkennung einer verstopften Wirkdruckleitung und/oder das Verfahren zur Durchführung des Verfahrens zum Trainieren eines neuronalen Netzwerkes nach einer der zuvor beschriebenen Ausführungsformen auszuführen.

Die Erfindung wird anhand der nachfolgenden Zeichnungen näher erläutert. Es zeigt:

Fig. 1 : eine Gesamtdarstellung eines Ausführungsbeispiels einer erfindungsgemäßen Druckmessanordnung,

Fig. 2: ein Sensormodul und ein elektrisch mit dem Sensormodul verbundenes Elektronikmodul der Druckmessanordnung im Detail,

Fig. 3: ein allgemeines Blockdiagramm des computer-implementierten Verfahrens zum Erkennen von verstopften Wirkdruckleitungen einer Druckmessanordnung,

Fig. 4: ein weiteres Blockdiagramm des Verfahrens zur Erkennung einer verstopften Wirkdruckleitung einer Druckmessanordnung, in dem sowohl die Lern- als auch die Inferenzphase dargestellt ist,

Fig. 5: ein weiteres Blockdiagramm des Verfahrens zur Erkennung einer verstopften Wirkdruckleitung einer Druckmessanordnung mittels eines neuronalen Netzwerkes, und

Fig. 6: ein Spektrogramm für mittelwertbereinigte und mittels einer diskreten Fouriertransformation in den Frequenzraum transformierter Chunks.

Figur 1 zeigt stark vereinfacht und schematisch eine Gesamtdarstellung einer Druckmessanordnung. In Fig.1 ist eine Differenzdruckmessanordnung dargestellt. Wenn auch nachfolgenden anhand der Differenzdruckmessanordnung beschrieben, ist die Erfindung nicht auf diese beschränkt, sondern kann gleichfalls auf eine beliebig andere Druckmessanordnung, insb. eine Absolut- und/oder Relativdruckmessanordnungen übertragen werden. Die in Fig. 1 dargestellte Differenzdruckmessanordnung umfasst einen Differenzdruckmessumformer 10, weicher ein Sensormodul 11 , das zwischen einem ersten, hochdruckseitigen Prozessanschlussflansch 12 und einem zweiten, niederdruckseitigen Prozessanschlussflansch 13 angeordnet ist, und ein Elektronikmodul 14 aufweist. Beide Module sind in einem Gehäuse des Differenzdruckmessumformers angeordnet. Das Elektronikmodul kann über eine Zweidrahtleitung 16 an ein Prozessleitsystem 18 angeschlossen sein, wobei das Elektronikmodul 14 über die Zweidrahtleitung kommunizieren und mit Energie versorgt werden kann. Die Zweidrahtleitung kann insbesondere als Feldbus nach dem Profibus- bzw. Foundation Fieldus-Standard oder nach dem HART -Standard betrieben werden. Derartige Differenzdruckmessumformer sind an sich bekannt und werden beispielsweise unter der Marke Deltabar von der Anmelderin hergestellt und in Verkehr gebracht.

Die Differenzdruckmessanordnung kann weiterhin einen Wirkdruckgeber 20 zum Einbau in eine Rohrleitung 21 umfassen. Der Wirkdruckgeber umfasst eine Blende 22, einen ersten Druckabgriffkanal 23 auf einer Hochdruckseite der Blende 22 und einen zweiten Druckabgriffkanal 24 auf einer Niederdruckseite der Blende 22. Der hochdruckseitige Prozessanschlussflansch 12 ist über eine hochdruckseitige Wirkdruckleitung 25 an den hochdruckseitigen Druckabgriffkanal 23 angeschlossen, und der niederdruckseitige Prozessanschlussflansch ist über eine niederdruckseitige Wirkdruckleitung 26 an den niederdruckseitigen Druckabgriffkanal 24 angeschlossen. Die Begriffe „hochdruckseitig“ und „niederdruckseitig“ beziehen sich auf eine durch einen Durchfluss (in der Zeichnung von links nach rechts) erzeugte Druckdifferenz, wobei diese proportional zum Quadrat der Durchflussgeschwindigkeit ist und beispielsweise in der Größenordnung von einigen 10 bis 100 mbar beträgt. Der statische Druck, dem diese durchflussabhängige Druckdifferenz überlagert ist, kann beispielsweise von 1 bar bis zu einigen 100 bar betragen.

Fig. 2 zeigt ein Sensormodul 11 und ein elektrisch mit dem Sensormodul 11 verbundenes Elektronikmodul 14 im Detail. Die Anordnung der beiden in Figur 2 gezeigten Module ist hierbei, aus Gründen der Einfachheit, nebeneinander und insofern anders als in Figur 1 angeordnet. Bei dem Sensormodul handelt es sich vorliegend um einen piezoresistiven Drucksensorelement 110 mit einer Messmembran 112, wobei das Drucksensorelement 110 Widerstandselemente in einer Brückenschaltung aufweist, um eine druckabhängige Verformung bzw. Auslenkung der Messmembran in ein elektrisches Sensormodulsignal zu wandeln. Anstelle des piezoresistiven Drucksensors kann auch ein kapazitiver Drucksensor vorgesehen sein, wobei in diesem Fall die Messmembran eine Elektrode aufweist, deren Kapazität gegenüber einer Elektrode an einem biegesteifen Gegenkörper ein Maß für die druckabhängige Verformung bzw. Auslenkung der Messmembran ist. Einzelheiten zu elektrischen Wandlern sind einem Fachmann auf dem Gebiet der Druckmesstechnik geläufig und brauchen hier nicht naher erläutert zu werden. Das Sensormodul gibt das von der erfassten Druckdifferenz abhängige Sensormodulsignal an das Elektronikmodul 14 aus, wobei eine Betriebs- und/oder Auswerteschaltung 160 des Elektronikmoduls 14 anhand des Sensormodulsignals ein die Druckdifferenz repräsentierendes Differenzdruckmesssignal generiert und bspw. über die Zweidrahtleitung 16 insb. an das Prozessleitsystem 18 ausgeben kann. Hierzu kann die Betriebs- und/oder Auswerteschaltung eine Recheneinheit, bspw. in Form eines Mikroprozessor 162 zum Verarbeiten von mittels eines ADC 164 digitalisierten Sensormodulsignalen des Drucksensors 110 aufweisen.

Die Druckmessanordnung weist weiterhin eine Detektionseinheit 150 auf, die dazu eingerichtet ist, das nachfolgend beschriebene computerimplementierte Verfahren auszuführen. Die Detektionseinheit 150 kann, wie in Fig. 2 dargestellt, Teil der Betriebs- und/oder Auswerteschaltung 160 sein oder alternativ davon abgesetzt als separate Einheit, bspw. in einer Cloud, realisiert sein.

Das computerimplementierte Verfahren unterteilt sich dabei in mehrere Verfahrensschritte, einen in einem Präprozessor 152 ausgeführten Präprozessor-Schritt (vgl. Fig. 3), bei dem das Druckmesssignal bzw. Differenzdruckmesssignal in ein Frequenzspektrum transformiert wird, einen in einem Feature Extractor 154 (vgl. Fig. 4) ausgeführten Feature Extractor-Schritt, bei dem aus dem Frequenzspektrum Merkmale mittels eines neuronalen Netzwerkes abgeleitet werden. Ferner kann ein optionaler Klassifikator Schritt in einem Klassifikator 156 ausgeführt werden, bei dem anhand der zuvor abgeleiteten Merkmale entschieden wird, ob die Wirkdruckleitung 25, 26 verstopft ist oder nicht. Die Verfahrensschritte werden dabei nacheinander ausgeführt. Fig. 3 zeigt ein allgemeines Blockdiagramm des computer-implementierten Verfahrens zum Erkennen von verstopften Wirkdruckleitungen 25, 26 einer Druckmessanordnung 1.

In dem ersten Schritt wird zunächst das Druckmesssignal mit einer höchstmöglichen Abtastrate abgetastet, um so aufeinanderfolgende Messwerte, vorzugsweise digitalisierte Messwerte, besonders bevorzugt durch den ADC 164 digitalisierte Messwerte zu erhalten. Die Abtastrate ist dabei vorzugsweise so gewählt, dass sie mindestens einige 10 Hz, vorzugsweise mindestens 50 Hz, besonders bevorzugt mindestens 100 Hz beträgt.

Um zu verhindern, dass zum Prozess, dessen Druckwerte mittels der Druckmessanordnung 1 ermittelt werden, gehörende Ruhephasen die Erkennung einer verstopften Wirkdruckleitung 25, 26 erschweren, ist es nötig, diese Ruhephasen möglichst schnell zu erkennen und herauszufiltern. Dies kann grundsätzlich auf unterschiedliche Art und Weise erfolgen. Eine einfache nachfolgende Methode kann hierfür vorsehen, dass die, vorzugsweise aufeinanderfolgenden Messwerte in dem Präprozessor-Schritt zu, vorzugsweise überlappenden Blöcken B_t-i, Bt (im Nachfolgenden auch als Chunks bezeichnet), vorzugsweise gleicher Länge zusammengefasst werden. Chunks Bn, B_t bilden hierbei jeweils untrennbare Einheiten und alle Messwerte eines Chunks Bn, B_t werden jeweils zusammen weiterverarbeitet. Anschließend wird in dem Präprozessor-Schritt für jeden Chunk B_t-i, B_t jeweils eine Varianz und optional jeweils ein Mittelwert berechnet. Anschließend wird die Varianz mit einem konfigurier- bzw. einstellbaren Schwellwert verglichen. Liegt dabei die Varianz des Chunks BM bzw. B_t unterhalb des Schwellwerts, so wird der Chunk BM bzw. B_t ignoriert, da es sich mit hoher Wahrscheinlichkeit um eine Ruhephase im Prozess handelt. Der Schwellwert ist dabei abhängig vom Prozess und kann von Prozess zu Prozess variieren. Beispielsweise kann der Schwellwert für einen Füllstandsprozess, bei dem mittels einer Druckmessanordnung ein Füllstand bestimmt wird, ein anderer sein als dies für einen Durchflussprozess, bei dem mittels einer Differenzdruckmessanordnung ein Durchfluss bestimmt wird, der Fall ist. Üblicherweise liegt der Schwellwert aber in einem Bereich < -70 dB, vorzugsweise < - 80 dB, besonders bevorzugt im Bereich von - 80 bis -90 dB.

Die verbleibenden Chunks B_t-i, B_t werden danach in dem Präprozessor-Schritt mittelwertbereinigt und mittels einer diskreten Fouriertransformation, z.B. einer Fast Fourier Transformation (kurz: FFT), in den Frequenzraum transformiert, um so die für den im anschließenden Feature Extractor-Schritt notwendigen Fourier-Koeffizienten für jeden Chunk BM , B_t zu erhalten. Fig. 6 zeigt exemplarisch ein solches Spektrogramm. Nach der Fourier Transformation kann optional in dem Präprozessor-Schritt vorgesehen sein, dass ein Hochpassfilter 158 angewandt wird, der auf einer vorgebbaren Grenzfrequenz arbeitet, um so den eigentlichen Druckwert herauszufiltern. Die vorgebbare Grenzfrequenz kann bspw. so gewählt sein, dass sie im Bereich einiger Hz, vorzugsweise kleiner 5 Hz, besonders bevorzugt im Bereich von 1-5 Hz liegt. Die Ausgabe des Präprozessors nach der Verarbeitung besteht aus den (ggfl. hochpassgefilterten) Fourier- Koeffizienten eines Chunks.

In dem an den Präprozessor-Schritt anschließenden Feature-Extractor-Schritt werden die zur Erkennung einer verstopften Wirkdruckleitung 25, 26 benötigten Merkmale ermittelt. Hierzu wird vorliegend eine Variante vorgeschlagen, die im Wesentlichen auf der Anwendung von Neuronalen Netzwerken, insb. Faltungsnetzen (nachfolgend auch Convolutional Neural Networks oder kurz „CNN“ genannt) aus dem Bereich des Maschinellen Lernens beruht und die im Wesentlichen in den Fig. 3 und 4 dargestellt ist.

Diese Variante unterteilt sich in eine Lern- bzw. Trainingsphase, in der zunächst für den Prozess typische Merkmale erkannt bzw. erlernt werden und eine Inferenzphase, in der die Spektren anhand der gelernten Muster während des eigentlichen Messbetriebs der Druckmessanordnung analysiert werden.

Grundlage für das Training bilden die (hochpassgefilterten) Fourier-Koeffizienten von mehreren Chunks, die jeweils aus K Frequenzkomponenten zusammengesetzt sind (Spektrogramme) und durch den Präprozessor bereitgestellt werden. Für das Training des Netzes, insb. des Faltungsnetzes müssen jedoch mehrere Chunks zu einem Sample aggregiert werden. Ferner kann es von Vorteil sein, wenn ein Leistungsspektrum berechnet wird. Der FFT-Aggregator ist dazu eingerichtet, N aufeinanderfolgende Ausgaben des Präprozessors zu zweidimensionalen Spektrogrammen zu gruppieren. Ferner kann optional für jede Ausgabe eine Leistung für jede Frequenzkomponente berechnet werden. Nach diesem Schritt können die resultierenden zweidimensionalen Spektrogramme zum Training des Faltungsnetzes verwendet werden. Für das Training in der Lernphase kann zunächst vorgesehen sein, dass die zweidimensionalen Spektrogramme über eine nicht näher spezifizierte Datenübertragung an einen externen Rechner gesendet werden, da Speicherplatz und Rechenleistung des Mikroprozessors 162 ggfls. nicht für das T raining von CNNs ausreichen.

Die zweidimensionalen Spektrogramme dienen als Eingaben (Samples) für das Faltungsnetz. Jedem Spektrogramm wird danach ein binäres Label zugeordnet, wobei 0 für eine freie Impulse Line (Negativklasse) und 1 für eine verstopfte Leitung (Positivklasse) steht. Es wird im Vorfeld festgelegt, ab welchem Verstopfungsgrad ein Sample zur Positivklasse gehört. Das Spektrogramm im Übergangsbereich der beiden Klassen wird derjenigen zugeordnet, von der die meisten Fourier-Koeffizienten stammen. Bei Gleichstand zählt das Sample vorzugsweise zur Negativklasse. Für das nachfolgende Training können die Spektrogramme (Samples) durchmischt und zufällig auf einen Trainings-, einen Validierungs- und einen Testdatensatz aufgeteilt werden. Auf den Trainingsdatensatz können vorzugsweise dabei 60 % der Samples entfallen und der Validierungsdatensatz kann weitere 30 % der Samples enthalten, so dass die verbleibenden 10 % den Testdatensatz bilden können. Der Testdatensatz wird als unabhängiger Datensatz benötigt, da die Validierungsdaten für das Anpassen der Hyperparameter, wie z.B. einer Batch Size und für die Erkennung von Under- sowie Overfitting verwendet werden. Vorzugsweise kann bei der Erzeugung des Datensatzes die Skalierung der Spektrogramme in Dezibel vorgenommen werden. Die logarithmische Skala sorgt für eine bessere visuelle Trennbarkeit kleiner Leistungsunterschiede, was das Training der Netze vereinfacht.

Fig. 5 zeigt ein Ausführungsbeispiel eines sowohl für das T raining als auch in der Inferenzphase verwendbaren neuronalen Netzes. Bei dem Netz kann es sich vorzugsweise um ein Faltungsnetz handeln. Als Eingabe kann das Netz bspw. einen Ausschnitt des Spektrogramms der Dimension T x K x 1 erhalten, wobei mit T die Anzahl aufeinanderfolgender Zeitschritte (abgebildet durch unterschiedliche Chunks) und mit K die Anzahl der nach der Hochpassfilterung übrig gebliebenen Fourier-Koeffizienten beschrieben wird. Der Spektrogrammausschnitt kann dann durch zwei Faltungsschichten verarbeitet und durch Max-Pooling-Schichten in der Dimension reduziert werden. Nach einem Flattening, bei dem die mehrdimensionale Datenstruktur in eine eindimensionale Datenstruktur überführt wird, kann ein dreistufiger Klassifikator aus Fully-Connected- Schichten geringer werdender Größe erfolgen. Dieser mündet schließlich in einer skalaren Ausgabe, die durch eine Sigmoid-Aktivierungsfunktion in einen Wertebereich (0; 1) abgebildet wird. Über einen vorgebbaren Schwellwert q aus diesem Intervall kann dann eine Grenze für die Zuordnung eines Samples zur Positiv- oder Negativklasse gesetzt werden, so dass eine binäre Ausgabe erzeugt werden kann, die angibt, ob eine verstopfte Wirkdruckleitung vorliegt oder nicht.

Für die Faltung kommen vorzugsweise keine klassischen Convolutions (Faltungsschichten) zur Anwendung. Stattdessen werden vorzugsweise Convolutional Layers, insb. sogenannte Depthwise Separable Convolutions genutzt. Depthwise Separable Convolutions sind bspw. in der Veröffentlichung „MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications“ von Andrew G. Howard, et al. oder in der Veröffentlichung „Rigid Motion Scattering for Texture Classification“ von Laurent Slfre, Stephane Mallat beschrieben. Hierfür wird zunächst jeder der N Eingabekanäle durch eine separate Convolution mit Kernelgröße W x H x 1 transformiert, wobei mit W und H Breite und Höhe der Kernels bezeichnet wird. Die daraus entstehenden Ergebnisse können anschließend zu einem Tensor der Dimension T' x K' x N' zusammengefasst werden, bevor M Convolutions mit einer Kernelgröße 1 x 1 x N auf den Tensor angewandt werden können. Das Resultat ist letztlich ein Tensor der Dimension T' x K' x M mit M Feature Maps der Größe T' x K', wie es auch bei der Anwendung einer klassiscihen (W x H x M)-Convolution der Fall gewesen wäre.

Beide Faltungsschichten können bspw. Kernels der Größe 3 x 3 besitzen, wobei Padding und Stride jeweils eins sind. In der ersten Faltungsschicht können acht Feature Maps erzeugt werden, die durch die zweite Faltung auf zwölf erweitert werden können. Nach jeder Schicht kann ein (2 x 2)-Max-Pooling für eine Halbierung von Breite und Höhe der Feature Maps sorgen. In allen Convolution- und Fully-Connected-Schichten wird vorzugsweise ReLu als Aktivierungsfunktion verwendet. Ausgenommen ist hierbei die letzte Schicht, in der, wie zuvor beschrieben, die Sigmoid-Funktion benutzt wird.

Für die Inferenzphase, in der die Spektren anhand der gelernten Muster während des eigentlichen Betriebs der Druckmessanordnung analysiert werden, wird das trainierte Modell mit den Modellparametern 0, insb. den Gewichten des neuronalen Netzes, zurück auf die Recheneinheit der Druckmessanordnung übertragen, falls das Training nicht auf der Recheneinheit der Druckmessanordnung durchgeführt wurde. Anschließend kann das Modell mit den Modellparametern das Sample des FFT-Aggregators zum Zeitpunkt t direkt klassifizieren und über den Schwellwert q eine Ausgabe erzeugen, die angibt, ob eine verstopfte Wirkdruckleitung vorliegt oder nicht.

Grundsätzlich kann die Ausgabe des Feature Extractor, ob eine verstopfte

Wirkdruckleitung 25, 26 vorliegt, ausreichend für das Erkennen einer verstopften Wirkdruckleitung 25, 26 sein. Allerdings können hierbei falsche Ergebnisse entstehen. Aus diesem Grund kann es optional vorgesehen sein, dass in dem an den Feature Extractor-Schritt anschließenden Klassifikator-Schritt eine zusätzliche Glättung der Ausgabe des Feature Extractors durch einen Mittelwertfilter durchgeführt wird. Der Mittelwertfilter aggregiert die letzten M Ausgaben, die aus dem Feature-Extractor-Schritt hervorgehen, und entscheidet schwellwertabhängig anhand des Mittelwerts, ob tatsächlich eine verstopfte Wirkdruckleitung vorliegt oder nicht.

Bezugszeichenliste

1 Druckmessanordnung

10 Druckmessumformer

11 Sensormodul

12, 13 Prozessanschlussflansche

14 Elektronikmodul

16 Zweidrahtleitung

18 Prozessleitsystem

20 Wirkdruckgeber

21 Rohrleitung

22 Blende

23, 24 Druckabgriffkanäle

25, 26 Wirkdruckleitungen

110 Drucksensorelement

112 Messmembran

140 Druckübertragungsmedium

150 Detektionseinheit

152 Präprozessor

154 Feature Extractor

156 Klassifikator

158 Hochpassfilter

160 Betriebs- und/oder Auswerteschaltung

162 Mikroprozessor

164 ADC

Bt-i, Bt Blöcke bzw. Chunks

C1 ,t-1 ; C_n,t Frequenzkomponenten der Frequenzspektren der Blöcke

CNN Faltungsnetzwerk (engl. Convolutional Neural Network)

0 Modellparametern

Claims

Patentansprüche

1 . Ein computerimplementiertes Verfahren zur Erkennung einer verstopften Wirkdruckleitung einer Druckmessanordnung umfassend die Folgenden Schritte:

Erfassen eines Druckmesssignals mittels der Druckmessanordnung (1), vorzugsweise für einen definierten Zeitraum;

Zusammenfassen von, vorzugsweise aufeinanderfolgenden Messwerten des Druckmesssignals zu, vorzugsweise überlappenden Blöcken (B_t-i, Bt), die vorzugsweise jeweils die gleiche Länge aufweisen;

Erzeugen von, insb. akustischen Frequenzspektren für jeden Block, wobei jedes Frequenzspektrum mehrere Frequenzkomponenten (ci,_t-i; c_n,t) aufweist;

2. Ein computerimplementiertes Verfahren zum Trainieren eines neuronalen Netzwerkes zur Erkennung einer verstopften Wirkdruckleitung einer Druckmessanordnung umfassend die Folgenden Schritte:

3. Verfahren nach Anspruch 1 oder 2, wobei vor der Eingabe der Frequenzspektren der Blöcke in ein neuronales Netzwerk zunächst die Frequenzspektren mehrerer, vorzugsweise aufeinanderfolgender Blöcke zu jeweils einem zweidimensionalen Spektrogramm, welches auf der Abszisse eine Zeit und auf der Ordinate eine Amplitude der Fourier-Koeffizienten aufweist, aggregiert werden und die Spektrogramme als Eingabe für das neuronale Netzwerk verwendet werden.

4. Verfahren nach dem vorhergehenden Anspruch, wobei für die Spektrogramme eine Leistung für jede Frequenzkomponente berechnet wird.

5. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, wobei für das Training des neuronalen Netzwerkes jedem Spektrogramm ein binäres Label zugeordnet wird, welches angibt, ob eine verstopfte Wirkdruckleitung vorliegt oder nicht.

6. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, wobei jedes Spektrogramm durch das neuronale Netzwerk durch mehrere, vorzugsweise zwei Faltungsschichten verarbeitet und/oder durch eine Max-Pooling-Schicht in der Dimension reduziert wird.

7. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, wobei das neuronale Netzwerk ein Faltungsnetzwerk ist, welches dazu eingerichtet ist, Convolutional Layers, insb. Dephtwise Separable Convolutions zu nutzen.

8. Verfahren nach einem dem vorhergehenden Anspruch, wobei in dem Faltungsnetzwerk ein Flattening durch geführt wird, bei dem eine mehrdimensionale Ausgabedatenstruktur einer jeweiligen Faltungsschicht des Faltungsnetzwerkes in eine eindimensionale Ausgabedatenstruktur überführt wird.

9. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, wobei durch einen mehrstufigen, vorzugsweise einen dreistufigen Klassifikator aus Fully-Connected- Schichten geringer werdender Größe, eine skalare Ausgabe, insb. aus der Ausgabedatenstrukutur erzeugt wird, die, vorzugsweise durch eine Sigmoid- Aktivierungsfunktion, in einen Wertebereich [0; 1] abgebildet wird, umso die Ausgabe zu erzeugen, die angibt, ob eine verstopfte Wirkdruckleitung vorliegt oder nicht.

10. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, wobei die Frequenzspektren mittels einer diskreten Fourier Transformation, insb. einer Fast-Fourier- Transformation erzeugt werden.

11. Verfahren nach einem oder mehreren der vorhergehenden Ansprüche, wobei die Frequenzspektren der jeweiligen Blöcke (B_t-i, Bt) hochpassgefiltert werden, sodass Frequenzanteile, die unterhalb einer vorgebbaren Grenzfrequenz liegen, im Wesentlichen herausgefiltert bzw. gedämpft werden.

12. Verfahren nach dem vorhergehenden Anspruch, wobei zum Herausfiltern der Ruhephasen des Prozesses für die Blöcke (B_t-i , Bt) zumindest jeweils eine Varianz berechnet wird, und anhand der Varianz entschieden wird, ob es sich um eine Ruhephase des Prozesses handelt.

13. Verfahren nach dem vorhergehenden Anspruch, wobei die Varianz mit einem konfigurier- bzw. einstellbaren Schwellwert verglichen wird, um zu entscheiden, ob es sich um eine Ruhephase des Prozesses handelt, wobei der Schwellwert vorzugsweise in einem Bereich < -70 dB, besonders bevorzugt < -80 dB, ganz besonders bevorzugt im Bereich von -80 bis -90 dB liegt.

14. Datenverarbeitungsgerät mit Mitteln zur Durchführung des Verfahrens Verfahren zur Erkennung einer verstopften Wirkdruckleitung nach Anspruch 1 und/oder zur Durchführung des Verfahrens zum Trainieren eines neuronalen Netzwerkes nach Anspruch 2.

15. Computerprogramm mit Anweisungen, die, wenn das Programm von einem Computer ausgeführt wird, den Computer veranlassen, das Verfahren zur Erkennung einer verstopften Wirkdruckleitung nach Anspruch 1 und/oder das Verfahren zur Durchführung des Verfahrens zum Trainieren eines neuronalen Netzwerkes nach Anspruch 2 durchzuführen.

16. Computerlesbares Medium, das Anweisungen enthält, die, wenn sie von einem Computer ausgeführt werden, den Computer veranlassen, das Verfahren zur Erkennung einer verstopften Wirkdruckleitung nach Anspruch 1 und/oder das Verfahren zur Durchführung des Verfahrens zum Trainieren eines neuronalen Netzwerkes nach Anspruch 2 auszuführen.

17. Druckmessanordnung, wenigstens umfassend: einen Druckmessumformer (10) zum Erfassen zumindest eines Mediendrucks eines Mediums; eine Betriebs- und/oder Auswerteschaltung (14) zum Bereitstellen eines Druckmesssignals, welches von dem zumindest einen Mediendruck abhängt; zumindest eine Wirkdruckleitung (25), welche an einen Druckeingang (12) des Druckmessumformers (10) angeschlossen ist, um dem Druckmessumformer (10) mit dem zumindest einen Mediendruck zu beaufschlagen; eine Detektionseinheit (150), welche vorzugsweise als Teil der Betriebs- und/oder Auswerteschaltung ausgebildet und dazu eingerichtet ist, das Verfahren zur Erkennung einer verstopften Wirkdruckleitung nach Anspruch 1 und/oder das Verfahren zur Durchführung des Verfahrens zum Trainieren eines neuronalen Netzwerkes nach Anspruch 2 auszuführen.