WO2010026025A1 - Verfahren zum betreiben einer messstelle und messstelle - Google Patents

Verfahren zum betreiben einer messstelle und messstelle Download PDF

Info

Publication number
WO2010026025A1
WO2010026025A1 PCT/EP2009/060459 EP2009060459W WO2010026025A1 WO 2010026025 A1 WO2010026025 A1 WO 2010026025A1 EP 2009060459 W EP2009060459 W EP 2009060459W WO 2010026025 A1 WO2010026025 A1 WO 2010026025A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
sensor
unit
prognosis
sensor unit
Prior art date
Application number
PCT/EP2009/060459
Other languages
English (en)
French (fr)
Inventor
Torsten Pechstein
Katrin Scholz
Thilo Trapp
Ronny Grosse-Uhlmann
Original Assignee
Endress+Hauser Conducta Gesellschaft Für Mess- Und Regeltechnik Mbh+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 Conducta Gesellschaft Für Mess- Und Regeltechnik Mbh+Co. Kg filed Critical Endress+Hauser Conducta Gesellschaft Für Mess- Und Regeltechnik Mbh+Co. Kg
Priority to CH00364/11A priority Critical patent/CH701958B1/de
Priority to CN200980134857.XA priority patent/CN102144158B/zh
Publication of WO2010026025A1 publication Critical patent/WO2010026025A1/de

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
    • G01N27/416—Systems
    • G01N27/4163—Systems checking the operation of, or calibrating, the measuring apparatus
    • G01N27/4165—Systems checking the operation of, or calibrating, the measuring apparatus for pH meters

Definitions

  • the invention relates to a method for operating a measuring point for determining at least one measured variable of a medium, wherein the measuring point comprises a base unit, which is detachably connected to a sensor unit, and is provided for communicating a signal representing the value of the measured variable to a process monitoring system.
  • Such measuring points are, for example, pH measuring points or other measuring points of the analytical measuring technique. These include in particular weather potentiomet ⁇ sche, amperomet ⁇ sche, coulomet ⁇ sche, colorimetric, photometric, turbidimetnsche and spectrometric units.
  • a sensor unit comprises at least one transducer which outputs an electrical signal dependent on the value of the measured variable.
  • the transfer function of the transducer is variable. This is especially true for pH sensors. Therefore, pH sensors or pH electrodes must be maintained at suitable times, in particular recalibrated. The length of time intervals between the maintenance measures or the calibration intervals depends strongly on the environmental influences that the sensor is exposed to during its lifetime. The overall lifetime of the sensor is also strongly influenced by these environmental conditions.
  • calibration is often used differently in the pH measurement than is common practice. Generally, calibration is the verification of the display of a measuring instrument with a standard; the deviation between the true value and the displayed value is determined. Matching the display value to the true value is called adjusting. The calibration of the pH sensor is strictly an adjustment. Since the term calibration is widely used in electrochemistry, it is also used here
  • the measuring point comprises a base unit which is detachably connected to a sensor unit and which is provided for communicating a signal representing the value of the measured variable to a process monitoring system at least the steps
  • Diagnostic Parameters Adjust a forecast value or forecast interval stored in a second data storage unit of the base unit and store the adjusted one
  • Forecast value or forecast interval in the second data storage unit of the base unit instead of the previously stored forecast value or forecast interval.
  • the sensor unit comprises at least one primary sensor and a sensor head, wherein the medium acts on the primary sensor, which comprises a transducer with a signal output which outputs an electrical signal dependent on the value of the measured variable, the transducer having a variable transfer function.
  • the primary sensor which comprises a transducer with a signal output which outputs an electrical signal dependent on the value of the measured variable, the transducer having a variable transfer function.
  • a circuit for processing the Wandlerlers ⁇ ale be integrated, which has an A / D converter and a second microprocessor for processing the digitized signals.
  • a signal generated in the sensor unit! Therefore, for example, it may be the electrical transducer signal dependent on the measured variable, or a processed, in particular digitized transducer signal.
  • the sensor head may include a data memory in which sensor-specific values of one or more diagnostic parameters are stored.
  • diagnostic parameters can be, for example, calibration data of the last calibration, such as, for example, a zero point and slope pH sensor or load data of the sensor unit, which were determined and stored in the manner described in DE 10 2004 012 420 B4.
  • a value of such a diagnostic parameter is transmitted from the sensor unit to the base unit and stored in a memory unit of the base unit. It is possible to transfer exactly one value, but equally a series of values can be transferred and stored. All values of the sequence or only the most recent value can be saved. If a temporal sequence of values of a diagnostic parameter recorded several times in succession is stored, the times at which they were acquired or at least one identifier on the basis of which the correct chronological sequence of the values can be determined can also be stored for the values. In a further memory unit of the base unit, a prognosis value or a prognosisintervail is stored.
  • the prognosis value may indicate a total load reserve of the sensor unit, ie a total lifetime of the sensor unit weighted with the sensor load, or also a remaining time interval until the next due calibration.
  • the forecast value may also indicate a value of a calibration parameter expected at a particular time, for example, a zero or slope value expected at a particular calibration time, for example at the nth calibration, or an expected change in zero or slope between two successive calibrations .
  • Measuring point can thus over the life of several sensor units away
  • steps (a) and (b) may have additional steps to steps (a) and (b). However, steps (a) and (b) are performed at least once during operation of the measurement site
  • step (c) the value of the diagnostic unit generated value of a diagnostic parameter detected in step (a) and stored in the first data storage unit of the base unit can be compared with the prognosis value or prognosis interval stored in the bass unit. This step can be performed, for example before the forecast value is adjusted based on the determined value of the diagnostic parameter
  • a comparison of the detected value of the diagnostic parameter with the stored prognosis value or the prognosis interval can, for example, in the event that the prognosis value relates to an expected caliber parameter value or an expected change of a caliber parameter value, give an indication as to whether the sensor unit is still working correctly or possibly already damaged If the diagnostic parameter value of the sensor unit, for example the current sensor load in the form of a weighted load time, which may have been determined, for example, by adding load equivalents over the previous operating time of the sensor unit, then a comparison with a stored forecast value, which indicates a total load of the sensor, a Indicate the remaining life of the sensor
  • the sensor unit is replaced by a time-subsequent sensor unit of the same type and repeats steps (a) and (b) or (a) to (c) at least once after replacing the sensor unit by the following sensor unit of the same type
  • this method provides a learning process in which, over the lifetime of a plurality of sensor units, a gradually more reliable value for a prognosis or a prognosis interval! is obtained.
  • a comparison of the respectively newly acquired values of at least one diagnostic parameter with the stored prognosis value or prognosis interval makes it possible to make a statement about the current state of the sensor unit currently connected to the base unit or a remaining service life of the sensor unit, depending on the type of stored prognosis value or prognosis interval estimate.
  • the adaptation of the prognosis value or the prognosis interval takes place by means of a learning algorithm.
  • the learning algorithm comprises a step of averaging, the sliding weighted averaging, the exponential smoothing 1, and the second kind, the linear regression of fitting a polynomial or other non-linear functions, or the like.
  • the base unit is provided with additional information for determining the forecast value.
  • This additional information may, for example, consist of a weighting of the current diagnostic parameter value. This is for example in question if a sensor unit was damaged during a maintenance measure and therefore the value of the diagnostic parameter generated by it is falsified and should not be taken into account in the learning algorithm correspondingly or only with low weight.
  • Another example of additional information in the event of a defect of the sensor unit is the input of the actual life of the sensor unit, for example by an operator.
  • the first data storage unit comprises a memory unit having a plurality of memory lines, for example a database matrix, wherein the value of the
  • Diagnosis parameters together with an identifier of the associated sensor unit for example, the serial number of the associated sensor unit, is stored in a memory line. This is advantageous if the sensor unit from time to time - for example, to carry out
  • the original memory cell which can be clearly assigned on the basis of the identifier of the sensor unit, with values of the If several values of the diagnostic parameter stored or generated in the sensor unit are recorded and stored, for example in a row of a database matrix, the entire row of the database matrix can be marked with the sensor unit identifier.
  • the sensor unit is temporarily removed and later returned to the base unit connected, the original line with the previously stored values of the sensor unit can be found on the basis of the identifier and resortergescheben with the new value
  • a parameter relating to the sensor load for example a weighted loading time of the sensor unit, is detected as a diagnostic parameter, and a parameter is determined and stored as the prognosis value or prognosis interval, which determines the total sensor load with which the sensor unit can be acted upon it has to be exchanged correlates, such as the total load pool or a confidence interval surrounding the total load pool,
  • the currently detected values can be compared with the stored prognosis value or prognosis interval. If the comparison shows that the last value entered has reached or exceeded the forecast value or that a lower interval limit of the forecast interval has been exceeded, a message in the form of a warning or an alarm can be generated
  • a parameter of the sensor unit in particular a calibration parameter, is repeatedly recorded as the diagnostic parameter and the individual values repeatedly recorded in individual cells of a data storage unit of the base unit, for example in a row of a database matrix together with the acquisition times or a parameter equivalent thereto, and an identifier of the associated sensor unit, for example the serial number of the sensor unit, hinteriegt.
  • a value for the parameter of the sensor unit, in particular the calibration parameter is determined as the prediction value, for example by averaging or extrapolation, and stored in the data memory of the base unit.
  • the data storage unit can be designed for this purpose as a database matrix, in each of whose rows temporally successive values of a calibration parameter can be stored, wherein the columns of the database matrix are associated with a detection time of the calibration parameter or a parameter equivalent thereto.
  • the determined values of zero and slope calibration or zero and slope changes since the previous calibration may be determined and stored in a separate memory location of the basic unit data memory along with a recalibration serial number be filed.
  • individual prognosis values for the calibration parameters or the changes of the calibration parameters for each recalibration - ie for the first, the second, the third etc. Calibration of one sensor unit of the same type can be determined, stored, adjusted by means of newly added values of further sensor units of the same type and the adjusted forecast values are newly stored.
  • a total service life or a sensor remaining service life for sensor units of the same type can be determined from repeatedly recorded values of the diagnosis parameter, for example from repeatedly acquired values of a parameter of the sensor unit, in particular a calibration parameter, by adjusting the prognosis value Determining a trend, in particular a linear function for the temporal development of the diagnostic parameter takes place.
  • a corresponding measuring point for carrying out the method described comprises a
  • Base unit which is detachably connected to a sensor unit, and for communicating a
  • the base unit further comprises: a microprocessor for processing data received from the sensor unit for communication to the process monitoring system a first data storage unit adapted to be stored in the sensor unit or to capture and store the value of a diagnostic parameter generated by the sensor unit, a second data storage unit that is designed to have a prognosis value or a
  • Prognoseintervaf! to deposit a Programm arrivedemheit in which an algorithm, in particular a Lernalgo ⁇ thmus is deposited, for adjusting the stored in the second data storage unit prognosis or prognosis interval based on the last in the first data storage unit detected value of the diagnostic parameter and for storing the adjusted prognosis value or the prognosis interval in the second data storage unit is
  • the base unit also has a second program memory unit in which a comparison algorithm is stored, which serves to compare the value of the diagnostic parameter last acquired in the first data storage unit with the prediction value or prognosis interval stored in the second data storage unit
  • FIG. 1 is a schematic representation of a measuring point according to, a first
  • FIG. 2 is a diagram illustrating the determination of a prediction value from stored
  • FIG. 3 is a schematic representation of a measuring parts according to a second
  • FIG. 5 shows a representation of a sequence of zero point values for three different sensors and the prognosis derived therefrom for the zero-peak trend for determining a future sensor state
  • FIG. 1 shows schematically a measuring point 101, which is designed to be connected via the
  • the diagnostic parameter a can, for example, the
  • the measuring point 101 comprises a sensor unit 2 j and a base unit 3
  • the sensor unit 2 j is the exemplary embodiment! to a pH sensor having a P ⁇ marsensor 21 in the form of a combination electrode and a sensor head 22, wherein the sensor head 22 is fixedly connected to the combination electrode 21
  • the combination electrode 21 gives at its Signalausgartg a Potentiaidifferenz between a Referenzpotentia! and a pH-dependent potential correlated to the current value of the medium.
  • the signal output of the combination electrode 21 is applied to a circuit for conditioning the signals of the combination electrode 21 in the sensor head, the circuit comprising an A / D converter and a microprocessor
  • the sensor head 22 contains a data memory 4, in which sensor-specific data are stored, for example Kalibnerdate ⁇ and their history or data on the load history Furthermore, the sensor head also contains a program memory 24 which basic functionality to operate the sensor unit contains
  • the sensor head contains a preferably inductively coupling interface 31, via which the energy supply of the sensor unit 2 j by the base unit 3 and the data exchange between the sensor unit 2 j and the base unit 3 takes place
  • the base unit 3 comprises a microprocessor for processing data which is received by the sensor unit in order to then optionally transmit it via a fieldbus to a central computer of the process monitoring system (not shown in FIG. 1).
  • the base unit 3 also has a data memory 7, in FIG the one stored in the sensor unit 2, more precisely generated in the sensor plug-in head 22 or in the data memory 4 of the sensor plug-in head 22 diagnose relevant parameters known, diagnostic parameter as Nj may be stored the diagnostic parameter as Nä is transmitted via the interface 31 of the sensor unit 2 j to the base unit 3 and stored in the data memory 7 of the base unit 3 in the example of FIG.
  • the data memory 7 comprises a one-time database matrix 5 in which the diagnostic parameter as N
  • the diagnostic parameter a SNj is stored across the life of several sensor units away
  • the base unit further comprises a program memory comprising a software module incorporating a learning algorithm.
  • This learning algorithm comprises a functionality with the values stored from some or all of the database matrix 5 can be used to determine a forecast value and stored in the data memory 8 of the base unit 3.
  • the learning algorithm can also include a function with which a limit value window can be formed around the determined prognosis value. This limit value window can also be stored in the data memory 8 as a forecast interval.
  • the program memory 9 of the base unit 3 comprises a software module which includes a comparison algorithm.
  • This comparison algorithm is adapted to newly acquired values of the diagnosis parameter as Nj . which is detected, for example, from the data memory of a newly connected to the base unit 3 sensor unit to compare with the forecast value or with the formed by the threshold window to the forecast value forecast interval. If the comparison algorithm determines a deviation of the newly determined diagnosis parameter a S Nj from the prediction value stored in the data memory 8 or from the prognosisintervail, it can initiate the output of a message, for example a warning via the display 11.
  • the first sensor units 2.1 2, n connected to the base unit 1 can be used as "training units.” Since the prognosis value determined by the learning algorithm at this early stage of the measuring point 101 is still based on too few basic data, this value can only be used to a limited extent and should Therefore, starting with the n + 1-th sensor unit 2.n + 1 of the same type of sensor, more reliable diagnostic statements or new, adjusted forecast values are obtained via comparison algorithms or learning algorithms.
  • the learning algorithm After connecting a sensor unit 2, j via the interface 31 to the base unit 3, the learning algorithm first checks whether the sensor unit 2.j is to be used for determining or adapting the prognosis value or the prognosis interval. For example, it can be determined how many operating hours the newly connected sensor unit 2.j has already left behind. On the basis of the stored in the memory unit 4 of the sensor unit 2.j Radiost ⁇ ndeniere can be decided whether the sensor unit is taken into account for the adjustment of the forecast value or the forecast interval.
  • Em Algo ⁇ thmus in the program memory 24 of the sensor unit 2 j provides the base unit via the interface 31 periodically a value a SNj of the diagnostic parameter This value is stored in the column number SNj the sensor unit 2 j column replaced the Sensoreinhest 2 j against a subsequent sensor unit 2 k , the most recent value a ⁇ Nj is stored in the database matrix 5
  • the last stored value asNj is defined as the learned value ags Nj .
  • the state of the database entry remains and can be updated when the sensor unit 2j is again connected to the base unit 3. If the sensor unit ends before its end of life t is removed from the process, whether due to a change in the type of sensor used or a process-independent defect during maintenance or calibration, it is possible to delete the relevant database entry
  • the learning state can be concluded even after reaching a fixed maximum number max of learned values ags Nj .
  • the learned values become agsm to ags N max used to determine the forecast value or the forecast interval
  • the forecast value or the forecast interval remain constant from the completion of the learning state
  • the diagnosis parameter a SNj of a currently connected sensor unit 2 j can be compared with the prognosis value or the prognosis interval which may be the confidence interval surrounding the prognosis value by means of the comparison algorithm 12 depending on the position of the diagnosis parameter as N
  • a warning could be generated, for example, when the lower limit of the forecast interval is exceeded. An alarm would therefore be conceivable, for example, for a value between lower forecast limit and forecast value
  • the course of learning values a.sub.AG Nj obtained on the basis of various sensor units 2j is based on the example of the diagnosis parameter (a SNi ) sensor load, ie a weighted operating time of the sensor unit, taking into account load-relevant parameters such as pH value and temperature
  • the associated prognostic value is the total load supply of the sensor unit, ie the total lifetime of the sensor unit taking into account the load-relevant parameters.
  • the learning values (ag SNj ) GBV j of the total load reserve are For the sake of simplicity, it is assumed that each sensor unit 2 j remains connected to the base unit 3 until the end of its lifetime and is only exchanged for a subsequent sensor unit 2 j + 1 if it is defective
  • a first learning value GBVi of the total load reserve is present, which is determined from this value on the basis of a first sensor unit 2 1, which has been exchanged for a lifetime corresponding to the total load supply GBV 1 due to a defect against a second sensor unit 2 2 the learning algorithm 10 has a first prognosis value P1 (square) for the total load of a sensor unit of the sensor unit type 2 1
  • the defective first sensor unit 2 1 is exchanged for a subsequent new sensor unit 2 2.
  • a load value of the sensor unit 2 2 is periodically transmitted to the database matrix 5 of the base unit 3. This load value can be determined by means of the comparison algorithm compared with the prognosis value P1 When the prognosis value is reached, the comparison algorithm outputs a warning or alarm message, however, this diagnosis result is still not loadable and uncertain, since the prognosis value P1 is only protected by a single learned value
  • the sensor unit 2 2 At time t1, which harbors the sensor unit even before the predicted end of life t2, the sensor unit 2 2 must be replaced due to a defect against a subsequent third sensor unit 2 3
  • the load value acquired at this time in the database matrix becomes a new learning value GBV 2 in the sensor unit 2 2 associated column stored under Using the new learning value GBV 2 , the prognosis value P1 is adapted and a new, lower prognosis value P2 is determined.
  • This new adapted prognostic value P2 replaces the original prognosis value P1 in the data memory 8 of the basic unit
  • FIG. 2 shows a comfort interval surrounding the prognosis values.
  • the lower limit of this confidence or prognosis interval is shown with filled in points, the upper limit with filled diamonds Furthermore, in Fsg 2 also a lower alarm limit is shown, which is marked with triangles
  • the comparison algorithm determines that the diagnostic parameter that is recorded periodically, as described in connection with FIG. 1, the sensor unit reaches the lower limit of the prognosis interval, the output of a warning is initiated via the display 11. If the sensor load reaches the alarm limit, then accordingly an alarm is issued
  • sensor data such as the total load reserve operating times under certain conditions can be used to pay for eg. cleaning in process (CIP) steps in the process of stepping (SIP), autoclaving, or similar sensor data
  • FIG. 3 shows a further example of the invention.
  • the measuring section 201 shown schematically is largely identical to the measuring point 101 shown in FIG. 1.
  • the data memory 7, however, contains not only a single-line database mat 5, but a multicellular and multi-column database matrix 5 '!
  • the measuring point 201 can store and analyze parameter changes taking place over the sensor lifetime. For example, the displacement of the sensor zero point and the change in the sensor slope between the start and end of the total operating time of the sensor unit can be detected. A prediction of future maximum changes is possible as compared to FIG
  • the variant of the learning algorithm 10 shown in the following can be applied simultaneously to several variables. This makes it possible to carry out subsequent analyzes based on the combination of the erm iteltelt, ie.
  • the values of the shift recorded in different calibrations can be stored in the individual memory locations of the database matrix 5 for several sensor units of the sensor zero point together with the serial number of the sensor and the time of calibration or the number of calibrations already made
  • diagnostic parameters SP 1 1 in this case the displacements of the sensor zero point, are stored over the service life of several sensor units.
  • the index j stands for the respective sensor unit, wherein successive sensor units are each denoted by a continuous natural number j in the present example stands for a consecutive numbering of repeatedly acquired and stored values of the displacement of the sensor zero point
  • the learning algorithm 10 determines from values determined for a plurality of sensor units for the displacement of the sensor zero point to a specific instant for all sensor units or to a same number of calibrations for all sensor units (if this number were 3, for example, this would correspond to the values SP 3 j) j stands for the serial number of the sensor unit), a prognosis value, ie an expected displacement of the sensor zero point for sensor units of the same type
  • a prognosis value ie an expected displacement of the sensor zero point for sensor units of the same type
  • a deviation from the forecast value or the forecast interval would mean that the zero offset lies outside the threshold window around the expected value of the zero offset.
  • the message generated by the comparison algorithm would be a warning because the sensor is of the predicted behavior differs
  • the caliber data of the sensor unit are thus also the shift of the zero point, stored in particular for the time of the last calibration.
  • the most recent value of the change of the zero point is combined with information about the Kalib ⁇ erzeittician of the base unit 3 from the data memory 4 read out
  • the information about the Kalib ⁇ erzeittician can be a time based on the previous total operating time of the sensor, which indicates after how many hours the corresponding calibration has taken place. It can also consist of a continuous numeration of the previously performed calibrations of the sensor unit.
  • the value of the displacement of the zero point which is output from the data memory 4 is stored in the database matrix 5 together with the serial number and the information about the calibration time.
  • the new value is displayed in the database matrix 5 in the same row as all other values for the change of the zero point read from the same sensor unit at other delivery times and in the same column as the values for the change of the change read out from other sensor units of the same type at the same or comparable calibration time of the zero point
  • Both the learning algorithm stored in the program memory 10 and the comparison algorithm stored in the program memory 9 access the values stored in the database matrix 5.
  • Theareaaigo ⁇ thmus serves to make diagnostic statements on the currently connected sensor unit in a data memory 8 'of the base unit 3 is already a corresponding forecast value for the change of the zero point deposited, which determined from the corresponding data previously used at the Messstelie 201 sensor units 2, j
  • a limit value window surrounding the prognosis value can advantageously also be stored in the data memory 8.
  • the comparison algorithm determines whether the value of the shift of the zero point to the last calibration time of the sensor stored in the database matrix 5 'lies within the limit value window. If not If so, a warning message can be generated
  • the Lernalgonthmus 10 serves to further adjust the prediction value stored in the data memory 8 'and to optimize its load capacity.
  • the learning algorithm determines from the newly stored value SP 11 the change of the zero point at a specific calibration time and the corresponding values already present in the database matrix 5 'which are for previous ones
  • An adapted forecast value Simple robust methods for determining the adjusted forecast value are, for example, the formation of an average or a weighted one
  • Zero offset diamonds are in a value range between -0 1 and 0 4 out of these
  • a prediction value which is represented as an open square, is determined by means of a sliding exponential smoothing 2-order.
  • a limit value window is also defined around this prediction value, which is shown as a dashed line is indicated
  • a sliding function can be provided for the adaptation of the prognosis value. For example, it may be provided that older sensor data are again "forgotten” when adapting the prognosis value If, for example, a number of five sensors is specified, only the values of the Displacement of the zero point of the last five sensor units used, which were connected to the measuring point 201. Older values can be deleted from the database matrix 5
  • the sensor zero point shift of a pH sensor is used as an alternative.
  • additional diagnostic parameters such as the sensor zero point or the sensor slope, the process parameters of the sensor unit, such as pH value and temperature, or variables derived therefrom, such as Belastu ⁇ gsaquivalenie or load Mdizes or other sensor-specific parameters are considered.
  • a prognosis for the further course ie a trend of the diagnostic parameter
  • a prognosis for the further course ie a trend of the diagnostic parameter
  • values of the sensor zero points of a plurality of sensor units 2 of the same type can be stored at different calibration times in FIG. 5.
  • FIG. 5 such values are plotted for three different sensor units recalibrated at regular time intervals of 168 hours
  • the individual sensor units are calibrated at different times.
  • the individual time intervals between the calibrations can be selected to be of different lengths
  • a sensor lifetime or a remaining service life can be predicted as the prognosis value. Also, this prognosis value becomes all the more reliable and reliable, the more sensor units are used. Learning the forecast value
  • the zero values of a second sensor unit (sensor 2) of the same type as the first sensor unit are shown as triangles. Taking these zero values into account results in a linear trend T2 with a gradient less than T1.
  • the learning algorithm used in this case! a weighted averaging, in which the zero values of the first sensor unit ⁇ sensor 3) are taken into account only with a weight of 0 4, while the newer values of the second sensor unit with a weight of 0 6 are received from the intersection of T2 with the parallel to the abscissa Straight line through the predefined permissible maximum value for the zero point results in an adapted prognosis value as well as an adjusted confidence interval or prognosis interval for the sensory duration which is already better suited for further diagnostic purposes than the interval determined using only the sensor 3
  • the prognosis value for the expected sensor life can be further improved taking into account the zero point values of a further sensor unit (sensor 1, circles)
  • Sensor units of different types for example, for potentiomet ⁇ sche, amperomet ⁇ sche, coulomet ⁇ sche, coio ⁇ metrische, photometric, turbidimetric and spectrometric
  • inventive method can be advantageously applied to a measuring parts with a gas sensor not shown in detail, for example, as a prognosis value, a period of time in particular after
  • the measuring point described here may be part of a process monitoring system comprising one or more similar measuring points. If at least two measuring points are present in the process monitoring system which are exposed to similar or comparable environmental influences and sensor units of the same or the same type are used, it is advantageous if the respective base units of these measuring points, for example, can exchange values stored in their data storage units via a field bus, values of a diagnosis parameter determined by one or more sensor units, or stored particular prediction values already determined by the learning algorithm Furthermore, it is possible to store a prediction value already established and loadable in a bast unit of a measuring point by a plurality of learning cycles, or a prognosis interval together with information about the associated sensor type and specific properties of the measuring post for which the prognosis value has been learned in a central computer of the process monitoring system , The specific properties of the measuring point can be stored, for example, in an identification parameter set that contains information about a process class of the process in which the measuring point is used, as well as information about specific loads acting on the sensor at the measuring point, such as media
  • a new dentistry parameter set generated for this measuring point is generated.
  • the new identification parameter set can be compared with the identification parameter sets stored in the central computer of the process monitoring system. If the new identification parameter set substantially coincides with a stored one, the corresponding predefined prognosis value can be adopted for the new measuring point and stored in the base unit of the new measuring point. that a once learned prognosis value for a measuring point can be transferred to similar further measuring points. These measuring points can then either adopt the prediction value or continue to adapt it through further learning steps

Abstract

Ein Verfahren zum Betreiben einer Messstelle zum Bestimmen mindestens einer Messgröße eines Mediums, wobei die Messstelle eine Basiseinheit umfasst, die lösbar mit einer Sensoreinheit verbunden ist, und die zur Kommunikation eines den Wert der Messgröße repräsentierenden Signals an eine Prozessüberwachungsanlage vorgesehen ist, umfassend mindestens die Schritte: (a) Mindestens einmaliges Erfassen und Speichern eines in der Sensoreinheit gespeicherten oder von der Sensoreinheit erzeugten Wertes eines Diagnoseparameters in einer ersten Datenspeichereinheit der Basiseinheit; (b) Anhand des mindestens einen in der ersten Datenspeichereinheit gespeicherten Wertes des Diagnoseparameters Anpassen eines in einer zweiten Datenspeichereinheit der Basiseinheit hinterlegten Prognosewertes oder Prognoseintervalls und Hinterlegen des angepassten Prognosewertes oder Prognoseintervalls in der zweiten Datenspeichereinheit der Basiseinheit anstelle des bisher hinterlegten Prognosewerts oder Prognoseintervalls.

Description

VERFAHREN ZUM BETREIBEN EINER MESSSTELLE UND MESSSTELLE
Die Erfindung betrifft ein Verfahren zum Betreiben einer Messstelie zum Bestimmen mindestens einer Messgröße eines Mediums, wobei die Messstelle eine Basiseinheit umfasst, die lösbar mit einer Sensoreinheit verbunden ist, und dse zur Kommunikation eines den Wert der Messgrόße repräsentierenden Signals an eine Prozessüberwachungsanlage vorgesehen ist.
Derartige Messstellen sind beispielsweise pH-Messstellen oder andere Messstellen der Analysemesstechnik. Hierzu gehören insbesondere wettere potentiometπsche, amperometπsche, coulometπsche, colorimetnsche, photometrische, turbidimetnsche und spektrometrische Einheiten.
Das der Erfindung zugrunde liegende Problem soli anhand eines Beispiels von pH-Messsteilen erläutert werden, ohne dass jedoch die Erfindung auf ein Verfahren zum Betreiben von pH- Messstelien beschränkt sein soli.
Eine Sensoreinheit umfasst mindestens einen Wandler, der ein vom Wert der Messgroße abhängiges elektrisches Signal ausgibt. Häufig ist die LJbertragungsfunktion des Wandlers veränderlich Dies gilt in besonderem Maße für pH-Sensoren. Deshalb müssen pH-Sensoren bzw pH-Elektroden zu geeigneten Zeitpunkten gewartet, insbesondere neu kalibriert, werden. Die Länge der Zeitintervalle zwischen den Wartungsmaßnahmen bzw die Kalibrienntervaile hängen stark von den Umgebungseinflüssen ab, denen der Sensor wahrend seiner Lebenszeit ausgesetzt ist Auch die Gesamtlebensdauer des Sensors wird stark von diesen Umgebungsbedingungen beeinflusst.
Der Begriff der Kalibrierung wird in der pH-Messung häufig anders gebraucht, als allgemein üblich Aligemein versteht man unter der Kalibrierung die Überprüfung der Anzeige eines Messgerätes mit einem Standard; die Abweichung zwischen wahrem Wert und Anzeigewert wird festgestellt. Das Angleichen des Anzeigewertes an den wahren Wert wird als Justieren bezeichnet. Die Kalibrierung beim pH-Sensor stellt strenggenommen eine Justierung dar. Da der Begriff Kalibrierung in der Elektrochemie weit verbreitet ist, wird der auch hier verwendet
in den Richtlinien VDI/VDE 2650 und NAMUR NE107 wird in jüngster Zeit auf zukünftige Marktentwicklungen auf dem Gebiet der Sensordiagnose verstärkt hingewiesen.
Aus dem Stand der Technik sind Ansätze bekannt, Sensoren mit intelligenter Selbstdiagnose auszustatten So gibt es erste Veröffentlichungen in Bezug auf die Analyse einzelner
Sensorkenndaten zur Ermittlung des Zeitraums bis zum Eintreten eines erklärten Sensorzustandes in der Zukunft, z.B. des Endes der Sensorlebenzeit oder eines Zeitpunkts, zu dem eine neue Kalibrierung notwendig ist Beispielhaft seien DE 10141408, JP 05-209858, JP 2002-228495, DE 10 2004 012420 und DE 10239610 genannt
Die in den genannten Veröffentlichungen beschriebenen Methoden beruhen auf der Annahme, dass sich das Verhalten esnes Sensors in einem Medium mit im Wesentlichen bekannten Inhaltsstoffen und bei bekannten Umgebungsbedingungen über ein Modell ausreichend gut beschreiben lasst Tatsachlich sind die Zusammenhange jedoch um ein Vielfaches komplexer, so dass eine Abbildung der Vorgange, die die Ubertragungsfunktion eines Sensors, insbesondere einer pH-Elektrode beeinflussen über ein Modell nicht oder allenfalls mit großem Aufwand möglich ist
Als Eiπstabmessketten ausgestaltete pH-Glaselektroden unterliegen einem Verschleiß, der zu einem großen Teil von dem pH-Wert und der Temperatur der Umgebung abhangt Neben der Glasmembran ist auch die Referenzhalbzelle einer Glaselektrode stark beansprucht Wahrend an der Glasmembran unter Medienemfluss esne allmähliche Zersetzung stattfindet und dadurch die Wahrscheinlichkeit für einen Sensorausfail zunimmt können Diaphragmaveranderungen, Vergiftung und Zersetzung des Referenzelektrolyts der Referenzhalbzelle die Funktionalität des Sensors beeinträchtigen
Aufgrund der Vielzahl der Parameter, die die Lebensdauer eines Sensors, die auch als Standzeit des Sensors bezeichnet wird, bestimmen ist eine Vorhersage der Lebensdauer schwierig zumal auch eine erhebliche Streuung von Sensorexemplar zu Sensorexemplar gleichen Typs auftritt
Es ist daher die Aufgabe der vorliegenden Erfindung, ein Verfahren zum Betreiben einer MesssteNe anzugeben, welches den zuvor geschilderten Anforderungen gerecht wird und das es insbesondere erlaubt, mit geringem Aufwand eine verlassliche Aussage über den Zeitraum bis zum Erreichen eines definierten Sensorzustands in der Zukunft zu treffen
Diese Aufgabe wird gelost durch ein Verfahren zum Betreiben einer Messstelle zum Bestimmen mindestens einer Messgroße eines Mediums, wobei die Messstelle eine Basiseinheit umfasst die losbar mit einer Sensoreinheit verbunden ist und die zur Kommunikation eines den Wert der Messgroße repräsentierenden Signals an eine Prozessuberwachungsanlage vorgesehen ist, umfassend mindestens die Schritte
(a) Mindestens einmaliges Erfassen und Speichern eines in der Sensoreinheit gespeicherten oder von der Sensoreinheit erzeugten Wertes eines Diagnoseparameters in einer ersten
Datenspeichereinheit der Basiseinheit (b) Anhand des mindestens einen in der ersten Datenspeichereinheit gespeicherten Wertes des
Diagnoseparameters Anpassen eines in einer zweiten Datenspeichereinheit der Basiseinheit gespeicherten Prognosewertes oder Prognoseintervalls und Hinterlegen des angepassten
Prognose wertes oder Prognoseintervalls in der zweiten Datenspeichereinheit der Basiseinheit anstelle des bisher hinterlegten Prognosewerts oder Prognoseintervalis.
Die Sensoreinheit umfasst mindestens einen Primärsensor und einen Sensorkopf, wobei das Medium auf den Primärsensor einwirkt, welcher einen Wandler mit einem Signalausgang umfasst, welcher ein von dem Wert der Messgröße abhängiges elektrisches Signal ausgibt, wobei der Wandler eine veränderliche Übertragungsfunktion aufweist. Im Sensorkopf kann eine Schaltung zur Aufbereitung der Wandlersigπale integriert sein, welche einen A/D-Wandler und einen zweiten Mikroprozessor zur Verarbeitung der digitalisierten Signale aufweist. Ein in der Sensoreiπheit erzeugtes Signa! kann daher beispielsweise das von der Messgröße abhängige elektrische Wandlersigna], oder ein aufbereitetes, insbesondere digitalisiertes Wandlersignal sein.
Weiterhin kann der Sensorkopf einen Datenspeicher beinhalten, in dem sensorspezifische Werte eines oder mehrerer Diagnoseparameter abgespeichert sind. Solche Diagnoseparameter können beispielsweise Kalibrierdaten der letzten Kalibrierung, wie beispielsweise bei einem pH-Sensor Nullpunkt und Steilheit, oder Belastungsdaten der Sensoreinheit sein, die auf die in DE 10 2004 012 420 B4 beschriebene oder eine ähnliche Weise ermittelt und abgespeichert wurden.
Ein Wert eines derartigen Diagnoseparameters wird von der Sensoreinheit an die Basiseinheit übertragen und in einer Speichereinheit der Basiseinheit abgelegt. Es ist möglich, genau einen Wert zu übertragen, gleichermaßen kann jedoch auch eine Folge von Werten übertragen und abgelegt werden. Dabei können alle Werte der Folge oder auch nur jeweils der aktuellste Wert gespeichert werden. Wird eine zeitliche Abfolge von mehrfach nacheinander erfassten Werten eines Diagnoseparameters abgespeichert, können zu den Werten auch die Zeitpunkte, zu denen sie erfasst wurden oder zumindest eine Kennung, anhand derer die korrekte zeitliche Abfolge der Werte ermittelbar ist, abgelegt werden. In einer weiteren Speichereinheit der Basiseinheit ist ein Prognosewert oder ein Prognoseintervail abgelegt. Beispielsweise kann der Prognosewert einen Gesamtbelastungsvorrat der Sensoreinheit, d.h. eine mit der Sensorbelastung gewichtete Gesamtlebensdauer der Sensoreinheit, oder auch ein verbleibendes ZeitintervaH bis zur nächsten fälligen Kalibrierung angeben. Der Prognosewert kann auch einen zu einem bestimmten Zeitpunkt erwarteten Wert eines Kalibrierparameters angeben, zum Beispiel einen zu einem bestimmten Kalibrierzeitpυnkt - beispielsweise bei der n-ten Kalibrierung - erwarteten Nullpunkts- oder Steilheitswert, oder eine erwartete Veränderung von Nullpunkt oder Steilheit zwischen zwei aufeinander folgenden Kalibrierungen. Durch das Anpassen des Prognosewerts oder des Prognosemtervalis anhand des neu abgespeicherten Werts des Diagnoseparameters und das Hinterlegen des so ermittelten angepassten Prognosewerts oder PrognoseintervaIJs im Datenspeicher der Basiseinheit wird ein starker belastbarer Prognosewert bzw Prognoseintervall zur Verfugung gestellt, der bzw das nach
Austausch der aktuellen Sensoreinheit nachfolgenden Sensoreinheiten zur Verfugung steht Die
Messstelle kann also über die Lebensdauer mehrerer Sensoreinheiten hinweg ihre
Diagnosefunktionen immer besser an die konkreten Umgebungsanforderungen anpassen und gleichzeitig statistisch auch Schwankungen zwischen den einzelnen Sensorexemplaren berücksichtigen
Das beschriebene Verfahren kann zusätzliche Schritte zu den Schritten (a) und (b) aufweisen Jedoch werden zu einem Zeitpunkt wahrend des Betriebs der Messstelle mindestens einmal die Schritte (a) und (b) durchgeführt
In einem zusatzlichen Schritt (c) kann der in Schritt (a) erfasste und in der ersten Datenspeichereinheit der Basiseinheit gespeicherte Wert des von der Sensoreinheit erzeugten Wertes eines Diagnoseparameters mit dem in der Bassseinheit hinterlegten Prognosewert oder Prognose Intervall verglichen werden Dieser Schritt kann beispielsweise durchgeführt werden, bevor der Prognosewert anhand des ermittelten Werts des Diagnoseparameters angepasst wird
Ein Vergleich des erfassten Werts des Diagnoseparameters mit dem hinterlegten Prognosewert bzw dem Prognoseintervall kann beispielsweise für den Fall, dass der Prognosewert einen erwarteten Kalibπerparameterwert oder eine erwartete Änderung eines Kalibπerparameterwerts betrifft, einen Hinweis darauf geben, ob die Sensoreinheit noch korrekt arbeitet oder möglicherweise bereits geschädigt ist Betrifft der Diagnoseparameterwert der Sensoreinheit, beispielsweise die aktuelle Sensorbelastung in Form einer gewichteten Belastungszeit, die beispielsweise durch Addieren von Belastungsaquivalenten über die bisherige Betriebsdauer der Sensoreinheit ermittelt worden sein kann, so kann ein Vergleich mit einem hinterlegten Prognosewert, der einen Gesamtbelastungsvorrat der Sensoresnheit angibt, einen Hinweis auf die verbleibende Lebensdauer des Sensors geben
Vorteilhafterweise wird in einem weiteren Schritt die Sensoreinheit durch eine zeitlich nachfolgende Sensoreinheit gleichen Typs ersetzt und nach Ersetzen der Sensoreinheit durch die nachfolgende Sensoreinheit gleichen Typs die Schritte (a) und (b) oder (a) bis (c) mindestens einmal wiederholt Dieses Verfahren stellt, wie bereits erwähnt, einen Lernvorgang zur Verfügung, bei dem über die Lebensdauer von mehreren Sensoreinheiten hinweg ein nach und nach stärker belastbarer Wert für eine Prognose bzw. ein Prognoseinterval! erhalten wird. Gleichzeitig erlaubt ein Vergleich der jeweils neu erfassten Werte mindestens eines Diagnoseparameters mit dem hinterlegten Prognosewert bzw. Prognoseintervall, je nach Art des hinterlegten Prognosewerts bzw. Prognoseintervalls eine Aussage über den aktuellen Zustand der aktuell mit der Basiseinheit verbundenen Sensoreinheit zu machen bzw. eine Reststandzeit der Sensoreinheit abzuschätzen.
Wegen der weiter oben bereits angesprochenen Abhängigkeit der für die Sensoreinheit charakteristischen Diagnoseparameter von den Umgebungsbedingungen und damit von der Messsteile, ist es vorteilhaft, den Lernvorgang in einer Datenverarbeitungseinheit der Basiseinheit zu integrieren.
In einer vorteilhaften Ausgestaltung des Verfahrens erfolgt die Anpassung des Prognosewerts oder des Prognoseintervails mittels eines Lernalgorithmus. Der Lernalgorithmus umfasst dabei insbesondere einen Schritt der Mittelwertbildung, der gleitenden gewichteten Mittelwertbilduπg, der exponentiellen Giättung 1 , und 2. Art, der linearen Regression der Anpassung eines Polynoms oder anderer nicht-linearer Funktionen oder dergleichen.
In einer Ausgestaltung des Verfahrens wird der Basiseinheit zur Ermittlung des Prognosewerts eine zusätzliche Information zur Verfügung gestellt. Diese zusätzliche Information kann zum Beispiel in einer Gewichtung des aktuellen Diagnoseparameterwerts bestehen. Dies kommt zum Beispiel in Frage, wenn eine Sensoreinheit während einer Wartungsmaßnahme beschädigt wurde und deshalb der von ihr erzeugte Wert des Diagnoseparameters verfälscht wird und entsprechend nicht oder nur mit geringem Gewicht im Lernalgorithmus berücksichtigt werden soll. Ein anderes Beispiel für eine zusätzliche Information ist im Falle eines Defekts der Sensoreinheit die Eingabe der tatsächlichen Lebensdauer der Sensoreinheit, zum Beispiel durch eine Bedienperson.
In einer Ausgestaltung des Verfahrens umfasst die erste Datenspeichereinheit eine Speichereinheit mit einer Vielzahl von Speicherzeilen, zum Beispiel eine Datenbankmatrix, wobei der Wert des
Diagnoseparameters zusammen mit einer Kennung der zugehörigen Sensoreinheit, beispielsweise der Seriennummer der zugehörigen Sensoreinheit, in einer Speicherzeile hinterlegt wird. Dies ist vorteilhaft, wenn die Sensoreinheit von Zeit zu Zeit - zum Beispiel zur Durchführung von
Wartungsmaßnahmen - von der Messsteile entfernt wird und in der Zwischenzeit eine andere Sensoreänheit an der Messstelie verwendet wird. Wenn die erste Sensoreänheit nach Abschluss der
Wartung wieder an die Messstelle angeschlossen wird, kann die ursprüngliche Speicherzelle, die anhand der Kennung der Sensoreinheit eindeutig zugeordnet werden kann, weiter mit Werten des Diagnoseparameters beschrieben werden Wenn mehrere in der Sensoreinheit gespeicherte oder erzeugte Werte des Diagnoseparameters erfasst und gespeichert werden, beispielsweise in einer Zeile einer Datenbankmatπx, kann die gesamte Zeile der Datenbankmatrix mit der Kennung der Sensoreinheit markiert werden Wird die Sensoreinheit zwischenzeitlich entfernt und später wieder an die Basiseinheit angeschlossen, kann anhand der Kennung die ursprüngliche Zeile mit den zuvor gespeicherten Werten der Sensoreinheit wiedergefunden und mit dem neuen Wert weitergeschπeben werden
In einer spezieilen Ausgestaltung des Verfahrens wird als Diagnoseparameter ein auf die Sensorbelastung bezogener Parameter, beispielsweise eine gewichtete Belaεtungszeit der Sensoreinheit, erfasst, und als Prognosewert oder Prognoseintervall ein Parameter ermittelt und hinterlegt, der mit der gesamten Sensorbelastung, mit der die Sensoreinheit beaufschlagt werden kann bevor sie ausgetauscht werden muss, korreliert, wie zum Beispiel der Gesamtbelastungsvorrat oder ein Konfidenzintervall, weiches den Gesamtbelastungsvorrat umgibt,
In einer Weiterbildung dieser Ausgestaltung werden laufend aktuelle Werte des auf die Sensorbelastung bezogenen Parameters der Sensoreinheit erfasst und in der Datenspeichereinheit der Basiseinheit hinterlegt Wenn die Sensoreinheit wegen eines Defekts ausgetauscht werden muss, wird diese Information {„Sensor defekt') der Basiseinheit als zusätzliche Information zur Verfügung gestellt Der zu diesem Zeitpunkt in der Datenspeichereinheit des Sensors gespeicherte Wert des auf die Seπsorbelastung bezogenen Parameters wird als Lernwert für die Messsteile verwendet, d.h. dieser zuletzt gespeicherte Wert dient zur Anpassung des hinterlegten Prognosewerts oder Prognoseintervails.
Wahrend des laufenden Erfassens der aktuellen Werte des auf die Sensorbeiastung bezogenen Parameters der Sensoreinheit können die aktuell erfassten Werte mit dem hinterlegten Prognosewert oder Prognoseintervall verglichen werden. Ergibt der Vergleich, dass der zuletzt erfasste Wert den Prognosewert erreicht oder überschritten hat oder dass eine untere Intervallgrenze des Prognoseintervalls überschritten ist, kann eine Meldung in Form einer Warnung oder eines Alarms generiert werden
in einer anderen weiter oben bereits angedeuteten speziellen Ausgestaltung des Verfahrens wird als Diagnoseparameter ein Parameter der Sensoreinheit, insbesondere ein Kalibrierparameter, wiederholt erfasst und die einzelnen wiederholt erfassten Werte in einzelnen Zellen einer Datenspeichereinheit der Basiseinheit, beispielsweise in einer Zeile einer Datenbankmatrix gemeinsam mit den Erfassungszeitpunkten oder einem dazu äquivalenten Parameter, und einer Kennung der zugehörigen Sensoreinheit, beispielsweise der Seriennummer der Sensoresnheit, hinteriegt. Dabei wird als Prognosewert jeweils ein Wert für den Parameter der Sensoreinhteit, insbesondere der Kalibrierparameter, ermittelt, beispielsweise durch Mittelwertbildung oder Extrapolation, und im Datenspeicher der Basiseinheit hinterlegt. Die Datenspeichereinheit kann zu diesem Zweck als Datenbankmatrix ausgelegt sein, in deren Zeilen jeweils zeitlich aufeinander folgende Werte eines Kalibrierparameters gespeichert werden können, wobei die Spalten der Datenbankmatrix einem Erfassungszeitpunkt des Kalibrierparameters oder einem dazu äquivalenten Parameter zugeordnet sind.
In diesem Fall liegt also nicht nur ein Prognosewert vor, sondern eine Mehrzahl von Prognoseparametern. Beispielsweise können, wie weiter unten ausführlicher dargestellt, bei jeder Neukalibrierung der Sensoreinheit die ermittelten Werte der Kalibrierparameter Nullpunkt und Steilheit oder die Änderung von Nullpunkt und Steilheit seit der vorhergehenden Kalibrierung ermittelt und in einem eigenen Speicherplatz des Datenspeichers der Basiseinheit zusammen mit einer laufenden Nummer der Neukalibrierung abgelegt werden. Mit diesen Daten können einzelne Prognosewerte für die Kalibrierparameter oder die Änderungen der Kalibrierparameter für Jede Neukalibrierung - also für die erste, die zweite, die dritte usw. Kalibrierung einer - Sensoreinheit desselben Typs ermittelt, hinterlegt, mittels neu hinzukommender Werte weiterer Sensoreinheiten gleichen Typs angepasst und die angepassten Prognosewerte neu hinterlegt werden.
In einer weiteren speziellen Ausgestaltung kann aus wiederholt erfassten Werten des Diagnoseparameters, beispielsweise aus wiederholt erfassten Werten eines Parameters der Sensoreinheit, insbesondere eines Kalibrierparameters, als Prognosewert eine Gesamtlebensdauer bzw. eine Sensor-Reststandzeit für Sensoreinheiten desselben Typs ermittelt werden, indem die Anpassung des Prognosewerts durch Ermitteln eines Trends, insbesondere einer linearen Funktion für die zeitliche Entwicklung des Diagnoseparameters erfolgt.
Eine entsprechende Messstelle zur Durchführung des beschriebenen Verfahrens umfasst eine
Basiseinheit, die lösbar mit einer Sensoreinheit verbunden ist, und die zur Kommunikation eines den
Wert der Messgröße repräsentierenden Signals an eine Prozessüberwachungsanlage vorgesehen ist, wobei die Basiseinheit weiterhin umfasst: einen Mikroprozessor zur Aufbereitung von Daten, die von der Sensoreinheit empfangen werden, zur Kommunikation an die Prozessüberwachungsanlage eine erste Datenspeichereinheit, die dazu ausgelegt ist, in der Sensoreinheit gespeicherten oder von der Sensoreinheit erzeugten Werts eines Diagnoseparameters zu erfassen und abzuspeichern, eine zweite Datenspeichereinheit, die dazu ausgelegt ist, einen Prognosewert oder ein
Prognoseintervaf! zu hinterlegen, eine Programmspeicheremheit, in der ein Algorithmus, insbesondere ein Lernalgoπthmus hinterlegt ist, der zur Anpassung des in der zweiten Datenspeichereinhett hinterlegten Prognosewerts oder Prognoseintervalls anhand des zuletzt in der ersten Datenspeichereinheit erfassten Wertes des Diagnoseparameters und zur Hinterlegung des angepassten Prognosewerts oder des Prognoseintervalls in der zweiten Datenspeichereinheit dient
In einer Ausgestaltung verfugt die Basiseinheit weiterhin über eine zweite Programmspeichereinheit in der ein Vergleichsalgoπthmus hinterlegt ist der zum Vergleich des zuletzt in der ersten Datenspeichereinheit erfassten Wertes des Diagnoseparameters mit dem in der zweiten Datenspeichereinheit hinterlegten Prognosewert oder Prognoseintervall dient
Die Erfindung wird nun anhand der in der Zeichnung dargestellten AusfuhrungsbesspieJe naher erläutert Es zeigt
Fig 1 eine schematische Darstellung einer Messstelle gemäß, einem ersten
Ausfuhmngsbeispiei der Erfindung,
Fig 2 ein Diagramm zur Illustration der Ermittlung eines Prognosewerts aus gespeicherten
Werten eines Diagnoseparameters für verschiedene Sensoreinheiten am Beispiel des Gesamtbelastungsvorrats
Fig 3 eine schematssche Darstellung einer Messsteile gemäß einem zweiten
Ausfuhmngsbeispiei der Erfindung,
Fig 4 eine Darstellung von Werten für die Verschiebung des Nullpunkts für eine Reihe von
Sensoreinheiten bei drei Kalibrierzeitpunkten und der daraus ermittelten aktuellen Prognosewerte,
Fig 5 eine Darstellung einer Folge von Nullpunkt-Werten für drei verschiedene Sensoren und der daraus ermittelten Prognose für den Nulipunkttrend zur Ermittlung eines zukunftigen Sensorzustands
In Fig 1 ist schematisch eine Messstelle 101 dargestellt, die dazu ausgestaltet ist, über die
Lebenszeit mehrerer Sensoreinheiten einen Prognosewert für einen Diagnoseparameter a für eine Sensoreinheit zu erlernen Der Diagnoseparameter a kann beispielsweise der
Gesamtbelastungsvorrat, die Gesamtbetriebszeit, Betπebszeiten unter bestimmten Bedingungen, Zahlerstande, z B zur Zahlung von „cleaning in process (CIP)"-Schrιtten, „steπlization in process (SIP)"-Sch ritten, Autoklavierungsschπtte, oder dergleichen sein
Die Messstelie 101 umfasst eine Sensoreinheit 2 j und eine Basiseinheit 3 Bei der Sensoreinheit 2 j handelt es sich im Ausfuhrungsbeispie! um einen pH-Sensor, der einen Pπmarsensor 21 in Form einer Einstabmesskette und einen Sensorkopf 22 aufweist, wobei der Sensorkopf 22 fest mit der Einstabmesskette 21 verbunden ist Die Einstabmesskette 21 gibt an ihrem Signalausgartg eine Potentiaidifferenz zwischen einem Referenzpotentia! und einem pH-Wert-abhangigen Potential aus, die mit dem aktuellen Wert des Mediums korreliert ist Der Signalausgang der Einstabmesskette 21 wird einer Schaltung zur Aufbereitung der Signale der Einstabmesskette 21 im Sensorkopf zugeführt, wobei die Schaltung einen A/D-Wandler und einen Mikroprozessor zur Verarbeitung der digitalisierten Signafe aufweist Von der Einstabmesskette 21 kann weiterhin ein Temperatursignal ausgegeben werden Der Sensorkopf 22 enthalt einen Datenspeicher 4, in dem sensorspezifische Daten gespeichert sind, beispielsweise Kalibnerdateπ und deren Historie oder Daten zur Belastungshistorie Weiterhin enthalt der Sensorkopf auch einen Programmspeicher 24 welcher Grundfunktionalitaten zum Betrieb der Sensoreinheit enthalt
Weiterhin enthalt der Sensorkopf eine vorzugsweise induktiv koppelnde Schnittstelle 31 , über welche die Energieversorgung der Sensoreinheit 2 j durch die Basiseinheit 3 und der Datenaustausch zwischen der Sensoreinheit 2 j und der Basiseinheit 3 erfolgt
Die Basiseinheit 3 umfasst einen Mikroprozessor zur Aufbereitung von Daten, die von der Sensoreinheit empfangen werden, um diese dann gegebenenfalls über einen Feldbus an einen Zentralrechner der Prozessuberwachungεanlage zu übertragen (nicht in der Fig 1 gezeigt) Die Basiseinheit 3 weist weiterhin einen Datenspeicher 7, in dem ein in der Sensoreinheit 2, genauer im Sensorsteckkopf 22 erzeugte oder im Datenspeicher 4 des Sensorsteckkopfs 22 gespeicherte diagnoserelevanten Parameter, sog Diagnoseparameter asNj abgelegt werden kann Der Diagnoseparameter asNä wird über die Schnittstelle 31 von der Sensoreinheit 2 j an die Basiseinheit 3 übertragen und im Datenspeicher 7 der Basfseinheit 3 gespeichert im Beispiel der Fig 1 umfasst der Datenspeicher 7 eine einzeitige Datenbankmatrix 5, in der der Diagnoseparameter asN| zusammen mit weiteren informationen, wie beispielsweise der Seriennummer der Sensoreinheit 2 j, von der ein Diagnoseparameter asr^ übertragen wurde, abgelegt werden können Der Diagnoseparameter aSNj wird über die Lebensdauer mehrerer Sensoreinheiten hinweg abgespeichert
Die Basiseinheit umfasst weiterhin einen Programmspeicher, der ein Softwaremodul umfasst, welches einen Lernalgorithmus beinhaltet Dieser Lernalgoπthmus umfasst eine Funktionalität, mit der aus einigen oder allen in der Datenbankmatrix 5 abgelegten Werten ein Prognosewert ermittelt und im Datenspeicher 8 der Basiseinheit 3 hinterlegt werden kann. Weiterhin kann der Lernalgorithmus auch eine Funktion umfassen, mit der ein Grenzwertfenster um den ermittelten Prognosewert herum gebildet werden kann. Dieses Grenzwertfenster kann als Prognoseintervall ebenfalls im Datenspeicher 8 hinterlegt werden.
Weiterhin umfasst der Programmspeicher 9 der Basiseinheit 3 ein Softwaremodul, welches einen Vergleichsalgorithmus beinhaltet. Dieser Vergleichsalgorithmus ist dazu ausgebildet, neu erfasste Werte des Diagnoseparameters asNj. der beispielsweise aus dem Datenspeicher einer neu an die Basiseinheit 3 angeschlossenen Sensoreinheit erfasst wird, mit dem Prognosewert oder mit dem durch das Grenzwertfenster um den Prognosewert gebildeten Prognoseintervall zu vergleichen. Stellt der Vergleichsalgorithmus eine Abweichung des neu ermittelten Diagnoseparameters aSNj von dem im Datenspeicher 8 hinterlegten Prognosewert bzw. von dem Prognoseintervail fest, kann er die Ausgabe einer Meldung, beispielsweise einer Warnung über das Display 11 veranlassen.
im Folgenden soll ein Verfahren zum Betreiben der in Fig. 1 dargestellten Messstelle 101 genauer beschrieben werden.
Die ersten n an die Basiseinheit 1 angeschlossenen Sensoreinheiten 2.1 2,n können als „Trainingseinheiten" verwendet werden. Da der durch den Lernalgorithmus in diesem frühen Stadium der Messstelle 101 ermittelte Prognosewert noch auf zu wenigen Grunddaten basiert, ist dieser Wert nur bedingt belastbar und sollten daher nur unter Vorbehalt für die Sensordiagnose oder für eine Reststandzeitvorhersage verwendet werden. Beginnend mit der n+1-ten Sensoreinheit 2.n+1 des gleichen Sensortyps werden über Vergleichsalgorithmen bzw. Lernalgorithmen zuverlässigere Diagnoseaussagen bzw. neue, angepasste Prognosewerte erhalten.
Nach Anschließen einer Sensoreinheit 2,j über die Schnittstelle 31 an die Basiseinheit 3 überprüft der Lernalgorithmus zunächst, ob die Sensoreinheit 2.j zur Ermittlung bzw. zur Anpassung des Prognosewerts oder des Prognoseintervalls verwendet werden soll. Beispielsweise kann ermittelt werden, wie viele Betriebsstunden die neu angeschlossene Sensoreinheit 2.j bereits hinter sich hat. Anhand der in der Speichereinheit 4 der Sensoreinheit 2.j hinterlegten Betriebsstυndenzahl kann entschieden werden, ob die Sensoreinheit für die Anpassung des Prognosewerts oder des Prognoseintervalls berücksichtigt wird.
Weiterhin wird zunächst überprüft, ob die Seriennummer SNj der Sensoreinheit 2.j bereits in der Datenbankmatrix 5 der Basiseinheit 3 hinterlegt ist. Sind in der Datenbankrnatrix 5 bereits Einträge vorhanden, die durch die zusätzlich dort abgelegte Seriennummer eindeutig der Sensoreinheit 2.j zugeordnet werden können, so werden diese Eintrage fortgeschrteben Sind in der Datenbank noch keine Eintrage zu der neuen Sensoreinheit 2 j vorhanden, so wird ein neuer Datenbankeintrag ~ eine neue Spalte der einzeiligen Datenbaπkmatπx 5 - begonnen
Em Algoπthmus im Programmspeicher 24 der Sensoreinheit 2 j liefert der Basiseinheit über die Schnittstelle 31 periodisch einen Wert aSNj des Diagnoseparameters Dieser Wert wird in der zur Senennummer SNj der Sensoreinheit 2 j gehörigen Spalte gespeichert Wird die Sensoreinhest 2 j gegen eine nachfolgende Sensoreinheit 2 k ausgetauscht, ist der aktuellste Wert a≤Nj in der Datenbankmatrix 5 gespeichert Bei Anschluss der nachfolgenden Sensoreinheit 2 k wird abgefragt, ob die vorhergehende Sensoreinheit 2 j defekt ist, oder nur temporar, beispielsweise zur Durchfuhrung von Kalibπerungs- oder Wartungsmaßnahmen entfernt wurde Ist die vorhergehende Sensoreinheit 2 j wegen eines Defekts entfernt worden, wird der zuletzt gespeicherte Wert asNj als Lernwert agsNj definiert Andernfalls bleibt der zustand des Datenbankeintrags bestehen und kann fortgeschrieben werden, wenn die Sensoreinheit 2 j wieder an die Basiseinheit 3 angeschlossen wird Wird die Sensoreinheit vor Ende ihrer Lebenszeit aus dem Prozess genommen, sei es aufgrund einer Änderung des eingesetzten Sensortyps oder eines prozessunabhaπgigen Defekts wahrend der Wartung oder Kalibrierung, besteht die Möglichkeit, den betreffenden Datenbankeintrag zu loschen
Es ist möglich, den Lernzustand niemals abzuschließen, d h über die gesamte Betriebsdauer der Messstelle eine Anpassung des Prognosewerts bzw des Prognoseintervalls vorzunehmen Alternativ kann auch nach dem Erreichen einer festgelegten maximalen Anzahl max von Lernwerten agsNj der Lernzustand abgeschlossen werden in diesem Fall werden nur die Lernwerte agsm bis agsNmax für die Ermittlung des Prognosewerts oder des Prognoseintervalls herangezogen Der Prognosewert bzw das Prognoseintervall bleiben ab dem Abschluss des Lernzustands konstant
Es bestehen verschiedene Möglichkeiten zur Ermittiung des Prognosewerts Einfache und robuste Varianten sind der gleitende gewuchtete Mittelwert, die exponentielie Glattung 1 und 2 Art, je nachdem, ob ein Trend erkennbar ist oder nicht Auch komplexe Algorithmen wie die lineare Regression, die Anpassung von Polynomen oder anderen nicht-linearen Funktionen oder dergleichen können angewendet werden
Bereits wahrend des Lernzustands oder nach Abschluss des Lernzustands kann der Diagnoseparameter aSNj einer aktuell angeschlossenen Sensoreinheit 2 j mit dem Prognosewert oder dem Prognoseintervall das ein den Prognosewert umgebendes Konfidenzintervall sein kann, mittels des Vergleichsalgoπthmus 12 verglichen werden Jn Abhängigkeit der Lage des Diagnoseparameters asN| in Bezug auf den Bereich des Prognoseintervalis wird eine Warn- bzw Alarmmeldung auf dem Display 1 1 der Basiseinheit 3 generiert Eine Warnung konnte beispielsweise bei Überschreitung der unteren Grenze des Prognoseintervalls generiert werden Ein Alarm wäre demnach zum Beispiel bei einem Wert zwischen unterer Prognosegrenze und Prognosewert denkbar
Dies ist in Fig 2 veranschaulicht In Fig 2 ist der Verlauf von anhand verschiedener Sensoreinheiten 2 j erhaltenen Lernwerten agsNj am Beispiel des Diagnose-Parameters (aSNi) Sensorbelastung d h einer gewichteten Betriebsdauer der Sensoreinhest unter Berücksichtigung von belastungsrelevanten Parametern wie pH-Wert und Temperatur, beispielsweise in Form von Belastungsaquivalenten wie in DE 10 2004 012 420 beschrieben, ais Funktion der Zeit dargestellt Der zugehörige Prognosewert ist der Gesamtbefastungsvorrat der Sensoreinheit d h die Gesamtlebensdauer der Sensoreinheit unter Berücksichtigung der belastungsrelevanten Parameter Die Lernwerte (agSNj) GBVj des Gesamtbelastungsvorrats sind als Sterne dargestellt Der Einfachheit halber wird angenommen dass jede Sensoreinheit 2 j bis zum Ende ihrer Lebenszeit mit der Basiseinhett 3 verbunden bleibt und erst gegen eine nachfolgende Sensoreinheit 2 j+1 getauscht wird, wenn sie defekt ist
Zum Zeitpunkt t=0 hegt ein erster Lernwert GBVi des Gesamtbelastungsvorrats vor, der anhand einer ersten Sensoreinheit 2 1 , die nach einer Lebensdauer, die dem Gesamtbelastungsvorrat GBV1 entspricht wegen Defekts gegen eine zweite Sensoreinheit 2 2 ausgetauscht wird, ermittelt wurde Aus diesem Wert ermittelt der Lernalgorithmus 10 einen ersten Prognosewert P1 (Quadrat) für den Gesamtbelastungsvorrat einer Sensoreinheit vom Typ der Sensoretnheit 2 1 Der Prognosewert P1 ist identisch mit dem Lernwert GB V-i, da zum Zeitpunkt t=0 keine weiteren Informationen vorliegen und betragt ca 2100 Zeiteinheiten
Zum Zeitpunkt t=0 wird die defekte erste Sensoreinheit 2 1 gegen eine nachfolgende neue Sensoreinheit 2 2 ausgetauscht Wahrend des Betriebs der neuen Sensoreinheit 2 2 wird periodisch ein Belastungswert der Sensoresnheit 2 2 an die Datenbankmatrix 5 der Basiseinheit 3 übermittelt Dieser Belastungswert kann mittels des Vergleichsalgoπthrnus mit dem Prognosewert P1 verglichen werden Bei Erreichen des Prognosewerts gibt der Vergleichsalgonthmus eine Warn- oder Alarmmeldung aus allerdings ist dieses Diagnoseergebnis noch wenig belastbar und unsicher, da der Prognosewert P1 erst durch einen einzigen Lernwert abgesichert ist
Zum Zeitpunkt t1 , der noch vor dem prognostizierten Lebensende t2 der Sensoreinheit hegt, muss die Sensoreinheit 2 2 wegen Defekts gegen eine nachfolgende dritte Sensoreinheit 2 3 ausgetauscht werden Der zu diesem Zeitpunkt m Datenbankmatrix erfasste Belastungswert wird als neuer Lernwert GBV2 in der der Sensoreinheit 2 2 zugeordneten Spalte abgespeichert Unter Verwendung des neuen Lernwertε GBV2 wird der Prognosewert P1 angepasst und ein neuer niedrigerer Prognosewert P2 ermittelt Dieser neue angepasste Prognosewert P2 ersetzt im Datenspeicher 8 der Basiseinheit den ursprunglichen Prognosewert P1
In analoger Weise wird das Verfahren für nachfolgende Sensoreinheiten 2 j fortgesetzt Für den Prognosewert P4 sowie die nachfolgenden weiteren Prognosewerte ist in Fig 2 ein Kαnftdenzintervail dargestellt das die Prognosewerte umgibt Die untere Grenze dieses Konfidenz- oder Prognoseintervalls ist mit ausgefüllten Punkten dargestellt, die obere Grenze mit ausgefüllten Rauten Weiterhin ist in Fsg 2 auch eine untere Alarmgrenze dargestellt, die mit Dreiecken markiert ist
Sobald der Vergleichsalgoπthmus feststellt, dass der wie im Zusammenhang mit Fig 1 beschrieben, periodisch erfasste Diagnoseparameter, hier die Sensorbelastung, der Sensoreinheit die Untergrenze des Prognoseintervalls erreicht, wird die Ausgabe einer Warnung über das Display 1 1 veranlasst Erreicht die Sensorbelastung die Alarmgrenze, so wird entsprechend ein Alarm ausgegeben
Weiterhin können als Eingangsgroßen für einen Lernalgoπthmus wie er hier beschrieben wird Sensordaten wie der Gesamtbelastungsvorrat Betriebszeiten unter bestimmten Bedingungen Zahlerstande z B zur Zahlung von . cleaning in process (CIP)' -Schritten steπlization in process (SIP) '-Schritten, Autoklavierungsschπtte, oder dergleichen Sensordaten mehr verwendet werden
In Fig 3 ist ein weiteres Beispiel der Erfindung gezeigt Die schematisch dargestellte Messsteüe 201 ist in großen Teilen identisch wie die in Fig 1 gezeigte Messstelle 101 aufgebaut Der Datenspeicher 7 enthalt jedoch nicht nur eine einzeilige Datenbankmatnx 5, sondern eine mehrzellige und mehrspaltige Datenbankmatrix 5' !n dieser Ausgestaltung kann die Messstelle 201 über die Senεorlebensdauer stattfindende Parameteranderungen speichern und analysieren Beispielsweise können dse Verschiebung des Sensornullpunkts und die Änderung der Sensorsteilheit zwischen Anfang und Ende der Gesamtbetriebszeit der Sensoreinheit erfasst werden Über eine Prognose ist eine Aussage über zukunftige maximale Änderungen möglich gegen die als Grenzwert aktuell erfasste Anderungswerte getestet werden können Die im Folgenden dargestellte Variante des Lernalgoπthmus 10 kann gleichzeitig auf mehrere Großen angewendet werden Dadurch sind nachfolgende Analysen möglich, die auf der Verknüpfung der ermittelten, d h . erlernten ' Obergrenzen beruhen Wird beispielsweise für den Fall, dass die Sensoremheit eine pH-Elektrode ist, als Diagnoseparameter SP1 J die Änderung des Nullpunkts des pH-Sensors betrachtet, so können in den einzelnen Speicherplatzen der Datenbankmatrix 5 für mehrere Sensoresnheiten die bei verschiedenen Kalibrierungen erfassten Werte der Verschiebung des Sensornullpunkts zusammen mit der Seriennummer des Sensors und dem Zeitpunkt der Kalibrierung oder der AnzahS der bereits vorgenommenen Kalibrierungen abgelegt werden
Diese Diagnoseparameter SP1 1 , hier also die Verschiebungen des Sensornullpunkts, werden über die Lebensdauer mehrerer Sensoreinheiten hinweg abgespeichert Im Beispiel der Fig 3 steht der Index j für dae jeweilige Sensoreinheit wobei einander nachfolgende Sensoreinheiten jeweils mit einer fortlaufenden naturlichen Zahl j bezeichnet werden Der Index ι steht im vorliegenden Beispiel für eine fortlaufende Nummeπerung wiederholt erfasster und abgespeicherter Werte der Verschiebung des Sensomullpunkts
Der Lernalgorithmus 10 ermittelt also aus für mehrere Sensoreinheiten ermittelten Werten für die Verschiebung des Sensornullpunkts zu einem bestimmten für alle Sensoreinheiten einheitlichen Zeitpunkt oder nach einer für alle Sensoreinheiten gleichen Anzahl von Kalibrierungen (wäre diese Zahl beispielsweise 3, entspräche dies den Werten SP3 j, wobei j für die laufende Nummer der Sensoreinheit steht), einen Prognosewert, also eine erwartete Verschiebung des Sensornullpunkts für Sensoreinheiten gleichen Typs Im Gegensatz zu dem im Zusammenhang mit den Fig 1 und 2 beschriebenen Beispielen, bei denen erst nach endgültigem Austausch der Sensoreinheit 2 j nach einem Defekt ein Lernwert für den Lernalgonthmus in der Datenbankmatπx 5 hinterlegt wird, wird hier jeder bei einer Kalibrierung ermittelte Wert für die Sensorverschiebung als Lernwert in der Datenbankmatrix 5 hinterlegt
Beim betrachteten Beispiel der Verschiebung des Sensornullpunkts als Diagnoseparameter wurde eine Abweichung vom Prognosewert oder Prognoseintervall bedeuten, dass die Nullpunktsverschiebung außerhalb des Grenzwertfensters um den erwarteten Wert der Nullpunktsverschiebung liegt In diesem Fall wäre die vom Vergleichsalgonthmus generierte Meldung also eine Warnung, da der Sensor vom prognostizierten Verhalten abweicht
Im Folgenden wird das Verfahren zum Betreiben der Messstelle 201 detaillierter beschrieben
In der Speichereinheit 4 der Sensoreinheit 2 j sind die Kalibnerdaten der Sensoreinheit also auch die Verschiebung des Nullpunkts, insbesondere für den Zeitpunkt der letzten Kalibrierung abgelegt Der aktuellste Wert der Änderung des Nullpunkts wird zusammen mit einer Information über den Kalibπerzeitpunkt von der Basiseinheit 3 aus dem Datenspeicher 4 ausgelesen Die Information über den Kalibπerzeitpunkt kann eine Zeitangabe bezogen auf die bisherige Gesamtbetriebsdauer des Sensors sein, die angibt, nach wie vielen Betriebsstunden die entsprechende Kalibrierung stattgefunden hat. Sie kann auch in einer fortlaufenden Nummenerung der bisher erfolgten Kalibrierungen der Sensoreinheit bestehen Der aus dem Datenspeicher 4 ausgeiesene Wert der Verschiebung des Nullpunkts wird zusammen mit der Seriennummer und der Information über den Kalibrierzeitpunkt in der Datenbankmatrix 5 abgelegt. Der neue Wert wird in der Datenbankmatrix 5 in derselben Zeile wie alle anderen zu anderen Kahbrierzeitpunkten aus derselben Sensoreinheit ausgelesenen Werte für die Änderung des Nullpunkts und in derselben Spalte wie die zum gleichen oder vergleichbaren Kalibrierzeitpunkt aus anderen Sensoreinheiten gleichen Typs ausgelesenen Werte für die Verschiebung der Änderung des Nullpunkts abgelegt
Auf die in der Datenbankmatrix 5 abgelegten Werte greifen sowohl der im Programmspeicher 10 abgelegte Lernalgonthmus als auch der im Programmspeicher 9 abgelegte Vergleichsalgoπihmus zu. Der Vergleichsaigoπthmus dient dabei dazu, diagnostische Aussagen zur aktuell angeschlossenen Sensoreinheit zu treffen In einem Datenspeicher 8' der Basiseinheit 3 ist bereits ein entsprechender Prognosewert für die Änderung des Nullpunkts hinterlegt, der aus den entsprechenden Daten zuvor an der Messstelie 201 verwendeter Sensoreinheiten 2,j ermittelt wurde Neben dem Prognosewert kann im Datenspeicher 8' vorteilhafterweise zusätzlich ein den Prognosewert umgebendes Grenzwertfenster hinterlegt sein Mit dem Vergleichsalgoπthmυs wird ermittelt, ob der neu in der Datenbankmatrix 5' abgespeicherte Wert der Verschiebung des Nullpunkts zum letzten Kalibnerzeitpunkt des Sensors innerhalb des Grenzwertfeπsters liegt Ist dies nicht der Fall, kann eine Warnmeldung generiert werden
Der Lernalgonthmus 10 dient dazu, den im Datenspeicher 8' hinterlegten Prognosewert weiter anzupassen und seine Belastbarkeit zu optimieren. Hierzu bestimmt der Lernalgonthmus aus dem neu hinterlegten Wert SP11 der Änderung des Nullpunkts zu einem bestimmten Kalibrierzeitpunkt und den bereits in der Datenbankmatrix 5' vorhandenen entsprechenden Werten, die für vorhergehende
Sensoreinheiten gleichen Typs beim gleichen oder vergleichbaren Kalibrierzeitpunkt ermittelt wurden, einen angepassten Prognosewert Einfache robuste Verfahren zur Bestimmung des angepassten Prognosewerts sind zum Beispiel die Bildung eines Mittelwerts oder eines gewichteten
Mittelwerts oder exponentielle Glättung 1. und 2 Art, je nachdem ob ein Trend erkennbar ist oder nicht
Der Vorteil dieses Vorgehens gegenüber der herkömmlichen Praxis, messstellenunabhangig für Sensoren gleichen Typs ein festes Toleranzintervall für die Änderung des Nullpunkts zwischen zwei
Kalibrierungen vorzugeben, besteht dann, dass nun mit Hilfe des Lernalgonthmus ein messsieilenspezifischer Wert für die Nullpunktsverschiebung bzw. ein messsteilenspezifisches Toleranzintervall vorgegeben werden kann Dies erlaubt erheblich genauere Diagnoseaussagen So kann bei einer Art von Prozess eine starke Änderung des Nullpunkts zwischen zwei Kalibrierungen durchaus tolerabel sein, wahrend bei einer anderen Art von Prozess in der Regel nur eine geringe Änderung des Nullpunkts auftreten sollte Mit Hilfe der von der Messstelle .erlernten" Prognosewerte kann zwischen den beiden Prozessarten differenziert werden, was bei Vorgabe eines festen Toleranzintervalls für die Nullpunktverschiebung unabhängig von den Prozessbedingungen eine solche Unterscheidung nicht möglich ist
In Fig 4 sind Werte für die Verschiebung des Nullpunkts (Delta Nullpunkt) zu drei verschiedenen Kalibrierzeitpunkten für mehrere, nacheinander an die Messstelle 201 angeschlossene Sensoren gezeigt Die bei der ersten Kalibrierung der jeweiligen Sensoren ermittelten Werte für die
Nullpunktverschiebung (Rauten) liegen in einem Wertebereich zwischen -0 1 und 0 4 Aus diesen
Werten und dem neu hinzugekommenen Wert SP1 , der zuletzt an die Messstelle 201 angeschlossenen Sensoreinheit 2 j wird mittels einer gleitenden exponentieilen Glattung 2 Ordnung ein Prognosewert ermittelt, der als offenes Quadrat dargestellt ist Um diesen Prognosewert wird außerdem ein Grenzwertfenster bestimmt, das als gestrichelte Linie angedeutet ist
In gleicher Weise sind in Fig 2 die Verschiebungen des Nullpunkts bei der aller bisher verwendeten Sensoren bei der zweiten Kalibrierung (Kreise) und bei der dritten Kalibrierung (Dreiecke) sowie die aus diesen Werten ermittelten Prognosewerte (offene Quadrate) und die dazugehörigen Grenzwertfenster dargesteift
Es ist möglich, bei der Bestimmung der Prognosewerte die einzelnen in die Berechnung eingehenden Werte zu gewichten Dies kann beispielsweise durch die Eingabe einer zusatzlichen Information durch eine Bedienperson geschehen Die Bedienperson kann beispielsweise angeben, wenn eine Sensoreinheit bei einer Wartungsmaßnahme beschädigt wurde, oder eine sonstige Störung aufgetreten ist !n diesem FaIi wird man die von dieser Sensoreinheit zur Verfugung gestellten Werte nicht oder nur mit geringerem Gewicht bei der Anpassung des Prognosewertes berücksichtigen wollen
Weiterhin kann auch generell, d h auch bei den anderen hier beschriebenen AusfuhrungsbeispieSen, eine gleitende Funktion bei der Anpassung des Prognosewerts vorgesehen werden Dabei kann zum Beispiel vorgesehen sein, dass altere Sensordaten bei der Anpassung des Prognosewerts wieder „vergessen' werden Beispielsweise kann eine Anzahl von Sensoren vorgegeben werden, deren Werte berücksichtigt werden Wird beispielsweise eine Anzahl von fünf Sensoren vorgegeben, so werden zur Anpassung des Prognosewerts nur die Werte der Verschiebung des Nullpunkts der letzten fünf Sensoreinheiten verwendet, die an der Messstelle 201 angeschlossen waren. Altere Werte können aus der Datenbankmatπx 5 geloscht werden
Beispielhaft wurde hier der Fall betrachtet, dass ais Diagnoseparameter die Sensornullpunktverschiebung eines pH-Sensors verwendet wird Gleichermaßen konnten alternativ oder zusätzlich weitere Diagnoseparameter wie der Sensornullpunkt oder die Sensorsteilheit, die Prozessparameter der Sensoreinheit, wie pH-Wert und Temperatur oder aus diesen abgeleitete Großen, wie Belastuπgsaquivalenie oder Belastungsmdizes oder weitere sensorspezifische Parameter betrachtet werden
In einem dritten Ausfuhrungsbeispiel der Erfindung kann auf ähnliche Weise aus einem oder mehreren Diagnoseparametern eine Prognose für den weiteren Verlauf, d h eines Trends, des Diagnoseparameters ermittelt werden Durch die Auswertung eines Trends der Änderung definierter Sensorkennzahlen, wie zum Beispiel der Änderungen von Nullpunkt oder Steilheit, iasst sich eine Reststandzeit einer Sensoreinheit ermitteln Beispiele hierfür sind in DE10209318 und DE10239610 veröffentlicht
Beim Betreiben einer Messstelie nach Art der in Fig 3 dargestellten Messstelle 201 können in die Datenbankmatrix 5 Werte der Sensornullpunkte mehrerer Sensoreinheiten 2 j gleichen Typs zu verschiedenen Kalibnerzeitpunkten gespeichert werden In Fig 5 sind solche Werte für drei verschiedene Sensoreinheiten aufgetragen Im hier gezeigten Beispiel werden all Sensoreinheiten in einheitlichen Zeitsntervallen von 168 Stunden neu kalibriert Es ist aber auch möglich, dass die einzelnen Sensoreinheiten zu unterschiedlichen Zeitpunkten kalibriert werden Gleichermaßen können bei einer Sensoreinheit die einzelnen Zeitintervalle zwischen den Kalibrierungen unterschiedlich lang gewählt werden
Anhand der Sensornulipunkt-Werte kann als Prognosewert eine Sensorlebensdauer bzw eine Reststandzeit ermsttelt werden Auch dieser Prognosewert wird umso belastbarer und zuverlässiger, je mehr Sensoreinheiten zum . Erlernen ' des Prognosewerts herangezogen werden
Dies soll anhand der in Fig 5 dargestellten Werte des Sensornullpunkts zu verschiedenen Kalibnerzeitpunkten von drei verschiedenen Sensoreinheiten gleichen Typs veranschaulicht werden Zunächst werden nur die Nullpunktwerte eines einzigen Sensors, des Sensors 3 (Quadrate), zur Ermittlung eines linearen Trends T1 herangezogen Legt man einen Nullpunktswert W als für die Sensoreinheit zulassigen Maximalwert fest, so ergibt sich aus dem Schnittpunkt einer parallel zur Abszisse verlaufenden Geraden durch den maximal zulassigen Ordmatenwert W und dem linearen Trend T1 ein Prognosewert für die Gesamtiebensdauer bzw die Reststandzeit der ersten Sensoreinheit Dieser Prognosewert ist wiederum mit einem Konfidenzintervall bzw Prognoseintervall umgeben
Dte Nullpunktswerte einer zweiten Sensoreinheit (Sensor 2) gleichen Typs wie die erste Sensoreinheit sind als Dreiecke dargestellt Unter Berücksichtigung dieser Nulipunktswerte ergibt sich ein linearer Trend T2 mit einer geringeren Steigung als T1 Der Lernalgorithmus verwendet in diesem FaI! eine gewichtete Mittelwertbildung, bei der die Nullpunktwerte der ersten Sensoreinheit {Sensor 3) nur mit einem Gewicht von 0 4 berücksichtigt werden, wahrend die neueren Werte der zweiten Sensoreinheit mit einem Gewicht von 0 6 eingehen Aus dem Schnittpunkt von T2 mit der parallel zur Abszisse verlaufenden Geraden durch den vorgegebenen zulassigen Maximalwert für den Nullpunkt ergibt sich ein angepasster Prognosewert sowie ein angepasstes Konfidenzintervall bzw Prognoseintervall für die Sensoriebensdauer das bereits besser für weitere Diagnosezwecke geeignet ist, als das anhand nur des Sensors 3 ermittelte Intervall
In analoger Weise kann der Prognosewert für die erwartete Sensorlebensdauer unter Berücksichtigung der Nullpunktswerte einer weiteren Sensoreinheit (Sensor 1 , Kreise) weiter verbessert werden
Obwohi die Erfindung im Wesentlichen anhand von pH-Sensoren erläutert wurde, ist sie nicht auf diese beschrankt Das erfindungsgemaße Verfahren kann für eine Vielzahl von Messstellen mit
Sensoreinheiten unterschiedlichen Typs, beispielsweise für potentiometπsche, amperometπsche, coulometπsche, coioπmetrische, photometrische, turbidimetrische und spektrometrische
Sensoreinheiten verwendet werden insbesondere kann das erfindungsgemaße Verfahren vorteilhaft auch auf eine Messsteile mit einem nicht naher dargestellten Gassensor angewendet werden, für den als Prognosewert beispielsweise ein Zeitraum insbesondere ein nach
Sensorbelastung gewichteter Zeitraum erlernt werden kann, zu dem eine Membran ausgewechselt werden muss
Die hier beschriebene Messstelle kann Bestandteil einer Prozessuberwachungsanlage sein, die eine oder mehrere ahnliche Messstellen umfasst Sind mindestens zwei Messstellen in der Prozessuberwachungsanlage vorhanden, die ähnlichen oder vergleichbaren Umgebungseinflüssen ausgesetzt sind, und an denen Sensoreinheiten ähnlichen oder gleichen Typs verwendet werden, ist es vorteilhaft, wenn die jeweiligen Basiseinheiten dieser Messstellen beispielsweise über einen Feldbus in ihren Datenspeichereinheiten gespeicherte Werte, insbesondere von einer oder mehreren Sensoreinheiten ermittelte Werte eines Diagnoseparameters oder hinterlegte insbesondere bereits durch den Lernalgoπthmus ermittelte Prognosewerte untereinander austauschen können Weiterhin ist es möglich, einen in einer Bastseinheit einer Messstelle durch mehrere Lernzyklen bereits gefestigten und belastbaren Prognosewert oder ein Prognoseintervall zusammen mit Informationen über den zugehörigen Sensortyp und über spezifische Eigenschaften der Messstelie, für die der Prognosewert erlernt wurde, in einem zentralen Rechner der Prozessuberwachungsanlage abzulegen. Die spezifischen Eigenschaften der Messstelle können zum Beispiel in einem Identifikationsparametersatz hinterlegt werden, der Informationen über eine Prozessklasse des Prozesses, in dem die Messstelle eingesetzt wird, sowie Informationen über spezifische Belastungen, die an der Messstelle auf den Sensor einwirken, wie z.B Medieneinfluss, extreme pH-Werte, extreme Temperaturen, starke mechanische Beanspruchung z.B. durch ein strömendes Medium etc , enthalt.
Wird dann in die Prozessüberwachungsaniage eine neue Messstelle integriert, wird ein für diese Messstelle generierter neuer !dentιfιkatιonsparametersatz erzeugt. Der neue Identifikationsparametersatz kann mit in dem zentralen Rechner der Prozessuberwachungsanlage hinterlegten Identifikationεparametersatzen verglichen werden Stimmt der neue Identifikationsparametersatz mit einem hinterlegten im Wesentlichen uberein, kann der entsprechend hinterlegte Prognosewert für die neue Messstelle übernommen und in der Basiseinheit der neuen Messstelle hinterlegt werden Dies hat den Vorteil, dass ein einmal erlernter Prognosewert für eine Messstelle auf ähnliche weitere Messstellen übertragen werden kann. Diese MesssteSlen können den Prognosewert dann entweder fest übernehmen oder durch weitere Lernschritte weiter anpassen

Claims

Patentansprüche
1. Verfahren zum Betreiben einer Messstelie zum Bestimmen mindestens einer Messgröße eines Mediums, wobei die Messstelie eine Basiseinheit umfasst, die lösbar mit einer Sensoreinheit verbunden ist, und die zur Kommunikation eines den Wert der Messgröße repräsentierenden Signais an eine Prozessüberwachungsanlage vorgesehen ist, umfassend mindestens die Schritte; (a) Mindestens einmaliges Erfassen und Speichern eines in der Sensoreinheit gespeicherten oder von der Sensoreinheit erzeugten Wertes eines Diagnoseparameters in einer ersten Datenspeichereinheit der Basiseinheit;
(b) Anhand des mindestens einen in der ersten Datenspeichereinheit gespeicherten Wertes des Diagnoseparameters Anpassen eines in einer zweiten Datenspeichereinheit der Basiseinheit hinterlegten Prognosewertes oder Prognoseintervalls und Hinterlegen des angepassten Prognosewertes oder Prognoseintervalls in der zweiten Datenspeichereinheit der Basiseinheit anstelle des bisher hinteriegten Prognosewerts oder Prognoseintervalls.
2. Verfahren nach Anspruch 1 , umfassend den zusätzlichen Schritt;
(c) Vergleichen des in Schritt (a) erfassten und in der ersten Datenspeichereinheit der Basiseinheit gespeicherten, von der Sensoreinheit erzeugten Wertes eines Diagnoseparameters mit dem in einer zweiten Datenspeichereinheit der Basiseinheit hinterlegten Prognosewert oder Prognoseintervall;
3. Verfahren nach Anspruch 1 oder 2, wobei in einem weiteren Schritt die Sensoreinheit durch eine nachfolgende Sensoreinheit gleichen Typs ersetzt wird und nach Ersetzen der Sensoreinheit durch die nachfolgende Sensoreinheit gleichen Typs mindestens die Schritte (a) und (b) mindestens einmal wiederholt werden.
4. Verfahren nach Anspruch 3, wobei nach Ersetzen der Sensoreinheit durch die nachfolgende Sensoreinheit gleichen Typs mindestens die Schritte (a) bis (c) mindestens einmai wiederholt werden.
5. Verfahren nach einem der Ansprüche 1 bis 4, wobei die Anpassung des Prognosewerts oder des Prognoseintervalis mitteis eines Lernalgoπthmus erfolgt
6. Verfahren nach Anspruch 5, wobei der Lernalgorithmus insbesondere einen Schritt der Mittelwertbildung, der gleitenden gewichteten IVlittelwertbildung, der exponentiellen Glattung 1. und 2 Art, der lineare Regression, der Anpassung von Polynomen oder der Anpassung von nicht-linearen Funktionen umfasst
7. Verfahren nach einem der Ansprüche 1 bis 6, wobei der Basiseinheit zur Ermittlung des Prognosewerts mindestens eine zusätzliche Information zur Verfugung gestellt wird
8 Verfahren nach esnem der Ansprüche 1 bis 7, wobei die erste Datenspeichereinheit eine Speicheremheit mit einer Vielzahl von Speicherzellen umfasst, und wobei der Wert des Diagnoseparameters zusammen mit einer Kennung der zugehörigen Sensoreinheit, insbesondere einer Seriennummer in einer Speicherzelle hinterlegt wird
9 Verfahren nach esnem der Ansprüche 1 bis 8, wobei als Diagnoseparameter em auf die Sensorbelastung bezogener Parameter, insbesondere eine gewichtete Belastungszeit der Sensoreinheit, erfasst und als Prognosewert oder Prognoseintervall ein Parameter ermittelt und hinterlegt wird, der mit der gesamten Sensorbelastung, mit der die Sensoreinheit beaufschlagt werden kann bevor sie ausgetauscht werden muss, korreliert, insbesondere ein Gesamtbelastungsvorrat oder ein Konfidenzintervall, welches den Gesamtbelastungsvorrat umgibt.
10 Verfahren nach Anspruch 9, wobei laufend nacheinander Werte des auf die Sensorbelastung bezogenen Parameters erfasst und in der ersten Datenspeichereinheit der Basiseinheit hinterlegt werden.
11 Verfahren nach Anspruch 10, wobei bei Defekt der Sensoreinheit der Basiseinheit die zusätzliche Information zur Verfügung gestellt wird, dass die Sensoreinheit wegen Defekts ausgetauscht wird.
12 Verfahren nach Anspruch 11 , wobei nach Vorliegen der Information, dass die Sensoreinheit wegen Defekts ausgetauscht wird, der aktuell in der ersten Datenspeichereinheit gespeicherte Wert des auf die Sensorbelastung bezogenen Parameters zur Anpassung des hinterlegten Prognosewerts oder Prognoseintervalls verwendet wird
13 Verfahren nach einem der Ansprüche 10 bis 12 wobei wahrend des laufenden Erfassens der Werte des auf die Sensorbelastung bezogenen Parameters die jeweils aktuell erfassten Werte mit dem hinterlegten Prognosewert oder Prognoseintervall verglichen werden
14 Verfahren nach einem der Ansprüche 1 bis 8 wobei Werte eines Parameters der Sensoreinheit, insbesondere eines Kalibrierparameters, wiederholt, insbesondere bei jeder Neukalibrierung, erfasst und in einzelnen Zellen einer Datenspeichereinheit der Basiseinheit gemeinsam mit den Erfassungszeitpunkten oder einem dazu äquivalenten Parameter und einer Kennung der Sensoreinheit insbesondere der Seriennummer, hinterlegt werden, und wobei als Prognosewerte erwartete Werte des Parameters der Sensoreinhest zu den jeweiligen Erfassungszeitpunkten hinterlegt sind und anhand der erfassten Werte angepasst werden
15 Verfahren nach einem der Ansprüche 1 bis 8 wobei aus wiederholt erfassten Werten des Diagnoseparameters, insbesondere aus wiederholt erfassten Werten eines Parameters der Sensoremheit, insbesondere eines Kalibπerparameters, als Prognosewert eine Gesamtlebensdauer bzw eine Sensor-reststandzeit für Sensoreinheiten desselben Typs hinterlegt und angepasst werden, wobei die Prognosewerte durch Ermitteln eines Trends, insbesondere einer linearen Funktion, für die zeitliche Entwicklung des Diagnoseparameters bestimmt werden
16 Messstelle zum Bestimmen mindestens einer Messgroße eines Mediums, welche eine Basiseinheit umfasst, die losbar mit einer Sensoreinheit verbunden ist, und die zur
Kommunikation eines den Wert der Messgroße repräsentierenden Signals an eine
Prozessuberwachungsanlage vorgesehen ist, wobei die Basiseinheit weiterhin umfasst einen Mikroprozessor zur Aufbereitung von Daten die von der Sensoreinheit empfangen werden, zur Kommunikation an die Prozessuberwachungsanlage eine erste Datenspeichereinheit, die dazu ausgelegt ist, in der Sensoreinheit gespeicherten oder von der Sensoreinheit erzeugten Werts eines Diagnoseparameters zu erfassen und abzuspeichern eine zweite Datenspeichereinheit die dazu ausgelegt ist, einen Prognosewert oder ein
Prognoseintervall zu hinterlegen eine Programmspeichereinheit, in der ein Algorithmus, insbesondere ein Lernalgoπthmus hinterlegt ist, der zur Anpassung des in der zweiten Datenspeichereinheit hinterlegten Prognosewerts oder Prognoseintervalls anhand des zuletzt in der ersten Datenspeichereinheit erfassten Wertes des Diagnoseparameters und zur Hinterlegung des angepassten Prognosewerts oder des Prognoseintervalls in der zweiten Datenspeichereinheit dient.
17. Messstelle nach Anspruch 16, wobei die Basiseinheit weiterhin über eine zweite Programmspeichereinheit verfügt, in der ein Vergleichsalgoπthmus hinterlegt ist, der zum Vergleich des zuletzt in der ersten Datenspeichereinheit erfassten Wertes des Diagnoseparameters mit dem in der zweiten Datenspeichereinheit hinterlegten Prognosewert oder Prognoseintervall dient.
PCT/EP2009/060459 2008-09-05 2009-08-12 Verfahren zum betreiben einer messstelle und messstelle WO2010026025A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CH00364/11A CH701958B1 (de) 2008-09-05 2009-08-12 Verfahren zum Betreiben einer Messstelle und Messstelle.
CN200980134857.XA CN102144158B (zh) 2008-09-05 2009-08-12 用于操作测量站的方法和测量站

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102008045841A DE102008045841A1 (de) 2008-09-05 2008-09-05 Verfahren zum Betreiben einer Messstelle
DE102008045841.6 2008-09-05

Publications (1)

Publication Number Publication Date
WO2010026025A1 true WO2010026025A1 (de) 2010-03-11

Family

ID=41264157

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2009/060459 WO2010026025A1 (de) 2008-09-05 2009-08-12 Verfahren zum betreiben einer messstelle und messstelle

Country Status (5)

Country Link
US (1) US9164057B2 (de)
CN (2) CN104020190A (de)
CH (1) CH701958B1 (de)
DE (1) DE102008045841A1 (de)
WO (1) WO2010026025A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102012242A (zh) * 2010-10-27 2011-04-13 湘潭三丰电子科技有限公司 一种基于双队列的容错测量方法

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010040626A1 (de) * 2010-09-13 2012-03-15 Robert Bosch Gmbh Verfahren zum Kalibrieren eines Messplatzes zur Fahrzeugvermessung
EP2625507B1 (de) 2010-10-08 2020-01-22 Mettler-Toledo GmbH Verfahren zum betreiben eines optochemischen sensors
DE102010062657B4 (de) * 2010-12-08 2023-08-31 Endress + Hauser Wetzer Gmbh + Co Kg Bereitstellung von Kalibrierungsdaten zu Messeinrichtungen
DE102011085841A1 (de) 2011-11-07 2013-05-08 Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG Verfahren zur Bestimmung und/oder Überwachung zumindest einer Prozessgröße eines Mediums, elektrochemischer Sensor und System
DE102012112784A1 (de) * 2012-12-20 2014-06-26 Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG Verfahren zur Bestimmung eines Zustands eines Sensors
US8841564B1 (en) * 2013-04-29 2014-09-23 R+L Carriers, Inc. Weigh scaled vehicle calibration systems and methods
DE102014107275A1 (de) 2014-05-23 2015-11-26 Krohne Messtechnik Gmbh Verfahren zum Betreiben einer Messstelle
EP3444691B1 (de) * 2017-06-27 2021-09-15 Schneider Electric Systems USA, Inc. Sensordienstvorhersage
DE102017123248A1 (de) * 2017-10-06 2019-04-11 Endress+Hauser Conducta Gmbh+Co. Kg Verfahren zur Funktionsüberwachung eines Sensors
DE102018129590A1 (de) * 2018-11-23 2020-05-28 Endress + Hauser Wetzer Gmbh + Co. Kg Feldgerät mit prozessspezifischer Zustandsüberwachung
CN113820380A (zh) * 2020-06-18 2021-12-21 恩德莱斯和豪瑟尔分析仪表两合公司 用于电化学传感器的监控系统和电化学传感器的监控方法
CN116616787B (zh) * 2023-07-26 2023-09-22 苏州维伟思医疗科技有限公司 无线通讯中的心电数据显示方法、终端设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10141408A1 (de) * 2001-08-23 2003-03-13 Knick Elektronische Mesgeraete Verfahren zur Bestimmung der Kalibrier-Intervallzeit von elektrochemischen Messsensoren
DE10209318A1 (de) * 2002-03-02 2003-09-25 Knick Elektronische Mesgeraete Verfahren zur Ermittlung der verschleißabhängigen Reststandzeit eines elektrochemischen Messsensors
WO2004025223A2 (de) * 2002-08-29 2004-03-25 Endress + Hauser Conducta Gmbh+Co. Kg Verfahren zur funktionsüberwachung von sensoren
DE102004012420A1 (de) * 2004-03-13 2005-09-29 Knick Elektronische Messgeräte GmbH & Co. KG Überwachungsvorrichtung für die Belastung von Messsonden durch Einflüsse aus der Messumgebung
DE102004063468A1 (de) * 2004-12-23 2006-07-06 Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG Verfahren zur Funktionsüberwachung eines Sensors
DE102004063469A1 (de) * 2004-12-23 2006-07-06 Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG Verfahren zur Funktionsüberwachung eines potentiometrischen Sensors und potentiometrischer Sensor mit Funktionsüberwachung

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2561754B2 (ja) 1991-01-09 1996-12-11 日本碍子株式会社 ガス分析計の寿命予測方法
US5828567A (en) * 1996-11-07 1998-10-27 Rosemount Inc. Diagnostics for resistance based transmitter
DE59813281D1 (de) * 1997-09-11 2006-01-19 Komax Holding Ag Dierikon Verfahren und Einrichtung zur Bestimmung der Qualität einer Crimpverbindung
US6633782B1 (en) * 1999-02-22 2003-10-14 Fisher-Rosemount Systems, Inc. Diagnostic expert in a process control system
US6510397B1 (en) * 1999-03-13 2003-01-21 Textron Systems Corporation Method and apparatus for self-diagnosis of a sensor
WO2001001366A2 (en) * 1999-06-25 2001-01-04 Telemonitor, Inc. Smart remote monitoring system and method
US6428684B1 (en) * 2000-08-02 2002-08-06 Industrial Scientific Corporation Method and apparatus for diagnosing the condition of a gas sensor
DE10049685A1 (de) * 2000-10-07 2002-04-11 Volkswagen Ag Verfahren und Vorrichtung zur Eigendiagnose eines NOX-Sensors
DE10052836A1 (de) * 2000-10-24 2002-05-16 Endress Hauser Gmbh Co Vorrichtung zur Bestimmung und/oder Überwachung einer Prozeßvariablen
US7299162B2 (en) * 2000-12-14 2007-11-20 Siemens Corporate Research, Inc. Method and apparatus for providing a polynomial based virtual age estimation for remaining lifetime prediction of a system
DE10100239A1 (de) * 2001-01-05 2002-07-11 Mettler Toledo Gmbh Verfahren zur Bestimmung einer Restbetriebsdauer einer potentiometrischen Messsonde, Vorrichtung zur Durchführung des Verfahrens und ihre Verwendung
JP3765985B2 (ja) 2001-02-01 2006-04-12 横河電機株式会社 計器評価システム
DE10213754A1 (de) * 2002-03-18 2003-12-04 Sick Ag Sensor-Maschinen-Interface und Verfahren zu dessen Betrieb
GB0228368D0 (en) * 2002-12-05 2003-01-08 Renishaw Plc Probe for high speed scanning
EP2012092B1 (de) * 2007-07-04 2010-12-01 Micronas GmbH Messvorrichtung mit mindestens zwei Sensoren
US20100031156A1 (en) * 2008-07-31 2010-02-04 Mazu Networks, Inc. User Interface For Network Events and Tuning

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10141408A1 (de) * 2001-08-23 2003-03-13 Knick Elektronische Mesgeraete Verfahren zur Bestimmung der Kalibrier-Intervallzeit von elektrochemischen Messsensoren
DE10209318A1 (de) * 2002-03-02 2003-09-25 Knick Elektronische Mesgeraete Verfahren zur Ermittlung der verschleißabhängigen Reststandzeit eines elektrochemischen Messsensors
WO2004025223A2 (de) * 2002-08-29 2004-03-25 Endress + Hauser Conducta Gmbh+Co. Kg Verfahren zur funktionsüberwachung von sensoren
DE102004012420A1 (de) * 2004-03-13 2005-09-29 Knick Elektronische Messgeräte GmbH & Co. KG Überwachungsvorrichtung für die Belastung von Messsonden durch Einflüsse aus der Messumgebung
DE102004063468A1 (de) * 2004-12-23 2006-07-06 Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG Verfahren zur Funktionsüberwachung eines Sensors
DE102004063469A1 (de) * 2004-12-23 2006-07-06 Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG Verfahren zur Funktionsüberwachung eines potentiometrischen Sensors und potentiometrischer Sensor mit Funktionsüberwachung

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102012242A (zh) * 2010-10-27 2011-04-13 湘潭三丰电子科技有限公司 一种基于双队列的容错测量方法

Also Published As

Publication number Publication date
CN102144158B (zh) 2015-11-25
CN104020190A (zh) 2014-09-03
CH701958B1 (de) 2013-07-31
US20100063762A1 (en) 2010-03-11
US9164057B2 (en) 2015-10-20
DE102008045841A1 (de) 2010-03-11
CN102144158A (zh) 2011-08-03

Similar Documents

Publication Publication Date Title
WO2010026025A1 (de) Verfahren zum betreiben einer messstelle und messstelle
EP1523826B1 (de) Busstation mit integrierter busmonitorfunktion
DE60010655T2 (de) Verfahren und vorrichtung in einem fahrzeugüberwachungssystem und fehlerdiagnosesystem in einem fahrzeug
DE102013225563A1 (de) Verfahren zur Überwachung eines Sensors eines Fahrzeugs
DE202012102521U1 (de) Anordnung zum parallelen Kalibrieren von mindestens zwei Sensoren
WO2007074065A1 (de) Kalibrierung im laborreferenzverfahren
WO2008003575A2 (de) Messanordnung mit zustandsüberwachung und verfahren zur zustandsüberwachung einer messanordnung
DE102012112784A1 (de) Verfahren zur Bestimmung eines Zustands eines Sensors
DE102017115663A1 (de) Verfahren zum Betreiben einer Messstelle und Messstelle
WO2006056355A2 (de) Diagnose- und servicesystem für ein kraftfahrzeug
DE102008043336A1 (de) Modulares Messgerät mit verteilten Daten und Algorithmen
DE102006047262A1 (de) Verfahren zum Testen einer Elektronikeinheit
DE102008045840B4 (de) Verfahren zum Betreiben einer Prozess-Messstelle
EP2947426B1 (de) Verfahren zum betreiben einer messstelle
WO2018178196A1 (de) Verfahren zur bestimmung einer schädigungsmassunsicherheit eines kraftfahrzeugs
DE102010062657A1 (de) Bereitstellung von Kalibrierungsdaten zu Messeinrichtungen
EP2752724B1 (de) Verfahren zur Kontrolle von Feldgeräten, Steuergerät, Programmelement und computerlesbares Medium
DE102013114393A1 (de) Verfahren zur Bestimmung einer Wartungsempfehlung für einen Sensor
DE19914277B4 (de) Verfahren und Vorrichtung zur Erfassung der Klassen von System- oder Prozeßzuständen
WO2014067591A1 (de) Messvorrichtung, messanordnung und verfahren zur bestimmung einer messgrösse
DE60212376T2 (de) System zur vorsehbaren diagnose in einer speicher programmierbaren steuerung
WO2017114592A1 (de) Verfahren zur überprüfung der reagierfähigkeit eines sensors unter berücksichtigung des neuzustands
DE102008043093A1 (de) Verfahren zur Wartung einer Sensoreinheit, Verfahren zur Herstellung einer Sensoreinheit und Sensoreinheit
DE102005057000B4 (de) Feldbusgerät zum Einsatz in Feldbussystemen, insbesondere in Prozessleitsystemen
EP1892885B1 (de) Busstation mit integrierter Busmonitorfunktion

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 200980134857.X

Country of ref document: CN

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

Ref document number: 09781771

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 10201100000364

Country of ref document: CH

122 Ep: pct application non-entry in european phase

Ref document number: 09781771

Country of ref document: EP

Kind code of ref document: A1