WO2010015465A1 - Diagnoseverfahren eines prozessautomatisierungssystem - Google Patents

Diagnoseverfahren eines prozessautomatisierungssystem Download PDF

Info

Publication number
WO2010015465A1
WO2010015465A1 PCT/EP2009/058301 EP2009058301W WO2010015465A1 WO 2010015465 A1 WO2010015465 A1 WO 2010015465A1 EP 2009058301 W EP2009058301 W EP 2009058301W WO 2010015465 A1 WO2010015465 A1 WO 2010015465A1
Authority
WO
WIPO (PCT)
Prior art keywords
variables
input
diagnostic method
raw data
state
Prior art date
Application number
PCT/EP2009/058301
Other languages
English (en)
French (fr)
Inventor
Alexander Müller
Original Assignee
Endress+Hauser Gmbh+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
Application filed by Endress+Hauser Gmbh+Co.Kg filed Critical Endress+Hauser Gmbh+Co.Kg
Priority to US13/058,050 priority Critical patent/US20110145180A1/en
Publication of WO2010015465A1 publication Critical patent/WO2010015465A1/de

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—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/21—Pc I-O input output
    • G05B2219/21002—Neural classifier for inputs, groups inputs into classes
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24048—Remote test, 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25255—Neural network
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25428—Field device
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33037—Learn parameters of network offline, not while controlling system

Definitions

  • the invention relates to a diagnostic method of a process automation system comprising at least one field device, a control / regulating unit, and at least one fieldbus according to claim 1.
  • field devices are regularly used, which set process variables by means of sensors in the process sequence or set steep variables by means of actuators.
  • the field devices include e.g. Flow, level, pressure or differential pressure, temperature measuring devices, as well as Stelderantrieb. They are usually arranged decentrally in the immediate vicinity of the process component to be measured or controlled, and provide a measurement signal which corresponds to the measured value of the acquired process variable.
  • the measuring signals of the field devices are sent to a higher-level unit, e.g. a central control unit, such as e.g. a control room or a process control system, forwarded.
  • a higher-level unit e.g. a central control unit, such as e.g. a control room or a process control system, forwarded.
  • the entire process control takes place via the higher-level unit, which receives and evaluates the measuring signals of the individual measuring devices and, depending on their evaluation, generates control signals for the actuators that control the process flow.
  • a flow through a pipe section can be adjusted by means of a controllable valve as a function of a measured flow.
  • a flawless and smooth operation of the field devices is of great importance for the safety of the applications in which they are used. Accordingly, the functionality of feeder devices is closely monitored and errors that occur are indicated by appropriate error messages, eg in the form of a warning or an alarm.
  • the monitoring is preferably carried out by the field device itself, in that the field device carries out self-monitoring and / or diagnosis.
  • Fefdtechnik are now equipped in part with a device for carrying out diagnostic procedures. These are able to diagnose the occurrence of certain errors or states of the field device on the basis of input variables available in the field device.
  • the input variables are permanently implemented in the field device
  • Evaluation procedures are analyzed and the occurrence of monitoring criteria characteristic of the error or condition is monitored. If such a monitoring criterion occurs, the field device outputs the assigned diagnostic value.
  • a diagnostic method in a feeder is described, for example, in US Pat. No. 5,419,197.
  • a sensory measuring system e.g. an acceleration sensor is used to diagnose a machine.
  • the measured variable of the acceleration sensor, together with the diagnostic state of the machine, is fed to a neural network, which contains the
  • Transfer function of the diagnostic system determines (learning process).
  • the accelerometer is used solely for the purpose of analyzing machine diagnostics with a neural network.
  • diagnostic methods of a process automation system consisting of at least one field device, a control unit, and at least one fieldbus, which has the following method steps, in a learning phase are raw data of measured variables, raw data of manipulated variables and / or raw data of state variables of the field devices or the processes are recorded as input variables and stored in a standardized manner.
  • at least one parameter of a measurement condition is entered by the user during the learning phase
  • the corresponding output variables are stored assigned to the input variables, during the learning phase, the input variables and the assigned output variables are passed to a neural network, in the learning phase, the causal relationships between the determined input variables and the corresponding predetermined output variables determined and stored by a transfer function of the neural network, in an operating phase is determined by the transfer function from the current raw data of the field devices as input variables at least one change of the current measurement condition, the current process state and / or the current field device state.
  • a further advantageous embodiment of the solution according to the invention can be seen in that the diagnostic method is carried out in the control unit by the raw data from the field devices are transmitted via the fieldbus and the parameters are also transmitted via the fieldbus or directly to an input / Output unit of the control unit to be input.
  • a very advantageous variant of the method according to the invention can be seen in that the neural network determines the causal relationships between the determined input variables and the corresponding, predetermined ones
  • a particularly advantageous development of the method according to the invention proposes that in the teach-in phase a periodic acquisition of the raw data as input variables and a periodic specification of the parameters as output variables are carried out simultaneously.
  • a preferred embodiment of the method according to the invention provides that the parameters are quantified by gradual assessment of the field device state, the process state and / or the measurement condition by the user.
  • the parameters of the output variables be specified within a range of 1 to 10 by the user.
  • An expedientness of the method according to the invention is that limit values of the parameters are given by means of which a validity of the input variables, a critical measurement condition, a critical field device state and / or a critical process state is determined.
  • An expedient, alternative exemplary embodiment of the method according to the invention consists in classifying the raw data of measured variables, manipulated variables and / or state variables of the various field devices of the same process.
  • a preferred embodiment of the method according to the invention provides that the specification of the parameters by the user is performed by a menu-guided input via an input / output unit.
  • An advantageous embodiment of the solution according to the invention consists in that the training phase is carried out during the commissioning of the field device and / or the process introduction.
  • FIG. 1 shows a block diagram of a process with field device for carrying out the diagnostic method defined by the user
  • FIG. 1 shows a simplified block diagram of a process automation system 1 according to the invention, which is constructed from a control / regulation unit 2 or control center and a multiplicity of field devices 3 in a container of the first process 13.
  • the individual field devices 3 communicate with each other and with the control / regulation unit 2 via a field bus 4 and / or a two-wire connection line.
  • a control / evaluation unit 15 is integrated, which performs the control of the automation process, the evaluation, the analysis and / or the diagnosis of the measured values M or control values S of the individual field devices 3.
  • a process variable G is a physical quantity which is used exclusively for state changes Z in
  • Processes 13 occurs.
  • the measured values M and steady state values S are values of these process variables G or of their state variables Z of the process 13 which are determined by the sensors or actuators of the field devices 3.
  • two level measuring devices 6, a limit level measuring device 7, a pressure measuring device 8, a temperature measuring device 11 and an analytical measuring device 8 are introduced in FIG. 1.
  • a flow meter 9 and an actuator 12 is integrated with a valve which determines the removal of the contents of the container via the outlet and / or adjusts.
  • These field devices 3 communicate, for example, via a digital feeder bus 4, e.g. Profibus PA or Fieldbus, with each other and / or with the control / control unit 2.
  • Analogous to the wired communication via a digital field bus 4 the communication can also be transmitted via a corresponding wireless communication unit according to one of the known standards, such as e.g. ZigBee, WLan, Bluthooth, be configured. However, this is not explicitly explained in the embodiment shown in FIG. 1.
  • the control / regulation unit 2 includes at least one control / evaluation unit 15 with the field devices 3 via the field bus 4 or the two-wire connection line 4, the raw data R as input E for the
  • Diagnostic function requests and receives. Furthermore, the measured values M of the sensors of the field devices 3 are received by the control / regulation unit 2 via the same fieldbus 4 and the manipulated variables S are received by the actuators of the field gauges 3 in FIG Process 13 sent.
  • This control / evaluation unit 15 is assigned an input / output unit 14 via which the diagnosis value D and / or the determined error status F is displayed and parameters P of the process 13 and / or the field device 3, as well as limit values G for the diagnosis values D are input or can be specified.
  • a memory unit is provided in the control / regulation unit 2 which makes it possible to store the transfer function U of the neural network 5, the raw data R of the field devices 3, the limit values G, the parameters P, diagnostic values D and the error states F.
  • a powerful microprocessor is provided in the control unit 2.
  • the raw data R of the field devices 3 are sent as an input variable E via the fieldbus 4 after a request or cyclically to the control / evaluation unit 15 in the control center 2. In that contained in the control / evaluation unit 15
  • Neural network 5 these inputs E in a learning phase EP are used to form the transfer functions U of the neural network.
  • the diagnosis values D and error states F ascertained in the operating phase BP in the neural network 5 are transmitted to the field devices 3 via the fieldbus 4 or a wireless radio link or an alarm state is sent to the input / output unit 14 of the control station 2 or the field device 3 shown in FIG Figure are not explicitly shown, issued.
  • FIG. 2 shows a flow chart of the diagnostic method according to the invention with a neural network 5.
  • the diagnostic method can be fundamentally determined in two process phases into a learning phase EP, in which the transfer functions U in the neural network 5 are determined by the raw data R of the field devices 3 as an input variable E and the parameters P of the process states PZ and the field device states FZ as an output variable A. be, and an operating phase BP, in which the learned
  • the input of the parameters P requires the operator some knowledge of how the processes 13 run and how the gauges 3 work.
  • the parameters P of the process states PZ and the field device states FZ are detected by an operator of the process plants and transferred via an output / input unit 14 in the control / evaluation unit 15 as output variable A.
  • the raw data R as input quantity E are standardized, for example, by filtering and / or by data compression to a standardized input quantity En and the parameters P are qualified by a checking routine and converted into a measurable numerical value by a quantification routine as a quantified output quantity Aq.
  • the quantified output Aq and the normalized input En are stored in a memory unit. From the stored values of the quantified output quantity Aq and the normalized input quantity En, the control / evaluation unit 15 in the control center 2 determines the transfer functions U of the neural network 5 after an input command of the initialization Int of the learning process EP. These determined transfer functions U of the neural network 5 become stored in the storage unit.
  • these determined transmission functions U of the neural network 5 are loaded.
  • the raw data collected during the operating phase of the process automation system BP 1 R 3 of the field devices are recognized as input variables and E 'as previously converted into the teach EP 1 in normalized input variables En.
  • the neural network 5 determines from the current, normalized input values En mitteis the transfer function U a diagnosis value D as output variable A.
  • This diagnostic value D is compared with a predetermined limit value G or it is checked, for example, whether the determined diagnostic value is within a minimum and maximum limit value G. If the diagnostic value D lies outside the specifications of the limit values G, an error state F of the process automation system 1 is generated by the control / evaluation unit 15.
  • This error state F can be displayed by the control / evaluation unit 15 on the input / output unit 14 as an alarm.
  • the alarm of the error state F at the control center 2 or the field device 3 signals are displayed.
  • the diagnostic method according to the invention for monitoring a process automation system 1 basically comprises the following method steps,
  • the raw data R of measured variables M, raw data R of manipulated variables S and / or raw data R are acquired from state variables 2 of the field devices 3 or the processes 13 as input variables E and stored as normalized input variable En,
  • the user or operator sets the parameters P of a measurement condition and process situation as a parameter P of a process state PZ and / or at least one parameter P of a
  • the corresponding outputs A are quantified, i. a specific, measurable value is assigned to a specific output variable A, stored together in association with the normalized input variables En,
  • the normalized input quantities E and the assigned output quantities A are transferred to a neural network 5
  • Output variables A a transmission function U of the neural network 5 is determined and stored, - In an operating phase BP is stored by means of
  • Transfer function U from the current raw data R of the field devices 3 as input variables E determined at least one change of the current measurement condition, the current process state and / or the current field device state.
  • An exemplary embodiment of the invention is illustrated in the following section.
  • the exemplary embodiment can be shown by the fact that due to buildup of a liquid at the sensors of the field devices 3 a periodic cleaning of the process measurement technology is required, so that in the future the validity of the measured values M, e.g. the pressure, the temperature, the level, the flow rate, the pH value and the limit level can be guaranteed.
  • the measured values M e.g. the pressure, the temperature, the level, the flow rate, the pH value and the limit level
  • Experience has shown that such cleaning is carried out every 4 weeks in process 13. During such a cleaning procedure, it can be stated that the sensors of the field devices 3 were sometimes hardly and at other times heavily soiled. The validity of the measured values M is sometimes already no longer given and another measure! cleaned too early.
  • a diagnostic system for predictive maintenance is desired here.
  • This input quantity E is subjected to a normalization as described above After completion of the process introduction, the data records become the parameters P of the degree of pollution as quantified Output Aq and the raw data R as normalized input quantities En a neural network 5 transmitted, from which this determines the corresponding transfer function U.
  • the invention shows that this relation of cause and effect need not be known beforehand. This cause-effect is determined for the first time in the one-man process and is unique for the specific diagnostic case of a process.
  • control center control center

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Die Erfindung bezieht sich auf ein Diagnoseverfahren eines Prozessautomatisierungssystem (1) bestehend aus zumindest einem Feldgerät (3), einer Steuer-/Regeleinheit (3), und zumindest einem Feldbus (4), welches die folgenden Verfahrensschritte aufweist, in einer Einlernphase (EP) werden Rohdaten (R) von Messgrößen (M), Rondaten (R) von Stellgrößen (S) und/oder Rohdaten (R) von Zustandsgrößen (Z) der Feldgeräte (3) oder der Prozesse (13) als Eingangsgrößen (E) erfasst und normiert abgespeichert, außerdem werden in der Einlernphase (EP) vom Anwender zumindest ein Parameter (P) einer Messbedingung, zumindest ein Parameter (P) eines Prozesszustandes (PZ) und/oder zumindest ein Parameter (P) eines Feldgerätezustandes (FZ) als Ausgabegröße (A) vorgegeben, die entsprechenden Ausgangsgrößen (A) werden den Eingangsgrößen (En) zugeordnet abgespeichert, während der Einlernphase (EP) werden die Eingangsgrößen (E) und die zugeordneten Ausgangsgrößen (A) einem neuronalen Netzwerk (5) übergeben, in der Einlernphase (EP) werden die kausalen Beziehungen zwischen den ermittelten Eingangsgrößen (E) und den entsprechenden, vorgegebenen Ausgangsgrößen (A) durch eine Übertragungsfunktion (U) des neuronalen Netzwerk (5) ermittelt und abgespeichert, in einer Betriebsphase (BP) wird mittels den Übertragungsfunktion (U) aus den aktuellen Rohdaten (R) der Feldgeräte (3) als Eingangsgrößen (E) zumindest eine Änderung der aktuellen Messbedingung, des aktuellen Prozesszustand und/oder des aktuellen Feldgerätezustand ermittelt.

Description

Diagnoseverfahren eines Prozessautomatisierungssystem
Die Erfindung betrifft ein Diagnoseverfahren eines Prozessautomatisierungs- systems bestehend aus zumindest einem Feldgerät, einer Steuer-/Regeleinheit, und zumindest einem Feldbus gemäß dem Anspruch 1.
In der industriellen Messtechnik, insb. in der Automatisierungs- und Prozesssteuerungstechnik, werden regelmäßig Feldgeräte eingesetzt, die im Prozessablauf Prozessvariablen mittels Sensoren ermittein oder Steilgrößen mittels Aktoren einstellen.
Zu den Feldgeräten zählen z.B. Durchfluss-, Füllstands-, Druck- oder Differenzdruck- , Temperaturmessgeräte, sowie Stelfantrieb. Sie sind in der Regel dezentral in unmittelbarer Nähe der zu messenden oder zu steuernden Prozesskomponente angeordnet, und liefern ein Messsignal, das dem Messwert der erfassten Prozessvaräablen entspricht. Die Messsignale der Feldgeräte werden an eine übergeordnete Einheit, z.B. eine zentrale Steuereinheit, wie z.B. eine Warte oder ein Prozessieitsystem, weitergeleitet. In der Regel erfolgt die gesamte Prozessteuerung über die übergeordnete Einheit, die die Messsignale der einzelnen Messgeräte empfängt und auswertet und in Abhängigkeit von deren Auswertung Steuerungssignaie für die Aktoren erzeugt, die den Prozessablauf steuern. Auf diese Weise kann beispielsweise ein Durchfluss durch einen Rohrleitungsabschnitt mittels eines steuerbaren Ventils in Abhängigkeit von einem gemessenen Durchfluss eingestellt werden.
Ein einwandfreies und reibungsloses Arbeiten der Feldgeräte ist für die Sicherheit der Anwendungen, in denen sie eingesetzt werden von großer Bedeutung. Entsprechend wird die Funktionsfähigkeit von Feidgeräten genau überwacht und auftretende Fehler werden durch entsprechende Fehlermeldungen, z.B. in Form einer Warnung oder eines Alarms, angezeigt. Vorzugsweise erfolgt die Überwachung durch das Feldgerät selbst, indem das Feldgerät eine Selbstüberwachung und/oder Diagnose ausführt. Hierzu sind Fefdgeräte heute teilweise mit einer Vorrichtung zur Durchführung von Diagnosenverfahren ausgestattet. Diese sind in der Lage anhand von im Feldgerät zur Verfügung stehenden Eingangsgrößen das Auftreten bestimmter Fehler oder Zustände des Feldgeräts zu diagnostizieren. Hierzu werden die Eingangsgrößen anhand von im Feldgerät fest implementierten
Auswerteverfahren analysiert und es wird das Eintreten von für den Fehler oder den Zustand charakteristischen Überwachungskriterien überwacht. Tritt ein solches Überwachungskriterium ein, gibt das Feldgerät den zugeordneten Diagnose-Wert aus.
Ein derartiges Diagnoseverfahren in einem Feidgerät ist beispielsweise in der US 5 419 197 A beschrieben. Hierbei wird ein sensorisches Messsystem, z.B. ein Beschleunigungssensor zur Diagnose einer Maschine eingesetzt. Die Messgröße des Beschleunigungssensors wird zusammen mit dem Diagnosezustand der Maschine einem Neuronalen Netzwerk zugeführt, welches die
Übertragungsfunktion des Diagnosesystems bestimmt (learning process). Der Beschleunigungssensor wird einzig und allein zum Zwecke der Analyse der Maschinendiagnose mit einem Neuronalen Netzwerk eingesetzt.
Desweiteren werden solche Diagnosesysteme in der US 2002077711 aufgezeigt. Hier wird die Prozessdiagnose unter anderem durch die Verwendung der vorliegenden Sensordaten realisiert. Diese ermittelten Sensordaten werden mittels auswähibarer mathematischer Funktionen bearbeitet und diese Ergebnisse der bearbeiten Sensordaten werden innerhalb eines Bewertungssystems zur weiteren Diagnose des Prozesses herangezogen. In diesem Diagnosesystem werden vordefinierte Funktionen zu Analyse der Sensordaten verwendet, was zu Erstellung dieser Funktionen ein hohes Maß an Wissen über den vorliegenden Prozess und die Art und Weise des Diagnoseverfahrens erfordert.
In der Patentschrift EP 1 364 263 A1 werden sehr umfangreich Daten sowohl von Prozesssensoren als auch Service-Daten von Instandhaltungs- und Serviceabteilungen über die Sensoren und die gesamte Prozessanlage gesammelt Die Sammlung der Daten der dezentral verteilten Sensorsystems kann hierbei über das Feldbus-System erfolgen. Die Analyse der Daten der einzelnen Sensoren erfolgt über Diagnosefunktionen in vorgegebenen Funktionsblöcken der Sensorprogramme.
Ein weitere Stand der Technik bei dem ein neuronales Netzwerk eine Anwendung findet ist die US-A-5, 311 ,562. In diesem Diagnosesystem werden die bereits von Sensoren ermittelten, vorverarbeiteten Messwerte - „operational parameters" zur Diagnose des Prozesses oder des Zustande der Sensoren verwendet.
Der Stand der Technik weist die folgenden Nachteile auf, die durch die Erfindung überwunden werden:
- Für bisherige Lösungen wurden getrennte Sensorsysteme zur Diagnose und zur Ermittlung der Prozesswerte oder zum Einstellen von Stellgrößen verwendet.
- Die bisherigen Diagnose-Lösungen benötigen ein sehr hohes Maß an Wissen über den Prozess und die Diagnoseverfahren bezüglich der Wirkungskette von Ursachen zu Wirkungen. Um hierzu eine Diagnose sicher durchführen zu können, muss die Ursache / Wirkungskette des Prozesses bekannt und beherrschbar sein.
- Die bisherigen Diagnosesysteme verwenden nicht die Sensorrohdaten, sondern die verarbeiten, gefilterten Messwerte oder sogar Mittelwerte von Messwerten. Damit wird eine prozessnahe Analyse und Diagnose nahezu unmöglich gemacht, da die für die sichere Diagnose notwendigen Informationen des Prozesses oder der Sensorzustände durch die
Signalverarbeitung der Sensoren bereits herausgefiltert sind.
Heutige Diagnoseverfahren sind im Feldgerät werkseitig vorgegeben und beschränken sich in der Regel auf die Erkennung feldgeräte-spezifische Fehler oder Zustände. Es gibt jedoch eine sehr große Anzahl von Fehlern oder Zuständen, die anwendungsspezifisch sind und mit heutigen Diagnosemöglichkeiten vom Feldgerät entweder gar nicht erfasst oder nicht ausreichend genau analysiert, bewertet und/oder interpretiert werden können Ein Grund hierfür besteht darin, dass Hersteller von Feldgeräten in der Rege! vorab nicht Wissen, wo und wie das Feldgerät eingesetzt werden wird. Entsprechend liegt es auch nicht im Kenntnisbereich des Herstellers, welche Fehler oder Zustände für den Anwender am Einsatzort im Prozess relevant sind, und welche Bedeutung diesen Fehlern und Zuständen in dem aktuellen Prozess zukommt.
Es ist die Aufgabe der Erfindung ein Diagnoseverfahren für Feldgerät anzugeben, dass ein breites Spektrum möglicher Fehler und/oder Zustände diagnostiziert und die Verfügbarkeit des Feldgeräts nicht beeinträchtigt.
Diese Aufgabe wird erfindungsgemäß durch Diagnoseverfahren eines Prozessautomatisierungssystem bestehend aus zumindest einem Feldgerät, einer Steuer-/Regeleinheit, und zumindest einem Feldbus, welches die folgenden Verfahrensschritte aufweist, in einer Einlernphase werden Rohdaten von Messgrößen, Rohdaten von Stellgrößen und/oder Rohdaten von Zustandsgrößen der Feldgeräte oder der Prozesse als Eingangsgrößen erfasst und normiert abgespeichert, außerdem werden in der Einlernphase vom Anwender zumindest ein Parameter einer Messbedingung, zumindest ein Parameter eines
Prozesszustandes und/oder zumindest ein Parameter eines Feldgerätezustandes als Ausgabegröße vorgegeben, die entsprechenden Ausgangsgrößen werden den Eingangsgrößen zugeordnet abgespeichert, während der Einlernphase werden die Eingangsgrößen und die zugeordneten Ausgangsgrößen einem neuronalen Netzwerk übergeben, in der Einlernphase werden die kausalen Beziehungen zwischen den ermittelten Eingangsgrößen und den entsprechenden, vorgegebenen Ausgangsgrößen durch eine Übertragungsfunktion des neuronalen Netzwerk ermittelt und abgespeichert, in einer Betriebsphase wird mittels den Übertragungsfunktion aus den aktuellen Rohdaten der Feldgeräte als Eingangsgrößen zumindest eine Änderung der aktuellen Messbedingung, des aktuellen Prozesszustand und/oder des aktuellen Feldgerätezustand ermittelt. Eine vorteilhafte Ausführungsform des erfindungsgemäßen Verfahrens ist darin zu sehen, dass das Diagnoseverfahren in den Feldgeräten selbsttätig durchgeführt wird und Ergebnisse der Diagnose an die Steuer-/Regeieinheit und/oder weiter Feldgeräte übermittelt wird.
Eine weitere vorteilhafte Ausführungsform der erfindungsgemäßen Lösung ist darin zu sehen, dass das Diagnoseverfahren in der Steuer-/Regeleinheit durchgeführt wird, indem die Rohdaten von den Feldgeräten über den Feldbus übermittelt werden und die Parameter gleichfalls über den Feldbus übermittelt werden oder direkt an einer Eingabe-/Ausgabeeinheit der Steuer-/Regeleinheit eingegeben werden.
Eine sehr vorteilhafte Variante des erfindungsgemäßen Verfahrens ist darin zu sehen, dass das neuronale Netzwerk die kausalen Beziehungen zwischen den ermittelten Eingangsgrößen und den entsprechenden, vorgegebenen
Ausgangsgrößen in Form zumindest einer Übertragungsfunktion abspeichert.
Eine besonders vorteilhafte Weiterbildung des erfindungsgemäßen Verfahrens schlägt vor, dass in der Einlernphase simultan eine periodische Erfassung der Rohdaten als Eingangsgrößen und eine periodische Vorgabe der Parameter als Ausgangsgrößen durchgeführt wird.
Eine bevorzugte Ausführungsform des erfindungsgemäßen Verfahrens sieht vor, dass die Parameter durch graduelle Einschätzung des Feldgerätezustandes, des Prozesszustandes und/oder der Messbedingung durch den Anwender quantifiziert werden.
Gemäß einer vorteilhaften Ausführungsform des erfindungsgemäßen Verfahrens wird vorgeschlagen, dass die Parameter der Ausgangsgrößen in einem Bereich von 1 bis 10 vom Anwender vorgegeben werden.
Ein zweckmäßiges Ausführungsbeispiei des erfindungsgemäßen Verfahrens besteht darin, dass Grenzwerte der Parameter vorgegeben werden, mittels derer eine Gültigkeit der Eingangsgrößen, eine kritische Messbedingung, ein kritischer Feldgerätezustand und/oder ein kritischer Prozesszustand festlegt wird.
Ein zweckmäßiges, alternatives Ausführungsbeispiel des erfindungsgemäßen Verfahrens besteht darin, dass die Rohdaten von Messgrößen, von Stellgrößen und/oder von Zustandsgrößen der verschiedenen Feldgeräte des gleichen Prozesses klassifiziert werden.
Gemäß einer bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens wird vorgeschlagen, dass anhand einem Vergleich der Änderung in den klassifizierten Rohdaten von Messgrößen, von Stellgrößen und/oder von Zustandsgrößen der Feldgeräte eine Ursache und/oder ein Maß für die Änderung der aktuellen Messbedingung, des aktuellen Prozesszustand und/oder des aktuellen Feldgerätezustand ermittelt wird.
Eine bevorzugte Ausführungsform des erfindungsgemäßen Verfahrens sieht vor, dass die Vorgabe der Parameter vom Anwender durch eine menügeführte Eingabe über eine Ein-/Ausgabeeinheit durchgeführt wird.
Eine vorteilhafte Ausführungsform der erfindungsgemäßen Lösung besteht darin, dass die Einlernphase bei der Inbetriebnahme des Feldgeräts und/oder der Prozesseinführung durchgeführt wird.
Die Erfindung und weitere Vorteile werden nun anhand der Figuren der Zeichnung, in der ein Ausführungsbeispiel dargestellt ist, näher erläutert; gleiche Elemente sind in den Figuren mit gleichen Bezugszeichen versehen.
Fig. 1 zeigt ein Blockschaltbild eines Prozesses mit Feldgeräts zur Durchführung von dem durch den Anwender definierten Diagnoseverfahren; und
Fig. 2 zeigt ein Flussdiagramm des erfindungsgemäßen Diagnoseverfahrens. Fig. 1 zeigt ein vereinfachtes Blockschaltbild eines erfindungsgemäßen Prozessautomatisierungssystem 1 , das aus einer Steuer-/Regeleinheit 2 bzw. Leitstelle und einer Vielzahl von Feldgeräten 3 in einem Behälter des ersten Prozesses 13 aufgebaut ist. Die einzelnen Feldgeräte 3 kommunizieren untereinander und mit der Steuer-/Regeleinheit 2 über einen Feldbus 4 und/oder eine Zweidraht-Verbindungsleitung. In der Steuer-/Regeleinheit 2 ist eine Regel- /Auswerteeinheit 15 integriert, die die Steuerung des Automationsprozesses, die Auswertung, die Analyse und/oder die Diagnose der Messwerte M oder Stellwerte S der einzelnen Feldgeräte 3 durchführt. Eine Prozessgröße G ist eine physikalische Größe, welche ausschließlich bei Zustandsänderungen Z in
Prozessen 13 auftritt. Die Messwerte M und Steliwerte S sind Werte von diesen Prozessgrößen G oder von deren Zustandsgrößen Z des Prozesses 13 die von dem Sensoren oder Aktoren der Feldgeräte 3 ermittelt werden.
In dem Prozess 13 sind in Fig. 1 beispielsweise zwei Füllstandsmessgeräte 6, ein Grenzstandsmessgerät 7, ein Druckmessgerät 8, ein Temperaturmessgerät 11 und ein analytisches Messgerät 8 eingebracht. Am Auslassstutzen des Behälters ist ein Durchflussmessgerät 9 und ein Stellglied 12 mit einem Ventil integriert, welche den Abtransport des Füllguts des Behälters über den Auslass ermittelt und/oder einstellt. Diese Feldgeräte 3 kommunizieren beispielsweise über einen digitalen Feidbus 4, wie z.B. Profibus PA oder Fieldbus, miteinander und/oder mit der Regel-/Steuereinheit 2. Analog zur leitungsgebundenen Kommunikation über einen digitalen Feldbus 4 kann die Kommunikation auch über eine entsprechende drahtlose Kommunikationseinheit nach einem der bekannten Standards, wie z.B. ZigBee, WLan, Bluthooth, ausgestaltet sein. Dies ist in dem gezeigten Ausführungsbeispiel aus Fig. 1 jedoch nicht explizit ausgeführt.
Die Steuer-/Regeleinheit 2 beinhaltet zumindest eine Regel-/Auswerteeinheit 15 die mit den Feldgeräten 3 über den Feldbus 4 oder die Zweidraht- Verbindungsleitung 4 die Rohdaten R als Eingangsgröße E für die
Diagnosefunktion anfordert und empfängt. Desweiteren werden über denselben Feldbus 4 von der Steuer-/Regeleinheit 2 die Messwerte M der Sensoren der Feldgeräte 3 empfangen und die Stellgrößen S an die Aktoren der Feldgorätc 3 im Prozess 13 gesendet. Dieser Rege!-/Auswerteinheit 15 ist eine Eingabe- /Ausgabeeinheit 14 zugeordnet über die der Diagnosewert D und/oder der ermittelte Fehlerzustand F angezeigt wird und Parameter P des Prozesses 13 und/oder des Feldgeräts 3, sowie Grenzwerte G für die Diagnosewerte D eingegeben bzw. vorgeben werden können. In der Steuer-/Regeleinheit 2 ist außerdem eine Speichereinheit vorgesehen, die die Speicherung der Übertragungsfunktion U des Neuronalen Netzwerks 5, der Rohdaten R der Feldgeräte 3, die Grenzwerte G, die Parameter P, Diagnosewerte D und die Fehlerzustände F ermöglicht. Zur Berechnung der komplexen Übertragungsfunktion U des Neuronalen Netzwerks 5 ist in der Steuer- /Regeleinheit 2 ein leistungsfähiger Mikroprozessor vorgesehen.
Die Rohdaten R der Feldgeräte 3 werden als Eingangsgröße E über den Feldbus 4 nach einer Anfrage oder zyklisch an die Regel-/Auswerteinheit 15 in der Leitstelle 2 gesendet. In dem in der Regei-/Auswerteinheit 15 enthaltenen
Neuronalen Netzwerk 5 werden diese Eingangsgrößen E in einer Einlernphase EP dazu verwendet, die Übertragungsfunktionen U des Neuronalen Netzwerks auszubilden. Die in der Betriebsphase BP im Neuronalen Netzwerk 5 ermittelten Diagnosewerte D und Fehlerzustände F werden über den Feldbus 4 oder eine drahtlose Funkverbindung an die Feldgeräte 3 übermittelt oder ein Alarmzustand wird der Eingabe-/Ausgabeeinheit 14 der Leitstelle 2 oder der Feldgerät 3, die in der Figur nicht explizit dargestellt sind, ausgegeben.
In Fig. 2 ist ein Flussdiagramm des erfindungsgemäßen Diagnoseverfahrens mit einem Neuronalen Netzwerk 5 gezeigt. Das Diagnoseverfahren lässt sich grundlegend in zwei Verfahrensphasen in eine Einlernphase EP, in der die Übertragungsfunktionen U in dem Neuronalen Netzwerk 5 durch die Rohdaten R der Feldgeräte 3 als eine Eingangsgröße E und den Parametern P der Prozesszustände PZ und der Feldgerätezustände FZ als eine Ausgangsgröße A ermittelt werden, und einer Betriebsphase BP, in der die eingelernten
Übertragungsfunktionen U des Neuronalen Netzwerks 5 aus den Rohdaten der Feldgeräte 3 als Eingangsgrößen E und vorgegebenen Grenzwerten G eine Diagnose des Prozesszustandes PZ und/oder des Feldgerätezustandcs FZ durchführt. Die Eingabe der Parameter P erfordert von dem Bediener ein gewisses Handiungswissen, wie die Prozesse 13 ablaufen und wie die Feidgeräte 3 funktionieren.
!n der Einlernphase EP der Übertragungsfunktionen U des Neuronalen Netzwerks 5 zur Diagnose von Prozesszuständen PZ und Feldgerätezuständen FZ in einem Prozess 13, die nach der Inbetriebnahme eines Feldgeräts 3 und//oder eines neuen Prozesses 13 ausgeführt wird, werden die Rohdaten R von Stellgrößen S und/oder Messgrößen M der Feldgeräte 3 als Eingangsgrößen E von der Regel- /Auswerteeinheit 15 in der Leitstelle 2 erfasst. Synchron dazu werden von einem Bediener der Prozessanlagen die Parameter P der Prozesszustände PZ und der Feldgerätezustände FZ erfasst und über eine Ausgabe-/Eingabeeinheit 14 in der Regel-/Auswerteeinheit 15 als Ausgangsgröße A übergeben. Die Rohdaten R als Eingangsgröße E werden beispielsweise durch ein Filterung und/oder durch eine Datenkomprimierung auf eine normierte Eingangsgröße En standardisiert und die Parameter P werden durch eine Überprüfungsroutine qualifiziert, sowie durch eine Quantifizierungsroutine als quantifizierte Ausgangsgröße Aq in einen messbaren Zahlenwert umgewandelt. Die quantifizierte Ausgangsgröße Aq und die normierte Eingangsgröße En werden in einer Speichereinheit gespeichert. Aus den gespeicherten Werten der quantifizierte Ausgangsgröße Aq und der normierten Eingangsgröße En ermittelt die Regel-/Auswerteeinheit 15 in der Leitstelle 2 nach einem Eingabebefehl der Initialisierung Int des Einlernprozesses EP die Übertragungsfunktionen U des Neuronalen Netzwerks 5. Diese ermittelten Übertragungsfunktionen U des Neuronalen Netzwerks 5 werden in der Speichereinheit abgelegt.
In der Betriebsphase BP des Prozessautomatisierungssystems 1 werde diese ermitteiten Übertragungsfunktionen U des Neuronalen Netzwerks 5 geladen. Die in der Betriebsphase BP des Prozessautomatisierungssystems 1 erfassten Rohdaten R der Feldgeräte 3 werden als Eingangsgrößen E erfasst und» wie zuvor in der Einlernphase EP1 in normierte Eingangsgrößen En umgewandelt. Das Neuronale Netzwerk 5 ermittelt aus den aktuellen, normierten Eingangsgrößen En mitteis der Übertragungsfunktion U einen Diagnosewert D als Ausgangsgröße A. Dieser Diagnosewert D wird mit einem vorgegeben Grenzwert G verglichen bzw. es wird beispielsweise überprüft, ob der ermittelte Diagnosewert innerhalb eines minimalen und maximaien Grenzwertes G liegt. Liegt der Diagnosewert D außerhalb der Spezifikationen der Grenzwerte G, so wird von der Regel- /Auswerteinheit 15 ein Fehlerzustand F des Prozessautomatisierungssystems 1 erzeugt. Dieser Fehlerzustand F kann von der Regel-/Auswerteinheit 15 auf der Eingabe-/Ausgabeeinheit 14 als Alarm dargestellt werden. Gleichzeitig wird beispielsweise durch ein akustisches Signa! der Alarm des Fehlerzustand F an der Leitstelle 2 oder dem Feldgerät 3 signalisiert.
Das erfindungsgemäße Diagnoseverfahren zur Überwachung eines Prozessautomatisierungssystem 1 weist grundlegend die folgenden Verfahrensschritte auf,
- in einer Einlernphase EP werden die Rohdaten R von Messgrößen M, Rohdaten R von Stellgrößen S und/oder Rohdaten R von Zu Standsgrößen 2 der Feldgeräte 3 oder der Prozesse 13 als Eingangsgrößen E erfasst und als normierte Eingangsgröße En abgespeichert,
- zeitgleich werden in der Einlernphase EP vom Anwender bzw. Bediener die Parameter P einer Messbedingung und Prozesssituation als ein Parameter P eines Prozesszustandes PZ und/oder zumindest ein Parameter P eines
Feldgerätezustandes FZ als Ausgabegröße A vorgegeben,
- die entsprechenden Ausgangsgrößen A werden quantifiziert, d.h. es wird einer bestimmten Ausgangsgrößen A ein bestimmter, messbarer Wert zugeordnet, den normierten Eingangsgrößen En zusammengehörig abgespeichert,
- während der Einlernphase EP werden die normierten Eingangsgrößen E und die zugeordneten Ausgangsgrößen A einem neuronalen Netzwerk 5 übergeben,
- in der Einlernphase EP werden aus kausalen Beziehungen kB zwischen den ermittelten Eingangsgrößen E und den entsprechenden, vorgegebenen
Ausgangsgrößen A eine Übertragungsfunktion U des neuronalen Netzwerk 5 ermittelt und abgespeichert, - in einer Betriebsphase BP wird mittels den gespeicherten
Übertragungsfunktion U aus den aktuellen Rohdaten R der Feldgeräte 3 als Eingangsgrößen E zumindest eine Änderung der aktuellen Messbedingung, des aktuellen Prozesszustand und/oder des aktuellen Feldgerätezustand ermittelt.
In dem folgenden Abschnitt wird ein Ausführungsbeispiel der Erfindung dargestellt Das Ausführungsbeispiel lässt sich anhand der Problemstellung aufzeigen, dass aufgrund von Ansatzbildung einer Flüssigkeit an den Sensoren der Feldgeräte 3 eine periodische Reinigung der Prozessmesstechnik erforderlich mach, damit zukünftig die Gültigkeit der Messwerte M, wie z.B. der Druck, die Temperatur, den Füllstand, den Durchfluss, den pH-Wert und der Grenzstand, gewährleistet werden kann. Erfahrungsgemäß werde solche Reinigung alle 4 Wochen im Prozess 13 durchgeführt. Während einer solchen Reinigungsprozedur kann festgestellt werden, dass die Sensoren der Feldgeräte 3 manchmal kaum und ein anderes Mal sehr stark verschmutzt waren. Die Gültigkeit der Messwerte M ist manchmal bereits nicht mehr gegeben und ein andres Ma! wurde viel zu früh gereinigt. Ein Diagnosesystem zur vorausschauenden Wartung ist hier gewünscht.
Zur Lösung dieses Problems in der Prozessautomatisierungstechnik kann die
Erfindung beitragen. Während der Prozesseinführung eines Prozesse 13, dem im englischen Sprachgebrauch so genannten „golden batch", wird zyklisch, z.B. stündlich oder täglich, die Ansatzbiidung an den Sensoren der Feldgeräte beurteilt und als Parameter P dem Neuronalen Netzwerk 5 als Ausgangsgröße A übergeben. Dieser Parameter P wird in einer Datenbank bzw. Speichereinheit mit einer Skala von 1 - sauber - bis 10 - sehr stark verschmutzt - festgehalten. Als Grenzwert G für die Gültigkeit der Messwerte M wird beispielsweise ein Parameter P des Verschmutzungsgrades von 7 vorgegeben. Im gleichen Zyklus, z.B. stündlich oder täglich, werden die Rohdaten R der Feldgeräte 3, z.B. die Hül! kurve eines Levelflex und das Spektrum eines Liquiphants, als Eingangsgröße E mit aufgenommen. Diese Eingangsgröße E werden wie zuvor beschrieben einer Normierung unterzogen. Nach Beendigung der Prozesseinführung werden die Datensätze der Parameter P des Verschmutzungsgrads als quantifizierte Ausgangsgröße Aq und die Rohdaten R als normierte Eingangsgrößen En einem neuronalen Netzwerk 5 übermittelt, woraus dies die entsprechende Übertragungsfunktion U ermittelt.
Diese Übertragungsfunktion U kann nun mit dem Grenzwert G als Diagnosefunktion in diesem Prozess Anwendung finden. Eine stärke Verschmutzung als der Grenzwert G des Parameters P führt zur Ungültigkeit der Messung. Zu beachten ist hierbei, dass die Übertragungsfunktion U des Verschmutzungsgrades der Sensoren der Feldgeräte 3 einzig und allein für diese Prozessgültigkeit in diesem Prozess 13 verwendet werden kann. Eine
Übertragung auf andere Prozesse 13 ist nicht möglich, genauso wenig wie die Übertragung der Ursachen- / Wirkungs-Kette auf andere Prozess 13.
Die Erfindung zeigt auf, dass dieser Bezug von Ursache und Wirkung zuvor nicht bekannt sein muss. Diese Ursache-Wirkung wird im Einiernprozess erstmalig ermittelt und ist für den spezieilen Diagnosefall eines Prozesses einzigartig.
Bezugszeichenliste
1 Prozessautomatisierungssystem
2 Steuer-/Regeleinheit, Leitstelle
3 Feldgerät
4 Feldbus, Zweidraht- Verbindungsleitung
5 Neuronales Netzwerk
6 Füllstandsmessgerät
7 Grenzstandsmessgerät
8 Druckmessgerät
9 Durchflussmessgerät
10 Analysemessgerät
11 Temperaturmessgerät
12 Stellglied
13 Prozess
14 Eingabe-/Ausgabeeinheit
15 Regel- /Auswerteeinheit
D Diagnosewert
F Fehlerzustand
FZ Feldgerätezustand
PZ Prozesszustand
P Parameter
A Ausgangsgröße
E Eingangsgröße
U Übertragungsfunktion
M Messgröße, Messwert
S Steilgrößen, Stellwert
Z Zu Standsgrößen
R Rohdaten
EP Einlernphase
BP Betriebsphase
G Grenzwert
Sp Speicherung
Int Initialisierung

Claims

Patentansprüche
1. Diagnoseverfahren eines Prozessautomatisierungssystem (1 ) bestehend aus zumindest einem Feädgerät (3), einer Steuer-/Regeleinheit (3), und zumindest einem Feldbus (4), welches die folgenden Verfahrenssch ritte aufweist,
- in einer Einiernphase (EP) werden Rohdaten (R) von Messgrößen (M), Rohdaten (R) von Stellgrößen (S) und/oder Rohdaten (R) von
Zustandsgrößen (Z) der Feldgeräte (3) oder der Prozesse (13) als Eingangsgrößen (E) erfasst und normiert abgespeichert,
- außerdem werden in der Einlernphase (EP) vom Anwender zumindest ein Parameter (P) einer Messbedingung, zumindest ein Parameter (P) eines Prozesszustandes (PZ) und/oder zumindest ein Parameter (P) eines
Feldgerätezustandes (FZ) als Ausgabegröße (A) vorgegeben,
- die entsprechenden Ausgangsgrößen (A) werden den Eingangsgrößen (En) zugeordnet abgespeichert,
- während der Einlernphase (EP) werden die Eingangsgrößen (E) und die zugeordneten Ausgangsgrößen (A) einem neuronalen Netzwerk (5) übergeben,
- in der Eänlernphase (EP) werden die kausalen Beziehungen zwischen den ermittelten Eingangsgrößen (E) und den entsprechenden, vorgegebenen Ausgangsgrößen (A) durch eine Übertragungsfunktion (U) des neuronalen Netzwerk (5) ermittelt und abgespeichert,
- in einer Betriebsphase (BP) wird mittels den Übertragungsfunktion (U) aus den aktuellen Rohdaten (R) der Feldgeräte (3) als Eingangsgrößen (E) zumindest eine Änderung der aktuellen Messbedingung, des aktuellen Prozesszustand und/oder des aktuellen Feldgerätezustand ermittelt.
2. Diagnoseverfahren nach Anspruch 1 , wobei das Diagnoseverfahren in den Feldgeräten (3) selbsttätig durchgeführt wird und Ergebnisse der Diagnose an die Steuer-/Regeleinheit (2) und/oder weiter Feldgeräte (3) übermittelt wird.
3. Diagnoseverfahren nach Anspruch 1 , wobei das Diagnoseverfahren in der Steuer-/Regeleinheit (2) durchgeführt wird, indem die Rohdaten (R) von den Feldgeräten (3) über den Feldbus (4) übermittelt werden und die Parameter (P) gleichfalls über den Feldbus (4) übermittelt werden oder direkt an einer Eingabe-/Ausgabeeinheit (14) der Steuer-/Regeleinheit (5) eingegeben werden.
4. Diagnoseverfahren nach zumindest einem der Ansprüche 1 bis 3, wobei das neuronale Netzwerk (5) die kausalen Beziehungen zwischen den ermittelten Eingangsgrößen (E) und den entsprechenden, vorgegebenen Ausgangsgrößen (A) in Form zumindest einer Übertragungsfunktion (U) abspeichert.
5. Diagnoseverfahren nach zumindest einem der Ansprüche 1 bis 4, wobei in der Einlernphase (EP) simultan eine periodische Erfassung der Rohdaten (R) als Eingangsgrößen (E) und eine periodische Vorgabe der Parameter (P) als Ausgangsgrößen (A) durchgeführt wird.
6. Diagnoseverfahren nach zumindest einem der Ansprüche 1 bis 5, wobei die Parameter (P) durch graduelle Einschätzung des Feldgerätezustandes, des Prozesszustandes und/oder der Messbedingung durch den Anwender quantifiziert werden.
7. Diagnoseverfahren nach Anspruch 6, wobei die Parameter (P) der Ausgangsgrößen (A) in einem Bereich von 1 bis 10 vom Anwender vorgegeben werden.
8. Diagnoseverfahren nach zumindest einem der Ansprüche 1 bis 7, wobei Grenzwerte (G) der Parameter (P) vorgegeben werden, mittels derer eine Gültigkeit der Eingangsgrößen (E)1 eine kritische Messbedingung, ein kritischer Feldgerätezustand und/oder ein kritischer Prozesszustand festlegt wird.
9. Diagnoseverfahren nach Anspruch 1 , 2, oder 3, wobei die Rohdaten (R) von Messgrößen (M)1 von Stellgrößen (S) und/oder von Zustandsgrößen (Z) der verschiedenen Feldgeräte (3) des gleichen Prozesses klassifiziert werden.
10. Diagnoseverfahren nach Anspruch 9, wobei anhand einem Vergleich der Änderung in den klassifizierten Rohdaten (R) von Messgrößen (M)1 von Stellgrößen (S) und/oder von Zustandsgrößen (Z) der Feldgeräte (3) eine Ursache und/oder ein Maß für die Änderung der aktuellen Messbedingung, des aktuellen Prozesszustand und/oder des aktuellen Feldgerätezustand ermittelt wird.
11. Diagnoseverfahren nach Anspruch 1 , 3 5, 6, 7 oder 8, wobei die Vorgabe der Parameter (P) vom Anwender durch eine menügeführte Eingabe über eine Ein-/Ausgabeeinheit (14) durchgeführt wird.
12. Diagnoseverfahren nach Anspruch 1 oder 5, wobei die Einlernphase (EP) bei der Inbetriebnahme des Feldgeräts (1 ) und/oder der Prozesseinführung durchgeführt wird.
PCT/EP2009/058301 2008-08-08 2009-07-02 Diagnoseverfahren eines prozessautomatisierungssystem WO2010015465A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US13/058,050 US20110145180A1 (en) 2008-08-08 2009-07-02 Diagnostic Method for a Process Automation System

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102008036968.3 2008-08-08
DE102008036968A DE102008036968A1 (de) 2008-08-08 2008-08-08 Diagnoseverfahren eines Prozessautomatisierungssystem

Publications (1)

Publication Number Publication Date
WO2010015465A1 true WO2010015465A1 (de) 2010-02-11

Family

ID=41059475

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2009/058301 WO2010015465A1 (de) 2008-08-08 2009-07-02 Diagnoseverfahren eines prozessautomatisierungssystem

Country Status (3)

Country Link
US (1) US20110145180A1 (de)
DE (1) DE102008036968A1 (de)
WO (1) WO2010015465A1 (de)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103630568A (zh) * 2013-09-22 2014-03-12 浙江大学 Bp网络的工业熔融指数软测量仪表及方法
CN103675006A (zh) * 2013-09-22 2014-03-26 浙江大学 最小二乘的工业熔融指数软测量仪表和方法
CN103675007A (zh) * 2013-09-22 2014-03-26 浙江大学 Rbf网络的工业熔融指数软测量仪表及方法
CN103674778A (zh) * 2013-09-22 2014-03-26 浙江大学 Rbf粒子群优化的工业熔融指数软测量仪表和方法
CN103824121A (zh) * 2013-12-09 2014-05-28 浙江大学 基于多模群智的丙烯聚合生产过程最优预报系统和方法
CN105549549A (zh) * 2014-10-24 2016-05-04 克洛纳测量技术有限公司 用于连接现场设备与操作单元的方法以及现场设备
CN106527339A (zh) * 2016-12-14 2017-03-22 东北大学 一种基于工业云的高可靠的选矿设备故障诊断系统及方法

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102012111625A1 (de) * 2012-11-30 2014-06-05 Conti Temic Microelectronic Gmbh Verfahren zum Auslesen von Sensorrohdaten eines Umfeldsensors eines Fahrzeugs
US20140188777A1 (en) * 2012-12-27 2014-07-03 General Electric Company Methods and systems for identifying a precursor to a failure of a component in a physical system
CN103675008B (zh) * 2013-09-22 2015-08-19 浙江大学 加权模糊的工业熔融指数软测量仪表及方法
CN103675012B (zh) * 2013-09-22 2015-08-19 浙江大学 Bp粒子群优化的工业熔融指数软测量仪表和方法
US10140252B2 (en) 2017-02-28 2018-11-27 Microsoft Technology Licensing, Llc Hardware node with matrix-vector multiply tiles for neural network processing
DE102018212097B4 (de) * 2018-07-19 2022-04-07 Vega Grieshaber Kg Feldgerät mit mehreren Rechenwerken
CN110333692B (zh) * 2019-07-04 2021-09-21 南京农业大学 基于热红外的猪只发热自动监测诊断系统
EP3767403B1 (de) * 2019-07-16 2022-09-07 Carl Zeiss Industrielle Messtechnik GmbH Machine-learning gestützte form- und oberflächenmessung zur produktionsüberwachung
NL2023521B1 (en) * 2019-07-17 2021-02-23 Procentec B V A method, a diagnosing system and a computer program product for diagnosing a fieldbus type network
DE102019128715A1 (de) * 2019-10-24 2021-04-29 Krohne Messtechnik Gmbh Verfahren zur Erzeugung eines neuronalen Netzes für ein Feldgerät zur Vorhersage von Feldgerätfehlern und ein entsprechendes System
GB201916592D0 (en) * 2019-11-14 2020-01-01 Rosemount Measurement Ltd Improvements in or relating to field devices
DE102019133600A1 (de) * 2019-12-09 2021-06-10 Endress+Hauser SE+Co. KG Verfahren zur Optimierung einer Mess-Rate eines Feldgerätes
DE102020130177A1 (de) * 2020-11-16 2022-05-19 Vega Grieshaber Kg Netzwerkvorrichtung zur Verteilung von Rechenoperationen per Datenkommunikation in einem Netzwerk

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1995011488A1 (en) * 1993-10-19 1995-04-27 Diagnostic Instruments Ltd. Diagnostic monitor system
US5752007A (en) * 1996-03-11 1998-05-12 Fisher-Rosemount Systems, Inc. System and method using separators for developing training records for use in creating an empirical model of a process
EP0964325A1 (de) * 1998-06-01 1999-12-15 Neles Controls Oy Managementsystem von Feldgeräten
US20050197805A1 (en) * 2001-03-01 2005-09-08 Fisher-Rosemount Systems, Inc. Data presentation system for abnormal situation prevention in a process plant

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0480654B1 (de) * 1990-10-10 1998-03-04 Honeywell Inc. Identifizierung eines Prozesssystems
JP3100757B2 (ja) 1992-06-02 2000-10-23 三菱電機株式会社 監視診断装置
US5311562A (en) 1992-12-01 1994-05-10 Westinghouse Electric Corp. Plant maintenance with predictive diagnostics
US5995916A (en) * 1996-04-12 1999-11-30 Fisher-Rosemount Systems, Inc. Process control system for monitoring and displaying diagnostic information of multiple distributed devices
US6633782B1 (en) * 1999-02-22 2003-10-14 Fisher-Rosemount Systems, Inc. Diagnostic expert in a process control system
US7562135B2 (en) * 2000-05-23 2009-07-14 Fisher-Rosemount Systems, Inc. Enhanced fieldbus device alerts in a process control system
US7206646B2 (en) 1999-02-22 2007-04-17 Fisher-Rosemount Systems, Inc. Method and apparatus for performing a function in a plant using process performance monitoring with process equipment monitoring and control
US6847954B1 (en) * 1999-08-23 2005-01-25 Fisher Rosemount Systems, Inc. Control-loop auto-tuner with nonlinear tuning rules estimators
US6445963B1 (en) * 1999-10-04 2002-09-03 Fisher Rosemount Systems, Inc. Integrated advanced control blocks in process control systems
FI114507B (fi) * 2000-07-07 2004-10-29 Metso Automation Oy Laitediagnostiikkajärjestelmä
WO2002071173A2 (en) 2001-03-01 2002-09-12 Fisher-Rosemount Systems, Inc. Data sharing in a process plant
US6859755B2 (en) * 2001-05-14 2005-02-22 Rosemount Inc. Diagnostics for industrial process control and measurement systems
DE10239610B3 (de) * 2002-08-29 2004-06-24 Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG Verfahren zur Funktionsüberwachung von Sensoren
ATE511128T1 (de) * 2005-04-04 2011-06-15 Fisher Rosemount Systems Inc Statistische verarbeitungsverfahren für die detektion anomaler situationen
US7499777B2 (en) * 2005-04-08 2009-03-03 Caterpillar Inc. Diagnostic and prognostic method and system
WO2007008940A2 (en) * 2005-07-11 2007-01-18 Brooks Automation, Inc. Intelligent condition-monitoring and dault diagnostic system
DE102005063053A1 (de) * 2005-12-29 2007-07-05 Endress + Hauser Process Solutions Ag Verfahren zur Anlagenüberwachung mit einem Feldbus der Prozessautomatisierungstechnik
US7840287B2 (en) * 2006-04-13 2010-11-23 Fisher-Rosemount Systems, Inc. Robust process model identification in model based control techniques
US8788070B2 (en) * 2006-09-26 2014-07-22 Rosemount Inc. Automatic field device service adviser
EP2082191B1 (de) * 2006-10-17 2015-08-12 Endress+Hauser GmbH+Co. KG FELDGERÄT ZUR BESTIMMUNG UND ÜBERWACHUNG EINER PROZESSGRÖßE IN DER PROZESSAUTOMATISIERUNG
DE102007032715B4 (de) * 2007-07-13 2009-04-09 Abb Ag System und Verfahren zur Überwachung des Datenverkehrs bei einem Feldbus

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1995011488A1 (en) * 1993-10-19 1995-04-27 Diagnostic Instruments Ltd. Diagnostic monitor system
US5752007A (en) * 1996-03-11 1998-05-12 Fisher-Rosemount Systems, Inc. System and method using separators for developing training records for use in creating an empirical model of a process
EP0964325A1 (de) * 1998-06-01 1999-12-15 Neles Controls Oy Managementsystem von Feldgeräten
US20050197805A1 (en) * 2001-03-01 2005-09-08 Fisher-Rosemount Systems, Inc. Data presentation system for abnormal situation prevention in a process plant

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103675007B (zh) * 2013-09-22 2015-08-26 浙江大学 Rbf网络的工业熔融指数软测量仪表及方法
CN103675006A (zh) * 2013-09-22 2014-03-26 浙江大学 最小二乘的工业熔融指数软测量仪表和方法
CN103675007A (zh) * 2013-09-22 2014-03-26 浙江大学 Rbf网络的工业熔融指数软测量仪表及方法
CN103674778A (zh) * 2013-09-22 2014-03-26 浙江大学 Rbf粒子群优化的工业熔融指数软测量仪表和方法
CN103674778B (zh) * 2013-09-22 2015-08-26 浙江大学 Rbf粒子群优化的工业熔融指数软测量仪表和方法
CN103630568A (zh) * 2013-09-22 2014-03-12 浙江大学 Bp网络的工业熔融指数软测量仪表及方法
CN103675006B (zh) * 2013-09-22 2015-09-09 浙江大学 最小二乘的工业熔融指数软测量仪表和方法
CN103630568B (zh) * 2013-09-22 2015-11-11 浙江大学 Bp网络的工业熔融指数软测量仪表及方法
CN103824121A (zh) * 2013-12-09 2014-05-28 浙江大学 基于多模群智的丙烯聚合生产过程最优预报系统和方法
CN105549549A (zh) * 2014-10-24 2016-05-04 克洛纳测量技术有限公司 用于连接现场设备与操作单元的方法以及现场设备
CN105549549B (zh) * 2014-10-24 2020-03-10 克洛纳测量技术有限公司 用于连接现场设备与操作单元的方法以及现场设备
CN106527339A (zh) * 2016-12-14 2017-03-22 东北大学 一种基于工业云的高可靠的选矿设备故障诊断系统及方法
CN106527339B (zh) * 2016-12-14 2019-04-23 东北大学 一种基于工业云的高可靠的选矿设备故障诊断系统及方法

Also Published As

Publication number Publication date
US20110145180A1 (en) 2011-06-16
DE102008036968A1 (de) 2010-02-11

Similar Documents

Publication Publication Date Title
WO2010015465A1 (de) Diagnoseverfahren eines prozessautomatisierungssystem
DE19749002B4 (de) Pressenüberwachungssystem
EP2082297B1 (de) PROZESSAUTOMATISIERUNGSSYSTEM ZUR BESTIMMUNG, ZUR ÜBERWACHUNG UND/ODER ZUM BEEINFLUSSEN VON UNTERSCHIEDLICHEN PROZESSGRÖßEN UND/ODER ZUSTANDSGRÖßEN
DE10007972B4 (de) Diagnosevorrichtung und -verfahren in einem Prozeßsteuersystem
EP2364466B1 (de) Integriertes leit- und kontrollsystem für fertigungs- und qualitätssicherungsprozesse in produktionslinien mit bearbeitungsstationen und/oder werkzeugen
EP1607192B1 (de) Verfahren und System zur Verschleissabschätzung von Achsen eines Roboterarmes
EP2153288B1 (de) Feldgerät
EP3279756B1 (de) Diagnoseeinrichtung und verfahren zur überwachung des betriebs einer technischen anlage
EP2156251B1 (de) Feldgerät mit einer vorrichtung zur durchführung von diagnoseverfahren
DE112012007224T5 (de) System und Verfahren zur Betriebsablauf-Überwachung und/oder -Diagnose einer Fertigungsstraße einer Industrieanlage
EP2545417B1 (de) Verfahren zum ersetzen einer bestehenden leiteinrichtung in einem automatisierungssystem durch eine neue leiteinrichtung und dazu ausgebildetes automatisierungssystem
EP3538962B1 (de) Verfahren zur analyse von fehlfunktionen in einer anlage der prozessautomatisierung
EP3537237A1 (de) System zur tabakaufbereitung für die tabak verarbeitende industrie, und verfahren zum betrieb einer vorrichtung
EP2338091B1 (de) Verfahren zur dynamischen anpassung eines diagnosesystems
WO2010046246A1 (de) Verfahren und vorrichtung zur detektion von prozesszuständen in alternierenden produktionsprozessen
EP4018277B1 (de) Ereignisorientierte übertragung von prozessmesswerten
WO2010118864A1 (de) Verfahren zum bereitstellen eine information über ein verschleiss einer komponente einer maschine und verfahren zum bereitstellen eines ersatzalgorithmus
DE102012109132B4 (de) Verbessertes Verfahren und verbesserte Vorrichtung zur Vermeidung von Aliasing
EP4002040B1 (de) Verfahren zur überwachung von auf einer verfahrenstechnischen anlage mit messgeräten gemessenen messgrössen
EP3043222B1 (de) Analysesystem zum vermessen und analysieren von industriemaschinen oder -anlagen
DE102005057000B4 (de) Feldbusgerät zum Einsatz in Feldbussystemen, insbesondere in Prozessleitsystemen
DE102017200014A1 (de) Elektromotor
DE102004032966A1 (de) Vorrichtung und Verfahren zur Überprüfung/Überwachung oder Analyse eines Kommunikationsnetzwerks
EP3776117A1 (de) Umfassende störungsanalyse von steuereinrichtungen und industriellen technischen anlagen
DE102018105872A1 (de) Verfahren zur Analyse einer Kommunikationsqualität

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 09780083

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 13058050

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 09780083

Country of ref document: EP

Kind code of ref document: A1