WO2013068070A2 - Verfahren zur überwachung eines zustands einer maschine und überwachungssystem - Google Patents

Verfahren zur überwachung eines zustands einer maschine und überwachungssystem Download PDF

Info

Publication number
WO2013068070A2
WO2013068070A2 PCT/EP2012/004291 EP2012004291W WO2013068070A2 WO 2013068070 A2 WO2013068070 A2 WO 2013068070A2 EP 2012004291 W EP2012004291 W EP 2012004291W WO 2013068070 A2 WO2013068070 A2 WO 2013068070A2
Authority
WO
WIPO (PCT)
Prior art keywords
feature
machine
normalized
state
mean
Prior art date
Application number
PCT/EP2012/004291
Other languages
English (en)
French (fr)
Other versions
WO2013068070A3 (de
Inventor
Tabio TORIKKA
Original Assignee
Robert Bosch Gmbh
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 Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Publication of WO2013068070A2 publication Critical patent/WO2013068070A2/de
Publication of WO2013068070A3 publication Critical patent/WO2013068070A3/de

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods

Definitions

  • the present invention relates to a method for monitoring a state of a machine, to a monitoring system for a state of a machine, and to a machine system.
  • the disclosure EP 2169497A1 shows a machine condition monitor which normalizes vibration signals.
  • a machine state monitor is based on detecting a machine state of a machine to be monitored by measuring and analyzing more meaningful
  • a classification can be detected Characteristics of the machine are carried out. In order to evaluate and / or weight different characteristics in the same classification, the characteristic values of the characteristics can be transferred as standardized feature values to a function for classification. For this purpose, it is not necessary either to record a complete data record in advance and to carry out an evaluation later or to define fixed, machine-specific parameters. Instead, by providing an average value and a range parameter, also referred to as a range parameter, a flexible and online applicable solution for normalizing a feature of a machine in one
  • the mean value and the range parameter can be determined via a training data set.
  • the values thus found also define a maximum value and a minimum value for the feature.
  • features of the machine can be a classification of the features online, so during operation of the machine, make a statement about the state of the machine.
  • the occurring measured values can be normalized. In doing so, it is ensured that the standardized values lie within a predetermined value range.
  • the method may be used after the feature extraction in a pattern recognition process to determine the state of a machine or a machine component. However, the method is suitable for data from any source.
  • the standardization can be carried out independently of the application.
  • the limit definition can be defined by a single parameter, the
  • Range parameters done. By selecting a corresponding function for nonlinear normalization, no values occur outside the defined, normalized range. Thus, it is not necessary that every time a new measurement point is detected outside of the normalization performed, normalization and training of the classifier are performed again. It can be fixed, application-dependent
  • a method for monitoring a state of a machine includes the following steps: Reading at least one feature of the machine;
  • Conversion can be compared values on a common scale, even if prior to normalization, the values were recorded in different magnitudes, or present. Values for determining the state of a machine should be normalized to a defined value range so that all characteristics are evaluated equally.
  • a standardization can sometimes also be called normalization.
  • a machine may be understood to mean a device or a component having parts moved by a drive system. Under a machine can here both a
  • Component such as a warehouse, a pump, a conveyor belt or a complex system are understood, a system is composed of various components.
  • the condition monitoring system can be connected to an industrial plant, the z. B. is hydraulically driven, are used.
  • Such an industrial plant may consist of a central pressurized oil supply which supplies oil to various drives, e.g. Cylinder or
  • the central pressurized oil supply can consist of a tank and pumps that are powered by electric machines and produce oil for the consumers, cylinders and engines.
  • the system may include filters and coolers and separate filter and cooler circuits. Measurement data from sensors can be recorded both on the components and in the oil. From the measured data, the at least one feature, generally a plurality of
  • Condition monitoring aims to improve machine safety and machine efficiency, and is based on a regular or permanent recording of the machine condition by measuring and analyzing meaningful physical quantities such as vibration, temperature or position.
  • a monitoring system or machine condition monitoring system may be understood as a condition monitoring system or device.
  • a machine condition or condition of the machine may mean a statement about individual components or the entire machine such as "good”, “bearing damage”, “cylinder damage” or similar information
  • Machine characteristic or system feature here general characteristic or feature to be classified.
  • the state of the machine may be determined using a feature vector comprising a plurality of normalized features.
  • the state may be determined using the plurality of normalized features.
  • each of the plurality of features can be normalized using a mean value associated with the respective feature and an area parameter assigned to the respective feature.
  • the range parameter for each feature may be calculated separately, but a classification to determine the state of the machine is typically done with more than one feature, ie, a feature vector.
  • the respective class can thus not be determined by one, but by a plurality of features that may be summarized, for example, in the feature vector.
  • the method may include a step of providing a training data set of the at least one feature and a step of determining the mean value and the range parameter using the training data set.
  • the range parameter can define a minimum and a maximum limit.
  • a training data set may be machine or application specific to the Condition monitoring system are detected.
  • a training data set can also be stored on a data carrier.
  • the training data set may contain a record of values of the feature. From the training data set, the mean value as well as the smallest, minimum value and the largest, maximum value can be determined.
  • Training data record can thus be a record for setting the parameters of
  • Classifier or a data set to calculate the parameters for normalization. This parameter setting is also called learning phase. From the
  • the training data set and the values determined therefrom can also be used to determine the range parameter. If a plurality of features are used, a plurality of training data sets can be provided in the step of providing, that is to say a training data record for each of the plurality of features.
  • Range parameters can be fully described by, for example, formulas given below.
  • an average value can be used.
  • Mean value can be representative of different mean values, eg. B. arithmetic or quadratic mean.
  • the at least one normalized feature may be calculated using a minimum feature and a maximum feature of the feature.
  • the minimum feature can be formed as the division of the mean value as a dividend and the range parameter as a divisor.
  • the maximum value can be formed as the multiplication of mean value as multiplier and range parameter as multiplicand.
  • the at least one normalized feature may be determined by the factor of a factor, such as the one-by-one and the previously-doubled, value of the quotient divided by the difference of the feature value of the feature as Minuend and the division of the mean by the range parameter is formed as subtrahend, and a divisor formed from the subtraction of the multiplication of mean and range parameters as minuend and the division of the mean by the range parameter as subtrahend.
  • a factor such as the one-by-one and the previously-doubled
  • the method allows the analysis of the data from a large number of machines with a minimum manual application-specific adaptation, for example, a parameter or a feature per application.
  • the at least one normalized feature can be determined by means of a nonlinear normalization, in particular based on a sigmoid function-based normalization.
  • a non-linear normalization can be performed instead of a linear normalization.
  • the skillful choice of a corresponding nonlinear normalization function ensures that no values outside the defined limit values arise in the normalized feature range.
  • a sigmoid function can be used for nonlinear normalization. Under a sigmoid function can be a limited and
  • the step of normalizing may be performed during and / or in parallel with the detection and / or reading in of the feature. This is particularly advantageous, since thus an online monitoring of the state of the machine can be done.
  • the method according to the invention may comprise a step of recording data from at least one sensor installed in and / or on the machine, a step of extracting a plurality of features from the data, a step of determining the feature vector comprising the plurality of standardized features Comprise step of classifying the feature vector in the step of determining.
  • the method can be used directly for pattern recognition and classification of the machine state.
  • a monitoring system for the state of the machine has the following features: means for reading in at least one feature of the machine; means for normalizing the at least one feature using an average and a range parameter associated with the at least one feature to produce at least one normalized feature; and means for determining the state of the machine using the at least one normalized feature or using one of a feature vector comprising a plurality of normalized features.
  • a monitoring system can be understood as meaning an electrical device which processes sensor signals and, in dependence thereon, controls and / or
  • the monitoring system may have an interface, which may be formed in hardware and / or software.
  • an interface which may be formed in hardware and / or software.
  • the interfaces may for example be part of a so-called system ASICs, which includes a variety of functions of the monitoring system. However, it is also possible that the interfaces are their own integrated circuits or at least partially consist of discrete components. In a software training, the interfaces may be software modules that are present, for example, on a microcontroller in addition to other software modules.
  • the monitoring system can be used in conjunction with a machine system.
  • the machine system includes a machine and a monitoring system for monitoring a condition of the machine.
  • the monitoring system can be coupled to the machine in a suitable manner.
  • the state of the machine determined by the monitoring system can be used to control the machine or to monitor a function of the machine.
  • Also of advantage is a computer program product with program code which can be stored on a machine-readable carrier such as a semiconductor memory, a hard disk memory or an optical memory and is used to carry out the method according to one of the embodiments described above, if the
  • Program is executed on a computer or a device.
  • Fig. 1 shows a machine system according to an embodiment of the invention
  • Fig. 2 is a flowchart of a method of an embodiment of the present invention
  • 3 is a flowchart of a method of an embodiment of the present invention as a method
  • 4 is a flow chart of a principal flow of pattern recognition
  • 5 shows a table with example data for a training data record and post-workout data with its normalized data
  • 6 shows a logistic function for standardization according to the invention
  • Fig. 1 shows a machine system 100 with a machine 110 and a
  • Monitoring system 120 for a state of the machine 110 according to a
  • the monitoring system 120 is configured to at least one of the machine 110
  • Feature or data from which at least one feature of the machine 110 can be determined to receive If the monitoring system 120 receives corresponding data, then the monitoring system 120 is designed to determine from the data the at least one feature.
  • the monitoring system 120 is configured to perform a state determination of the machine 110 based on the at least one feature. To carry out the state determination, the monitoring system 120 is designed to normalize and classify the at least one feature.
  • the monitoring system 120 is configured to output a result of the state determination. According to one embodiment, the monitoring system 120 is based on a regular or permanent detection of the machine condition by measuring and analyzing physical quantities on the machine 110. From the data obtained by the measurement and analysis, features of the machine 110 are extracted and classified. By the classification in the monitoring system 120, a statement about the
  • Machine condition are met.
  • the classification is usually done with more than one characteristic.
  • the machine 1 10 is a
  • FIG. 2 shows a flowchart of a method 200 for normalizing a feature of a machine in a state machine monitoring system to monitor the state of the machine in accordance with an embodiment of the present invention.
  • the method 200 can be used, for example, in a monitoring system 120 of a machine 110 shown in FIG. 1.
  • the method according to the invention provides an application-independent standardization method for features in a corresponding condition monitoring system 120, or condition monitoring system.
  • the method 200 includes a step 230 of reading.
  • a feature of the machine is read.
  • Step 230 is followed by a step 240 of normalizing.
  • the feature is normalized using an average and a range parameter to produce a normalized feature.
  • a step 250 of determining the state of the engine is determined using the normalized feature.
  • Steps 230, 240 may each be performed for a plurality of features, or further steps may be performed for further features corresponding to steps 230, 240, so that in step 250 the state of the machine may be determined using a plurality of normalized features.
  • the method 200 comprises a step 253 of providing a training data set.
  • a training data set In step 253, a
  • Step 253 is followed by a step 256 of the determination.
  • step 256 using the
  • Training data set a mean and a range parameter R determined.
  • the range parameter R is a minimum limit, or minimum feature, and a maximum limit, or
  • step 256 the average value , of the
  • Range parameter R the minimum feature and the maximum feature
  • step 256 only the
  • Range parameter R and the mean certainly. This is used in step 240 using the mean and the range parameter R determines the minimum feature and the maximum feature.
  • the training data set may be used in step 230 for
  • Determining the range parameter R and the mean value can be done in the monitoring system 120 as shown. In a not shown in Fig. 2
  • the range parameter R and the mean also be determined externally by the monitoring system 120 and made available to the monitoring system 120.
  • the mean value can be formed via the training data record.
  • the feature in step 240 of normalization, is normalized linearly.
  • the normalization is usually carried out using a minimum value and a maximum value of the record representing the feature.
  • an absolute minimum feature i. H. the smallest value of the characteristic representing
  • the maximum feature is set to.
  • step 240 of normalizing the feature is normalized nonlinearly. Normalization is done in this embodiment using a sigmoid function.
  • FIG. 3 shows a flow chart of a method 300 for normalizing a feature of a machine in a monitoring system for a state of the machine according to an exemplary embodiment of the present invention in the form of pattern recognition.
  • the method 300 comprises, in addition to the steps described with reference to FIG.
  • Method 200 additional steps 360, 370, 380.
  • step 360 of the data acquisition data is received from a machine.
  • step 370 of the feature extraction the data received in step 360 of the data acquisition is read in, and a feature is extracted from the data.
  • step 370 of the feature extraction the extracted feature is further output.
  • the feature extraction step 370 is followed by the steps 230, 240, 250 of the method 200 for standardizing a feature of a machine already described with reference to FIG.
  • step 230 of the read in the feature of the machine is read.
  • step 230 of reading is followed by the step 240 of normalizing.
  • step 240 of normalizing the feature is normalized using an average and an area parameter.
  • step 240 of normalizing the normalized feature is further output.
  • the normalizing step 240 is followed by the determining step 250.
  • step 250 of determining the state of the engine is determined using the normalized feature.
  • information about the specific state of the machine is also output, for example in the form of an electrical signal or in the form of a data record.
  • step 250 of determining includes a step 380 of classifying.
  • step 380 of classifying information about the state of the machine is received and classified.
  • FIG. 4 shows a flowchart of a method, in particular of a basic procedure, of pattern recognition according to an embodiment of the present invention.
  • the method illustrated in FIG. 4 may be implemented, for example, in one shown in FIG
  • Condition monitoring system 120 monitor the state of machine 110 and output a classification as a result.
  • the method includes a step 410 of data acquisition.
  • step 410 physical data of a machine is recorded, such as voltage U, current I, temperature T, pressure p, or data that can be represented by it, such as frequency, acceleration, or vibration, etc.
  • step 410 the recorded data is output.
  • step 410 of data acquisition is followed by a step 420 of feature extraction.
  • step 420 the data of step 410 is received.
  • step 420 at least one feature is extracted from the read-in data.
  • the extracted feature is output.
  • step 420 is followed by a step 430 of FIG.
  • step 430 the result of step 420 becomes
  • Characteristic vector read from the feature vector for a classification, essential features to be classified are selected and thus a reduced feature vector is generated.
  • feature reduction step 430 an analysis of variance, principal component analysis,
  • step 430 the reduced feature vector is output.
  • step 430 is followed by a query 440.
  • the query 440 it is checked during execution of the method whether a learning step 450 has already been performed.
  • query 440 in
  • step 450 of learning the necessary information for a classification is learned d. H. the parameters of the classifier are adapted to the respective application by means of a learning algorithm and based on the training data record. The learning phase is terminated upon reaching a predetermined classification accuracy or exceeding a predetermined time or number of iterations of the learning algorithm.
  • step 450 of learning the
  • the learning step 450 is followed by a step 480 of the classification. Based on the query 440, if a positive query result, ie, a learning step 450 has already been performed, remains in the working phase and the step 480 of the classification is determined as the next step. In step 480 of the classification, the reduced feature vector is received. In step 480 of the classification is under
  • the reduced feature vector Using the reduced feature vector and outputting a class and / or condition using the classification information, d. h., the reduced
  • Feature vector is assigned to a class.
  • the method 200 shown in Figure 2 may be inserted after step 420 of the feature extraction and before step 480 of the classification in one embodiment of the present invention ,
  • FIG. 5 shows a table with example data for a training data set and data acquired after the training with their standardized data.
  • a first column 510 the raw data is shown.
  • a second column 520 the data checked for maximum and minimum are shown.
  • a third column 530 the values normalized to a value range [-1... 1] are shown.
  • the first ten rows 540 of the table represent training data for a classifier, e.g. Eg "Support Vector Machine".
  • data for the classification will be normalized to a defined range of values so that all features are evaluated equally by the classifier.
  • the value range is typically 0 to 1 or -1 to 1.
  • the symbols used have the following meaning:
  • X min minimum value of the feature in the complete training data set
  • X max maximum value of the feature in the complete training data set
  • R range parameter, or range parameter
  • the method according to the invention determines an average value from the raw data 510 of the training data 540
  • RMS root mean square
  • the mean value serves as a reference point for normalization.
  • the minimum and maximum limits of normalization are determined by the range parameter and the mean. For example, for the range parameter equal to "two,” the upper limit, or maximum, is set to twice and the lower limit or minimum is set to half the mean. In the embodiment of the invention shown in Fig. 5 results in a
  • Range parameters as maximum and minimum.
  • the raw data are checked for exceeding of the minimum and the maximum and corresponding values are corrected.
  • the value 1 in the raw data 510 is set to the calculated minimum of 1.7857.
  • the data checked for maximum and minimum are shown in the second column 520.
  • the data in column 520 is then normalized according to the formula in the following step
  • Range parameter R 2
  • the normalization can now be done online, as shown in the area for data acquired after training (learning) 550 in the table in FIG. 5.
  • the standardized data always have the same value range [-1 ... 1], a repetition of normalization and training is not necessary.
  • FIG. 6 shows a logistic function 610 for normalization according to an embodiment of the present invention.
  • the function sig (t) is shown on the abscissa t and on the ordinate.
  • a logistic function 610 represents a particular sigmoid function.
  • a sigmoid function also referred to as
  • Gooseneck function or S function is a mathematical function with an S-shaped graph.
  • sigmoid function is applied to the special case of logistic Function sig (t), which is essentially a scaled and shifted hyperbolic tangent function with corresponding symmetries, and by the equation is described. Where e is the Euler number.
  • Fig. 7 shows a comparison of some sigmoid functions.
  • Fig. 7 shows six different sigmoid functions. Common to all sigmoid functions is that they are bounded and differentiable real functions with a consistently positive or entirely negative first derivative and exactly one inflection point.
  • the set of sigmoid functions includes, among others, the arctangent, the hyperbolic tangent, and simple algebraic ones
  • Fig. 7 shows the function designated by the reference numeral 710 with the denoted by the reference numeral 720, denoted by the reference numeral
  • Reference numeral 760 denotes a function

Abstract

Die vorliegende Erfindung bezieht sich auf ein Verfahren (200, 300) zur Überwachung eines Zustands einer Maschine. Das Verfahren (200; 300) umfasst ein Einlesen (230) zumindest eines Merkmals der Maschine, ein Normieren (240) des zumindest einen Merkmals unter Verwendung eines Mittelwertes und eines Bereichsparameters, die dem zumindest einen Merkmal zugeordnet sind, um zumindest ein normiertes Merkmal zu erzeugen, und ein Bestimmen (250) des Zustandes der Maschine unter Verwendung der zumindest einen normierten Merkmals.

Description

Verfahren zur Überwachung eines Zustande einer Maschine und
Überwachungssystem
Beschreibung
Die vorliegende Erfindung bezieht sich auf ein Verfahren zur Überwachung eines Zustande einer Maschine, auf ein Überwachungssystem für einen Zustand einer Maschine und auf ein Maschinensystem.
In Maschinen-Zustandsüberwachungssystemen werden physikalische Daten einer Maschine mittels Sensoren aufgenommen. Aus diesen Daten werden Merkmale extrahiert, welche dann klassifiziert werden. Für die Klassifikation ist es notwendig, die Merkmale vorher auf einen definierten Wertebereich zu normieren.
Die Offenbarung EP 2169497A1 zeigt eine Maschinenzustandsüberwachung, die Vibrationssignale normiert.
Es ist die Aufgabe der vorliegenden Erfindung ein verbessertes Verfahren zur Überwachung eines Zustand einer Maschine, ein verbessertes Überwachungssystem für einen Zustand einer Maschine und ein verbessertes Maschinensystem.
Diese Aufgabe wird durch ein Verfahren, ein Überwachungssystem und ein Maschinensystem gemäß den Hauptansprüchen gelöst. Vorteilhafte Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen angegeben.
Eine Maschinenzustandsüberwachung basiert auf einer Erfassung eines Maschinenzustands einer zu überwachenden Maschine durch Messung und Analyse aussagefähiger
physikalischer Größen der Maschine. Zur Analyse kann eine Klassifikation erfasster Merkmale der Maschine durchgeführt werden. Um bei der Klassifikation verschiedene Merkmale gleich zu bewerten und/oder zu gewichten, können die Merkmalswerte der Merkmale als normierte Merkmalswerte an eine Funktion zur Klassifikation übergeben werden. Dazu ist es nicht erforderlich, entweder vorab einen kompletten Datensatz zu erfassen und später eine Auswertung durchzuführen oder aber feste, maschinenspezifische Parameter zu definieren. Stattdessen wird durch Bereitstellen eines Mittelwertes und eines Bereichsparameters, auch als Range-Parameter bezeichnet, eine flexible und online anwendbare Lösung für die Normierung eines Merkmals einer Maschine in einem
Überwachungssystem für einen Zustand der Maschine ermöglicht. Der Mittelwert und der Bereichsparameter können über einen Trainingsdatensatz bestimmt werden. Über die so gefundenen Werte sind dann auch ein Maximalwert und ein Minimalwert für das Merkmal definiert. Mit einem oder mehreren auf diese Weise normierten Merkmalen der Maschine lässt sich über eine Klassifikation der Merkmale online, also während des Betriebs der Maschine, eine Aussage über den Zustand der Maschine treffen.
Für eine entsprechende Maschinenzustandsüberwachung, auch als ein Condition Monitoring von Maschinen bzw. Maschinenbauteilen bezeichnet, können die auftretenden Messwerte normiert werden. Dabei wird dafür gesorgt, dass die normierten Werte innerhalb eines vorgegebenen Wertebereichs liegen. Das Verfahren kann nach der Merkmalsextraktion in einem Mustererkennungsprozess eingesetzt werden, um den Zustand einer Maschine oder einer Maschinenkomponente zu ermitteln. Das Verfahren eignet sich jedoch für Daten aus beliebigen Quellen.
Vorteilhafterweise kann die Normierung unabhängig von der Applikation durchgeführt werden. Die Grenzwertdefinition kann über einen einzigen Parameter, den
Bereichsparameter, erfolgen. Durch die Wahl einer entsprechenden Funktion zur nichtlinearen Normierung treten auch keine Werte außerhalb des definierten, normierten Bereiches auf. So ist es nicht erforderlich, dass jedes Mal wenn ein neuer Messpunkt außerhalb der durchgeführten Normierung erfasst wird, die Normierung und das Training des Klassifikators erneut durchgeführt werden. Es kann auf feste, applikationsabhängige
Grenzwerte verzichtet werden, die für jedes Messsignal manuell definiert werden müssten.
Ein Verfahren zur Überwachung eines Zustande einer Maschine umfasst die folgenden Schritte: Einlesen zumindest eines Merkmals der Maschine;
Normieren des zumindest einen Merkmals unter Verwendung eines Mittelwertes und eines Bereichsparameters, die dem zumindest einen Merkmal zugeordnet sind, um zumindest ein normiertes Merkmal zu erzeugen; und
Bestimmen des Zustandes der Maschine unter Verwendung des zumindest einen normierten Merkmals.
Unter einer Normierung oder normieren kann die Umrechnung von Werten in einem
Datensatz auf einen vorher festgelegten Bereich verstanden werden. Mittels dieser
Umrechnung lassen sich Werte auf einer gemeinsamen Größenordnung vergleichen, auch wenn vor der Normierung die Werte in unterschiedlichen Größenordnungen erfasst wurden, beziehungsweise vorliegen. Werte für die Bestimmung des Zustandes einer Maschine sollen auf einen definierten Wertebereich normiert werden, sodass alle Merkmale gleichwertig bewertet werden. Eine Normierung kann teilweise auch als Normalisierung bezeichnet werden. Unter einer Maschine kann ein Gerät oder eine Komponente verstanden werden, mit durch ein Antriebssystem bewegten Teilen. Unter einer Maschine kann hier sowohl eine
Komponente, wie ein Lager, eine Pumpe, ein Förderband oder auch eine komplexe Anlage verstanden werden, wobei eine Anlage aus verschiedenen Komponenten zusammengesetzt ist. Das Zustandsüberwachungssystem kann an einer Industrieanlage, die z. B. hydraulisch angetrieben wird, verwendet werden. Solch eine Industrieanlage kann aus einer zentralen Druckölversorgung bestehen, welche Öl für diverse Antriebe, z.B. Zylinder- oder
Motorantriebe zur Verfügung stellt. Die zentrale Druckölversorgung kann aus einem Tank und Pumpen bestehen, die mit Elektromaschinen angetrieben werden und Öl für die Verbraucher, Zylinder und Motoren fördern. Zusätzlich können zur Anlage noch Filter und Kühler und separate Filter- und Kühler-Kreisläufe gehören. Es können Messdaten von Sensoren sowohl an den Komponenten als auch im Öl aufgenommen werden. Aus den Messdaten kann das zumindest eine Merkmal, im Allgemeinen eine Mehrzahl von
Merkmalen, bestimmt werden. Die Zustandsüberwachung verfolgt das Ziel die Maschinensicherheit und Maschineneffizienz zu verbessern, und basiert auf einer regelmäßigen oder permanenten Erfassung des Maschinenzustandes durch Messung und Analyse aussagefähiger physikalischer Größen wie Schwingungen, Temperaturen oder Lage. Unter einem Überwachungssystem oder Maschinenzustandsüberwachungssystem kann ein System oder eine Vorrichtung zur Zustandsüberwachung verstanden werden. Unter einem Maschinenzustand oder Zustand der Maschine kann eine Aussage zu einzelnen Komponenten oder zur gesamten Maschine verstanden werden wie„gut",„Lagerschaden",„Zylinderschaden" oder vergleichbare Informationen. Einzelne Informationen oder physikalische Größen können als
Maschinenmerkmal oder Anlagenmerkmal, hier allgemein Merkmal oder zu klassifizierendes Merkmal bezeichnet werden.
Die für eine sinnvolle Klassifikation erforderliche Normierung von Merkmalen kann einfach online durchgeführt werden. Durch den Mittelwert und den Bereichsparameter lassen sich die Merkmale nämlich einfach normieren.
Vorteilhafterweise kann im Schritt des Bestimmens der Zustand der Maschine unter Verwendung eines eine Mehrzahl normierter Merkmale umfassenden Merkmalvektors bestimmt werden. Somit kann der Zustand unter Verwendung der Mehrzahl normierter Merkmale bestimmt werden. Dazu können im Schritt des Einlesens eine Mehrzahl von
Merkmalen eingelesen werden und im Schritt des Normierens kann jedes der Mehrzahl von Merkmalen unter Verwendung eines dem jeweiligen Merkmal zugeordneten Mittelwert und eines dem jeweiligen Merkmal zugeordneten Bereichsparameter normiert werden. Somit kann der Bereichsparameter für jedes Merkmal separat berechnet werden, aber eine Klassifikation zur Bestimmung des Zustande der Maschine erfolgt in der Regel mit mehr als einem Merkmal, d. h. mit einem Merkmalsvektor. Bei der Klassifikation kann die jeweilige Klasse somit nicht durch einen, sondern durch mehrere Merkmale, die beispielsweise in dem Merkmalsvektor zusammengefasst sein können, bestimmt werden. Das Verfahren kann einen Schritt des Zurverfügungstellens eines Trainingsdatensatzes des zumindest einen Merkmals und einen Schritt des Ermitteins des Mittelwertes und des Bereichsparameters unter Verwendung des Trainingsdatensatzes aufweisen. Durch den Bereichsparameter können eine minimale und eine maximale Grenze definiert sein. Ein Trainingsdatensatz kann maschinen- oder applikationsspezifisch von dem Zustandsüberwachungssystem erfasst werden. Ein Trainingsdatensatz kann auch auf einem Datenträger gespeichert sein. In dem Trainingsdatensatz kann ein Datensatz an Werten des zu Merkmals enthalten sein. Aus dem Trainingsdatensatz können der Mittelwert sowie der kleinste, minimale Wert als auch der größte, maximale Wert bestimmt werden. Ein
Trainingsdatensatz kann somit ein Datensatz zur Einstellung der Parameter des
Klassifikators sein, beziehungsweise ein Datensatz zur Berechnung der Parameter für die Normierung. Diese Parametereinstellung wird auch Lernphase genannt. Aus dem
Trainingsdatensatz und den daraus bestimmten Werten kann auch der Bereichsparameter bestimmt werden. Wird eine Mehrzahl von Merkmalen verwendet, so können im Schritt des Zurverfügungstellens eine Mehrzahl von Trainingsdatensätzen zur Verfügung gestellt werden, also ein Trainingsdatensatz für jedes der Mehrzahl von Merkmalen. Der
Bereichsparameter kann beispielsweise durch nachfolgend angegebene Formeln vollständig beschrieben werden. Dabei kann ein Mittelwert eingesetzt werden. Mittelwert kann dabei stellvertretend für unterschiedliche Mittelwerte, z. B. arithmetischer oder quadratischer Mittelwert stehen.
Das zumindest eine normierte Merkmal kann mittels eines minimalen Merkmals und eines maximalen Merkmals des Merkmals berechnet werden. Dabei kann das minimale Merkmal als die Division aus Mittelwert als Dividend und Bereichsparameter als Divisor gebildet werden. Der maximale Wert kann als die Multiplikation aus Mittelwert als Multiplikator und Bereichsparameter als Multiplikand gebildet werden.
In einem Ausführungsbeispiel kann das zumindest eine normierte Merkmal bestimmt werden durch den mit einem Faktor belegten, beispielsweise den um Eins verringerten und zuvor verdoppelten, Wert des Quotienten aus einem Dividenden, der aus der Differenz aus Merkmalswert des Merkmals als Minuend und der Division des Mittelwertes durch den Bereichsparameter als Subtrahend gebildet wird, und einem Divisor, der aus der Subtraktion von der Multiplikation aus Mittelwert und Bereichsparameter als Minuend und der Division des Mittelwertes durch den Bereichsparameter als Subtrahend gebildet wird.
Vorteilhafterweise ermöglicht das Verfahren die Analyse der Daten aus einer großen Anzahl an Maschinen mit einer minimalen manuellen applikationsspezifischen Anpassung, beispielsweise eines Parameters oder eines Merkmals pro Applikation. Ferner kann das zumindest eine normierte Merkmal mittels einer nichtlinearen Normierung, insbesondere auf einer Sigmoid-Funktion basierenden Normierung, bestimmt werden.
Anstelle einer linearen Normierung kann eine nichtlineare Normierung durchgeführt werden. Durch die geschickte Wahl einer entsprechenden nichtlinearen Normierungsfunktion kann sichergestellt werden, dass keine Werte außerhalb der definierten Grenzwerte im normierten Merkmalsbereich entstehen. Es kann eine Sigmoid-Funktion für die nichtlineare Normierung verwendet werden. Unter einer Sigmoid-Funktion kann eine beschränkte und
differenzierbare reelle Funktion mit einer durchweg positiven oder durchweg negativen ersten Ableitung und genau einem Wendepunkt verstanden werden.
Ferner kann der Schritt des Normierens während und/oder parallel zur Erfassung und/oder Einlesens des Merkmals ausgeführt werden. Dies ist besonders vorteilhaft, da somit eine online Überwachung des Zustandes der Maschine erfolgen kann.
Ferner kann das erfindungsgemäße Verfahren einen Schritt des Aufnehmens von Daten von mindestens einem in und/oder an der Maschine verbauten Sensor, einen Schritt des Extrahierens einer Mehrzahl von Merkmalen aus den Daten, einen Schritt des Bestimmens des die Mehrzahl normierter Merkmale umfassenden Merkmalvektors, und einen Schritt des Klassifizierens des Merkmalvektors im Schritt des Bestimmens aufweisen. Mit diesen zusätzlichen Schritten kann das Verfahren direkt zur Mustererkennung und Klassifikation des Maschinenzustandes eingesetzt werden.
Ein Überwachungssystem für den Zustand der Maschine weist folgende Merkmale auf: eine Einrichtung zum Einlesen zumindest eines Merkmals der Maschine; eine Einrichtung zum Normieren des zumindest einen Merkmals unter Verwendung eines Mittelwertes und eines Bereichsparameters, die dem zumindest einen Merkmal zugeordnet sind, um zumindest ein normiertes Merkmal zu erzeugen; und eine Einrichtung zum Bestimmen des Zustandes der Maschine unter Verwendung des zumindest einen normierten Merkmals oder unter Verwendung eines eines eine Mehrzahl normierter Merkmale umfassenden Merkmalsvektors. Unter einem Überwachungssystem kann vorliegend ein elektrisches Gerät verstanden werden, das Sensorsignale verarbeitet und in Abhängigkeit davon Steuer- und/oder
Datensignale ausgibt. Das Überwachungssystem kann eine Schnittstelle aufweisen, die hard- und/oder softwaremäßig ausgebildet sein kann. Bei einer hardwaremäßigen
Ausbildung können die Schnittstellen beispielsweise Teil eines sogenannten System-ASICs sein, der verschiedenste Funktionen des Überwachungssystems beinhaltet. Es ist jedoch auch möglich, dass die Schnittstellen eigene, integrierte Schaltkreise sind oder zumindest teilweise aus diskreten Bauelementen bestehen. Bei einer softwaremäßigen Ausbildung können die Schnittstellen Softwaremodule sein, die beispielsweise auf einem MikroController neben anderen Softwaremodulen vorhanden sind.
Auch durch diese Ausführungsvariante der Erfindung in Form eines Überwachungssystems kann die der Erfindung zugrunde liegende Aufgabe schnell und effizient gelöst werden. Das Überwachungssystem kann im Zusammenhang mit einem Maschinensystem eingesetzt werden. Das Maschinensystem weist eine Maschine und ein Überwachungssystem zur Überwachung eines Zustands der Maschine auf. Dazu kann das Überwachungssystem auf eine geeignete Weise mit der Maschine gekoppelt sein. Der von dem Überwachungssystem bestimmte Zustand der Maschine kann zur Steuerung der Maschine oder zur Überwachung einer Funktion der Maschine genutzt werden.
Von Vorteil ist auch ein Computerprogrammprodukt mit Programmcode, der auf einem maschinenlesbaren Träger wie einem Halbleiterspeicher, einem Festplattenspeicher oder einem optischen Speicher gespeichert sein kann und zur Durchführung des Verfahrens nach einer der vorstehend beschriebenen Ausführungsformen verwendet wird, wenn das
Programm auf einem Computer oder einer Vorrichtung ausgeführt wird.
Die Erfindung wird nachstehend anhand der beigefügten Zeichnungen beispielhaft näher erläutert. Es zeigen:
Fig. 1 ein Maschinensystem gemäß einem Ausführungsbeispiel der Erfindung;
Fig. 2 ein Ablaufdiagramm eines Verfahrens eines Ausführungsbeispiels der vorliegenden Erfindung; Fig. 3 ein Ablaufdiagramm eines Verfahrens eines Ausführungsbeispiels der vorliegenden Erfindung als Verfahren; Fig. 4 ein Ablaufdiagramm eines prinzipiellen Ablaufs einer Mustererkennung;
Fig. 5 eine Tabelle mit Beispieldaten für einen Trainingsdatensatz und nach dem Training erfassten Daten mit deren normierten Daten; Fig. 6 eine logistische Funktion zur erfindungsgemäßen Normierung; und
Fig. 7 eine grafische Darstellung eines Vergleichs einiger Sigmoid-Funktionen.
Gleiche oder ähnliche Elemente können in den nachfolgenden Figuren durch gleiche oder ähnliche Bezugszeichen versehen sein. Ferner enthalten die Figuren der Zeichnungen, deren Beschreibung sowie die Ansprüche zahlreiche Merkmale in Kombination. Einem Fachmann ist dabei klar, dass diese Merkmale auch einzeln betrachtet werden oder sie zu weiteren, hier nicht explizit beschriebenen Kombinationen zusammengefasst werden können.
Fig. 1 zeigt ein Maschinensystem 100 mit einer Maschine 110 und einem
Überwachungssystem 120 für einen Zustand der Maschine 110 gemäß einem
Ausführungsbeispiel der Erfindung. Das Überwachungssystem 120 ist ausgebildet, um von der Maschine 110 zumindest ein
Merkmal oder Daten, aus denen zumindest ein Merkmal der Maschine 110 bestimmt werden kann, zu empfangen. Empfängt das Überwachungssystem 120 entsprechende Daten, so ist das Überwachungssystem 120 ausgebildet, um aus den Daten das zumindest eine Merkmal zu bestimmen. Das Überwachungssystem 120 ist ausgebildet, um basierend auf dem zumindest einen Merkmal eine Zustandsbestimmung der Maschine 110 durchzuführen. Zur Durchführung der Zustandsbestimmung ist das Überwachungssystem 120 ausgebildet, um das zumindest eine Merkmal zu normieren und zu klassifizieren. Das Überwachungssystem 120 ist ausgebildet, um ein Ergebnis der Zustandsbestimmung auszugeben. Gemäß einem Ausführungsbeispiel basiert das Überwachungssystem 120 auf einer regelmäßigen oder permanenten Erfassung des Maschinenzustandes durch Messung und Analyse physikalischer Größen an der Maschine 110. Aus den durch die Messung und Analyse gewonnenen Daten werden Merkmale der Maschine 110 extrahiert und klassifiziert. Durch die Klassifikation im Überwachungssystem 120 kann eine Aussage über den
Maschinenzustand getroffen werden. Die Klassifikation erfolgt dabei in der Regel mit mehr als einem Merkmal.
Gemäß einem Ausführungsbeispiel handelt es sich bei der Maschine 1 10 um eine
Industriemaschine mit hydraulischen Komponenten. Allerdings kann der erfindungsgemäße Ansatz auch in völlig anderen Bereichen, wie z. B. in der Medizintechnik eingesetzt werden. Der einzige Unterschied ist, dass andere Messdaten aufgenommen werden, der
Analyseprozess ändert sich nicht. Fig. 2 zeigt ein Ablaufdiagramm eines Verfahrens 200 zur Normierung eines Merkmals einer Maschine in einem Überwachungssystem für einen Zustand der Maschine, um gemäß einem Ausführungsbeispiel der vorliegenden Erfindung den Zustand der Maschine zu überwachen. Das Verfahren 200 kann beispielsweise in einem in Fig. 1 gezeigten Überwachungssystem 120 einer Maschine 110 eingesetzt werden. Das erfindungsgemäße Verfahren stellt eine applikationsunabhängige Normierungsmethode für Merkmale in einem entsprechenden Zustandsüberwachungssystem 120, oder Condition Monitoring System, bereit.
Das Verfahren 200 weist einen Schritt 230 des Einlesens auf. In dem Schritt 230 wird ein Merkmal der Maschine eingelesen. Der Schritt 230 wird gefolgt von einem Schritt 240 des Normierens. In dem Schritt 240 wird das Merkmal unter Verwendung eines Mittelwertes und eines Bereichsparameters normiert, um ein normiertes Merkmal zu erzeugen. In einem Schritt 250 des Bestimmens wird der Zustand der Maschine unter Verwendung des normierten Merkmals bestimmt. Die Schritte 230, 240 können jeweils für mehrere Merkmale ausgeführt werden oder es können den Schritten 230, 240 entsprechende weitere Schritte für weitere Merkmale durchgeführt werden, so das im Schritt 250 der Zustand der Maschine unter Verwendung mehrerer normierter Merkmale bestimmt werden kann. Entsprechendes gilt für die zuvor oder nachfolgend beschriebenen Ausführungsbeispiele. Gemäß einer Ausführungsform weist das Verfahren 200 einen Schritt 253 des Zurverfügungstellens eines Trainingsdatensatzes auf. In dem Schritt 253 wird ein
Trainingsdatensatz ausgegeben. Der Schritt 253 wird gefolgt von einem Schritt 256 des Ermitteins. In dem Schritt 256 des Ermitteins wird unter Verwendung des
Trainingsdatensatzes ein Mittelwert und einen Bereichsparameter R ermittelt. Im Schritt
Figure imgf000011_0002
256 wird unter Verwendung des Mittelwertes
Figure imgf000011_0003
und des Bereichsparameters R eine minimale Grenze , oder minimales Merkmal, und eine maximale Grenze , oder
Figure imgf000011_0001
Figure imgf000011_0005
maximales Merkmal ermittelt. In dem Schritt 256 wird der Mittelwert
Figure imgf000011_0004
, der
Bereichsparameter R, das minimale Merkmal und das maximale Merkmal
Figure imgf000011_0007
Figure imgf000011_0006
ausgegeben. Gemäß einem Ausführungsbeispiel werden im Schritt 256 nur der
Bereichsparameter R und der Mittelwert
Figure imgf000011_0008
bestimmt. In diesem wird im Schritt 240 unter Verwendung des Mittelwertes
Figure imgf000011_0009
und des Bereichsparameters R das minimale Merkmal und das maximale Merkmal ermittelt.
Figure imgf000011_0011
Figure imgf000011_0010
Gemäß einem Ausführungsbeispiel kann der Trainingsdatensatz im Schritt 230 zur
Verwendung im Schritt 253 zur Verfügung gestellt werden.
Das Bestimmen des Bereichsparameters R und des Mittelwertes
Figure imgf000011_0012
kann wie dargestellt im Überwachungssystem 120 erfolgen. In einem in Fig. 2 nicht dargestellten
Ausführungsbeispiel können der Bereichsparameter R und der Mittelwert
Figure imgf000011_0013
auch extern vom Überwachungssystem 120 bestimmt und dem Überwachungssystem 120 zur Verfügung gestellt werden. Der Mittelwert kann über den Trainingsdatensatz gebildet werden.
In einem Ausführungsbeispiel wird im Schritt 240 des Normierens das Merkmal linear normiert. Die Normierung erfolgt in der Regel unter Verwendung eines minimalen Wertes und eines maximalen Wertes des das Merkmal repräsentierenden Datensatzes. Um die Normierung relativ zum Mittelwert durchzuführen, kann in einem Ausführungsbeispiel ein absolutes minimales Merkmal, d. h. der kleinste Wert des das Merkmal repräsentierenden
Datensatzes durch das berechnete minimale Merkmal ersetzt werden. Nach dem
Figure imgf000011_0014
gleichen Schema wird das maximale Merkmal auf gesetzt.
Figure imgf000011_0015
In einem Ausführungsbeispiel wird im Schritt 240 des Normierens das Merkmal nichtlinear normiert. Die Normierung erfolgt in diesem Ausführungsbeispiel mithilfe einer Sigmoid- Funktion.
Fig. 3 zeigt ein Ablaufdiagramm eines Verfahrens 300 zur Normierung eines Merkmals einer Maschine in einem Überwachungssystem für einen Zustand der Maschine gemäß einem Ausführungsbeispiel der vorliegenden Erfindung in Form einer Mustererkennung. Das Verfahren 300 umfasst neben den anhand von Fig. 2 beschriebenen Schritten des
Verfahrens 200 weitere Schritte 360, 370, 380.
Im Schritt 360 der Datenaufnahme werden Daten von einer Maschine empfangen. Im folgenden Schritt 370 der Merkmalsextraktion werden die im Schritt 360 der Datenaufnahme empfangenen Daten eingelesen und aus den Daten wird ein Merkmal extrahiert. Im Schritt 370 der Merkmalsextraktion wird weiterhin das extrahierte Merkmal ausgegeben. Dem
Schritt 370 der Merkmalsextraktion folgen die Schritte 230, 240, 250 des bereits anhand von Fig. 2 beschriebenen Verfahrens 200 zur Normierung eines Merkmals einer Maschine. Im Schritt 230 des Einlesens wird das Merkmal der Maschine eingelesen. Der Schritt 230 des Einlesens wird gefolgt von dem Schritt 240 des Normierens. Im Schritt 240 des Normierens wird das Merkmal unter Verwendung eines Mittelwertes und eines Bereichsparameters normiert. Im Schritt 240 des Normierens wird weiterhin das normierte Merkmal ausgegeben. Der Schritt 240 des Normierens wird gefolgt von dem Schritt 250 des Bestimmens. Im Schritt 250 des Bestimmens wird der Zustand der Maschine unter Verwendung des normierten Merkmals bestimmt. Im Schritt 250 des Bestimmens wird ferner eine Information über den bestimmten Zustand der Maschine, beispielsweise in Form eines elektrischen Signals oder in Form eines Datensatzes, ausgegeben.
Gemäß einem Ausführungsbeispiel umfasst der Schritt 250 des Bestimmens einen Schritt 380 des Klassifizierens. Im Schritt 380 des Klassifizierens wird eine Information über den Zustand der Maschine empfangen und klassifiziert.
Fig. 4 zeigt ein Ablaufdiagramm eines Verfahrens, insbesondere eines prinzipiellen Ablaufs, einer Mustererkennung gemäß einem Ausführungsbeispiel der vorliegenden Erfindung. Das in Fig. 4 dargestellte Verfahren kann beispielsweise in einem in Fig. 1 dargestellten Zustandsüberwachungssystem 120 den Zustand der Maschine 110 überwachen und als Ergebnis eine Klassifikation ausgeben.
Das Verfahren weist einen Schritt 410 der Datenaufnahme auf. In dem Schritt 410 werden physikalische Daten einer Maschine aufgenommen, wie Spannung U, Stromstärke I, Temperatur T, Druck p, bzw. darüber darstellbare Daten wie Frequenz, Beschleunigung, bzw. Vibration, etc. Im Schritt 410 werden die aufgenommenen Daten ausgegeben. Der Schritt 410 der Datenaufnahme wird gefolgt von einem Schritt 420 der Merkmalsextraktion. Im Schritt 420 werden die Daten aus Schritt 410 empfangen. Im Schritt 420 wird aus den eingelesenen Daten mindestens ein Merkmal extrahiert. Im Schritt 420 wird das extrahierte Merkmal ausgegeben. Der Schritt 420 wird gefolgt von einem Schritt 430 der
Merkmalsreduktion. Im Schritt 430 wird der aus dem Schritt 420 resultierende
Merkmalsvektor eingelesen. Im Schritt 430 werden aus dem Merkmalsvektor für eine Klassifikation wesentliche, zu klassifizierende Merkmale ausgewählt und somit ein reduzierter Merkmalsvektor erzeugt. In einem Ausführungsbeispiel wird im Schritt 430 der Merkmalsreduktion eine Varianzanalyse, Hauptkomponentenanalyse,
Unabhängigkeitsanalyse und/oder eine Diskriminanzanalyse durchgeführt. Im Schritt 430 wird der reduzierte Merkmalsvektor ausgegeben. Der Schritt 430 wird gefolgt von einer Abfrage 440. In der Abfrage 440 wird während der Ausführung des Verfahrens geprüft, ob bereits ein Schritt 450 des Lernens durchgeführt wurde. In der Abfrage 440 wird in
Abhängigkeit des Abfrageergebnisses eine Auswahl eines Schritts durchgeführt, der als Nächstes durchgeführt wird.
Aufgrund der Abfrage 440 wird bei einem negativen Abfrageergebnis, d. h., es wurde noch kein Schritt 450 des Lernens durchgeführt, die Arbeitsphase 460 verlassen und für den Schritt 450 des Lernens in die Lernphase 470 gewechselt. Im Schritt 450 des Lernens werden die notwendigen Informationen für eine Klassifikation gelernt d. h. die Parameter des Klassifikators werden mittels einem Lernalgorithmus und anhand vom Trainingsdatensatz an die jeweilige Applikation angepasst. Die Lernphase wird beim Erreichen einer vorgegebenen Klassifikationsgenauigkeit oder überschreiten einer vorgegebenen Zeit oder Anzahl an Iterationen des Lernalgorithmus beendet. Im Schritt 450 des Lernens werden die
Informationen für die Klassifikation ausgegeben. Der Schritt 450 des Lernens wird gefolgt von einem Schritt 480 der Klassifikation. Aufgrund der Abfrage 440 wird bei einem positiven Abfrageergebnis, d. h., es wurde bereits ein Schritt 450 des Lernens durchgeführt, in der Arbeitsphase verweilt und es wird der Schritt 480 der Klassifikation als nächster Schritt bestimmt. Im Schritt 480 der Klassifikation wird der reduzierte Merkmalsvektor empfangen. Im Schritt 480 der Klassifikation wird unter
Verwendung des reduzierten Merkmalsvektors und unter Verwendung der Information für die Klassifikation eine Klasse und/oder ein Zustand ausgegeben, d. h., der reduzierte
Merkmalsvektor wird einer Klasse zugewiesen.
Als Klasse oder Zustand kann in einem Ausführungsbeispiel„Gut",„Lagerschaden" oder „Zylinderschaden" ausgegeben werden. Das in Fig. 2 gezeigte Verfahren 200 kann in einem erfindungsgemäßen Ausführungsbeispiel nach dem Schritt 420 der Merkmalsextraktion und vor dem Schritt 480 der Klassifikation eingefügt werden.
Fig. 5 zeigt eine Tabelle mit Beispieldaten für einen Trainingsdatensatz und nach dem Training erfassten Daten mit deren normierten Daten. In einer ersten Spalte 510 sind die Rohdaten dargestellt. In einer zweiten Spalte 520 sind die auf Maximum und Minimum überprüften Daten dargestellt. In einer dritten Spalte 530 sind die auf einen Wertebereich [-1 ... 1] normierten Werte dargestellt. Die ersten zehn Zeilen 540 der Tabelle repräsentieren Trainingsdaten für einen Klassifikator, z. B.„Support Vector Machine".
Gemäß diesem Ausführungsbeispiel werden Daten für die Klassifikation auf einen definierten Wertebereich normiert werden, sodass alle Merkmale vom Klassifikator gleich bewertet werden. Der Wertebereich liegt typisch bei 0 bis 1 oder bei -1 bis 1. In den folgenden Formeln haben die verwendeten Formelzeichen folgende Bedeutung:
X = Merkmal, zu klassifizierendes Merkmal
XN = normiertes Merkmal
Xmin = minimaler Wert des Merkmals im kompletten Trainingsdatensatz
Xmax = maximaler Wert des Merkmals im kompletten Trainingsdatensatz
= Mittelwert des Merkmals über den Trainingsdatensatz
R = Bereichsparameter, oder Range-Parameter
Die Formel für die Normierung eines Datensatzes auf den Wertebereich [-1 ... 1] lautet:
Figure imgf000015_0003
Um eine Normierung relativ zu Mittelwert durchzuführen, wird und
Figure imgf000015_0002
Figure imgf000015_0004
Figure imgf000015_0001
Werte die kleiner als sind werden auf gesetzt. Werte, die größer als sind,
Figure imgf000015_0005
Figure imgf000015_0007
Figure imgf000015_0006
werden auf gesetzt.
Figure imgf000015_0008
Das erfindungsgemäße Verfahren ermittelt aus den Rohdaten 510 der Trainingsdaten 540 einen Mittelwert
Figure imgf000015_0009
Der Wert in der Tabelle ist der arithmetische Mittelwert, aber es können auch andere
Mittelwerte verwendet werden. Insbesondere ist der quadratische Mittelwert (RMS = Roor Mean Square) wichtig, da er bei Signalen eingesetzt werden kann, bei denen positive und negative Werte auftreten können. Zum Beispiel bei Schwingungssignalen werden
Schwingungen um die Nulllage +/- x g gemessen.
Gemäß einem Ausführungsbeispiel wird für jedes Merkmal der Mittelwert über den
Trainingsdatensatz berechnet. Der Mittelwert dient als Referenzpunkt für die Normierung. Die minimale und maximale Grenze der Normierung wird durch den Bereichsparameter und den Mittelwert bestimmt. Zum Beispiel wird beim Bereichsparameter gleich„zwei" die obere Grenze, oder Maximum, auf das Doppelte und die untere Grenze oder Minimum, auf die Hälfte des Mittelwertes gesetzt. In dem in Fig. 5 dargestellten erfindungsgemäßen Ausführungsbeispiel ergibt sich bei einem
Bereichsparameter als Maximum und als Minimum.
Figure imgf000016_0003
Figure imgf000016_0004
Im Folgenden werden die Rohdaten auf Überschreitung des Minimums und des Maximums überprüft und entsprechende Werte korrigiert. Der Wert 1 in den Rohdaten 510 wird auf das berechnete Minimum von 1 ,7857 gesetzt. Die auf Maximum und Minimum überprüften Daten sind in der zweiten Spalte 520 dargestellt. Auf die Daten in der Spalte 520 wird im folgenden Schritt eine Normierung nach der Formel
Figure imgf000016_0001
durchgeführt und die Ergebnisse der Normierung auf einen Wertebereich von [-1 ... 1] in der Dritten Spalte 530 dargestellt. Mit dem, in der als Trainingsphase oder Lernphase
bezeichneten, aus dem Trainingsdatensatz erzeugten Mittelwert
Figure imgf000016_0002
und
Bereichsparameter R = 2 kann nun die Normierung online erfolgen, wie im Bereich für nach dem Training (Lernen) erfassten Daten 550 in der Tabelle in Fig. 5 dargestellt. Die normierten Daten haben immer den gleichen Wertebereich [-1 ... 1], eine Wiederholung der Normierung und Training ist nicht notwendig.
Die Rohdaten 510 im Bereich der im laufenden Betrieb erfassten Daten 550 werden auf Minima und Maxima überprüft und Werte, die die zuvor berechneten Minima, bzw. Maxima überschreiten, werden auf die entsprechenden Werte gesetzt und in der zweiten Spalte 520 dargestellt. Die auf diese Weise bearbeiteten Rohdaten werden normiert und in der dritten Spalte dargestellt. Fig. 6 zeigt eine logistische Funktion 610 zur Normierung gemäß einem Ausführungsbeispiel der vorliegenden Erfindung. In einem kartesischen Koordinatensystem ist auf der Abszisse t und auf der Ordinate die Funktion sig(t) dargestellt. Eine logistische Funktion 610 stellt eine besondere Sigmoid-Funkion dar. Eine Sigmoidfunktion, auch bezeichnet als
Schwanenhalsfunktion oder S-Funktion, ist eine mathematische Funktion mit einem S- förmigen Graphen. Oft wird der Begriff Sigmoidfunktion auf den Spezialfall der logistischen Funktion sig(t) bezogen, welche im Wesentlichen eine skalierte und verschobene Tangens- hyperbolicus-Funktion mit entsprechenden Symmetrien ist und durch die Gleichung
Figure imgf000017_0001
beschrieben wird. Dabei ist e die Euler'sche Zahl.
Anstelle einer linearen Normierung kann eine nichtlineare Normierung durchgeführt werden Somit entstehen keine Werte größer als
Figure imgf000017_0002
oder kleiner als
Figure imgf000017_0003
Mit einer nichtlinearen Normierung entstehen keine Werte außerhalb des Bereiches
Figure imgf000017_0004
Fig. 7 zeigt einen Vergleich einiger Sigmoid-Funktionen. In einem kartesischen
Koordinatensystem ist auf der Abszisse x und auf der Ordinate die Funktion f(x) dargestellt. Die Fig. 7 zeigt sechs verschiedene Sigmoid-Funktionen. Allen Sigmoid-Funktionen ist gemeinsam, dass Sie beschränkte und differenzierbare reelle Funktionen mit einer durchweg positiven oder durchweg negativen ersten Ableitung und genau einem Wendepunkt sind. Außer der logistischen Funktion, siehe Fig. 6, enthält die Menge der Sigmoidfunktionen unter anderem den Arkustangens, den Tangens Hyperbolicus sowie einfache algebraische
Funktionen. Fig. 7 zeigt die mit dem Bezugszeichen 710 bezeichnete Funktion die mit
Figure imgf000017_0005
dem Bezugszeichen 720 bezeichnete Funktion , die mit dem Bezugszeichen
Figure imgf000017_0006
730 bezeichnete Funktion , die mit dem Bezugszeichen 740 bezeichnete Funktion
Figure imgf000017_0007
, die mit dem Bezugszeichen 750 bezeichnete Funktion tanh(x) und die mit dem
Figure imgf000017_0009
Bezugszeichen 760 bezeichnete Funktion
Figure imgf000017_0008
Die gezeigten Ausführungsbeispiele sind nur beispielhaft gewählt und können miteinander kombiniert werden.
Bezugszeichenliste
100 Maschinensystem
110 Maschine
120 Überwachungssystem
200 Verfahren zur Normierung eines Merkmals einer Maschine (110) in einem
Überwachungssystem (120) für einen Zustand der Maschine
230 Schritt des Einlesens
240 Schritt des Normierens
250 Schritt des Bestimmens
253 Schritt des Ermitteins
256 Schritt des Zurverfügungsteilens eines Trainingsdatensatzes
300 Verfahren zur Normierung eines Merkmals einer Maschine (110) in einem
Überwachungssystem (120) für einen Zustand der Maschine 360 Schritt der Aufnahme von Daten
370 Schritt der Extraktion
380 Schritt der Klassifikation
410 Datenaufnahme
420 Merkmalsextraktion
430 Merkmalsreduktion
440 Lernen durchgeführt?
450 Arbeitsphase
460 Lernphase
470 Lernen
480 Klassifikation
510 Rohdaten
520 Überprüfe auf Maximum und Minimum
530 Normierte Daten [-1 ... 1]
540 Trainingsdaten
550 Nach dem Training (Lernen) erfasste Daten
610 logistische Funktion:
Figure imgf000019_0001
Figure imgf000020_0001

Claims

Patentansprüche 1. Verfahren (200, 300) zur Überwachung eines Zustande einer Maschine, wobei das Verfahren die folgenden Schritte umfasst:
Einlesen (230) zumindest eines Merkmals der Maschine;
Normieren (240) des zumindest einen Merkmals unter Verwendung eines
Mittelwertes und eines Bereichsparameters, die dem zumindest einen Merkmal zugeordnet sind, um zumindest ein normiertes Merkmal zu erzeugen; und
Bestimmen (250) des Zustandes der Maschine unter Verwendung des zumindest einen normierten Merkmals. 2. Verfahren (200; 300) gemäß Anspruch 1 , bei dem im Schritt des Bestimmens der Zustand der Maschine unter Verwendung eines eine Mehrzahl normierter Merkmale umfassenden Merkmalvektors bestimmt wird. 3. Verfahren (200; 300) gemäß einem der vorstehenden Ansprüche, mit einem Schritt des Zurverfügungstellens (253) eines Trainingsdatensatzes des zumindest einen Merkmals, und mit einem Schritt des Ermitteins (256) des Mittelwertes und des Bereichsparameters unter Verwendung des Trainingsdatensatzes, wobei durch den Bereichsparameter eine minimale und eine maximale Grenze definiert sind. 4. Verfahren (200; 300) gemäß einem der vorstehenden Ansprüche, bei dem das
zumindest eine normierte Merkmal mittels eines minimalen Merkmals und eines maximalen Merkmals des Merkmals berechnet wird, wobei das minimale Merkmal als die Division aus Mittelwert als Dividend und Bereichsparameter als Divisor, und der maximale Wert als die Multiplikation aus Mittelwert als Multiplikator und
Bereichsparameter als Multiplikand gebildet werden. 5. Verfahren (200; 300) gemäß einem der vorstehenden Ansprüche, bei dem das
zumindest eine normierte Merkmal der mit einem Faktor belegte Wert des Quotienten aus einem Dividenden, der aus der Differenz aus Merkmalswert des Merkmals als Minuend und der Division des Mittelwertes durch den Bereichsparameter als
Subtrahend gebildet wird, und einem Divisor, der durch die Subtraktion von der Multiplikation aus Mittelwert und Bereichsparameter als Minuend und der Division des Mittelwertes durch den Bereichsparameter als Subtrahend, gebildet wird. 6. Verfahren (200; 300) gemäß einem der Ansprüche 1 bis 4, bei dem das zumindest eine normierte Merkmal mittels einer nichtlinearen Normierung, insbesondere auf einer Sigmoid-Funktion basierenden Normierung, bestimmt wird. 7. Verfahren (200; 300) gemäß einem der vorstehenden Ansprüche, bei dem der Schritt des Normierens (240) während und/oder parallel zur Erfassung und/oder Einlesens (230) des Merkmals ausgeführt wird. 8. Verfahren (200; 300) gemäß Anspruch 2, wobei das Verfahren die folgenden Schritte umfasst:
Aufnehmen (360) von Daten von mindestens einem in und/oder an der Maschine verbauten Sensor;
Extrahieren (370) einer Mehrzahl von Merkmalen aus den Daten;
Bestimmens des die Mehrzahl normierter Merkmale umfassenden Merkmalvektors; und
Klassifizieren (380) des Merkmalsvektors im Schritt des Bestimmens (250), um den Zustand der Maschine zu bestimmen. 9. Überwachungssystem (120) für den Zustand der Maschine (110), wobei das
Überwachungssystem die folgenden Merkmale aufweist: eine Einrichtung zum Einlesen zumindest eines Merkmals der Maschine; eine Einrichtung zum Normieren des zumindest einen Merkmals unter Verwendung eines Mittelwertes und eines Bereichsparameters, die dem zumindest einen Merkmal zugeordnet sind, um zumindest ein normiertes Merkmal zu erzeugen; und eine Einrichtung zum Bestimmen des Zustandes der Maschine unter Verwendung des zumindest einen normierten Merkmals oder unter Verwendung eines eines eine Mehrzahl normierter Merkmale umfassenden Merkmalsvektors. 10. Maschinensystem (100) mit einer Maschine (110) und einem Überwachungssystem (120) gemäß Anspruch 9. 11. Computerprogramm mit Programmcode zur Durchführung des Verfahrens gemäß einem der Ansprüche 1 bis 9, wenn das Computerprogramm auf einem
Überwachungssystem, einem Steuergerät oder einer Datenverarbeitungsanlage ausgeführt wird.
PCT/EP2012/004291 2011-11-08 2012-10-13 Verfahren zur überwachung eines zustands einer maschine und überwachungssystem WO2013068070A2 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102011117974A DE102011117974A1 (de) 2011-11-08 2011-11-08 Verfahren zur Überwachung eines Zustands einer Maschine und Überwachungssystem
DE102011117974.0 2011-11-08

Publications (2)

Publication Number Publication Date
WO2013068070A2 true WO2013068070A2 (de) 2013-05-16
WO2013068070A3 WO2013068070A3 (de) 2013-07-25

Family

ID=47040644

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2012/004291 WO2013068070A2 (de) 2011-11-08 2012-10-13 Verfahren zur überwachung eines zustands einer maschine und überwachungssystem

Country Status (2)

Country Link
DE (1) DE102011117974A1 (de)
WO (1) WO2013068070A2 (de)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3045170B1 (fr) * 2015-12-09 2018-01-26 Centre National D'etudes Spatiales (Cnes) Procede de detection d'un comportement atypique de parametres de telemesure, produit programme d'ordinateur et dispositif associes
WO2020216452A1 (de) * 2019-04-26 2020-10-29 Siemens Aktiengesellschaft Zustandsanalyse einer anlage
EP3822723A1 (de) * 2019-11-12 2021-05-19 Siemens Aktiengesellschaft Verfahren zum überwachen des zustandes wenigstens einer im betrieb bevorzugt bewegten komponente einer fertigungsanlage, verfahren zum anlernen, anordnung, fertigungsanlage, computerprogramm und computerlesbares medium

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2169497A1 (de) 2008-09-30 2010-03-31 Rockwell Automation Technologies, Inc. Normalisierungssystem und -verfahren für dynamische Zustandsüberwachungsparameter von Vibrationen

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7031880B1 (en) * 2004-05-07 2006-04-18 Johnson Controls Technology Company Method and apparatus for assessing performance of an environmental control system
WO2007008940A2 (en) * 2005-07-11 2007-01-18 Brooks Automation, Inc. Intelligent condition-monitoring and dault diagnostic system
FR2900746B1 (fr) * 2006-05-05 2009-11-20 Eurocopter France Procede et dispositif de diagnostic d'un mecanisme.

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2169497A1 (de) 2008-09-30 2010-03-31 Rockwell Automation Technologies, Inc. Normalisierungssystem und -verfahren für dynamische Zustandsüberwachungsparameter von Vibrationen

Also Published As

Publication number Publication date
DE102011117974A1 (de) 2013-05-08
WO2013068070A3 (de) 2013-07-25

Similar Documents

Publication Publication Date Title
DE102017011290A1 (de) Vorrichtung für maschinelles Lernen, CNC-Vorrichtung und maschinelles Lernverfahren zum Erkennen eines Anzeichens eines Auftretens von Rattern im Werkzeug einer Werkzeugmaschine
EP2172820A1 (de) Verfahren und System zur automatisierten Analyse von Prozessdaten
DE102018203280A1 (de) Zustandsdiagnosevorrichtung
DE102019125587A1 (de) Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
DE102016216945A1 (de) Verfahren und Vorrichtung zum Ausführen einer Funktion basierend auf einem Modellwert eines datenbasierten Funktionsmodells basierend auf einer Modellgültigkeitsangabe
DE112014003591T5 (de) Detektionseinheit, Detektionsverfahren und Programm
EP3736758A1 (de) Verfahren zur schadenserfassung bei einem kraftfahrzeug
DE102019200675A1 (de) Fehlerort-Spezifizierungsvorrichtung, Fehlerort-Spezifizierungsverfahren und Fehlerort-Spezifizierungsprogramm
WO2013068070A2 (de) Verfahren zur überwachung eines zustands einer maschine und überwachungssystem
DE102013224698A1 (de) Verfahren und Vorrichtung zum Ermitteln eines datenbasierten Funktionsmodells
DE102018205561A1 (de) Vorrichtung zur Klassifizierung von Signalen
DE112019006835T5 (de) Anomalieerfassungsvorrichtung
DE102014225039A1 (de) Verfahren und Vorrichtung zum Bereitstellen von spärlichen Gauß-Prozess-Modellen zur Berechnung in einem Motorsteuergerät
DE112019007232T5 (de) Zustandsschätzvorrichtung und zustandsschätzverfahren
DE102019109258A1 (de) Wellenformanzeigevorrichtung
DE102009023475A1 (de) Verfahren und Vorrichtung zur Generierung eines variablen Bewegungsprofils für eine Antriebseinheit einer Maschine
DE102014117857A1 (de) Verfahren und System zur Kontrolle des Drucks eines Reifens
DE102019103257A1 (de) Vorhersagesystem und -verfahren für anlagenanomalien
EP3942372B1 (de) Verfahren zur validierung von systemparametern eines energiesystems, verfahren zum betrieb eines energiesystems sowie energiemanagementsystem für ein energiesystem
EP3811170B1 (de) Bestimmen von zuständen einer vorrichtung mittels support-vektor-maschinen
EP3710207B1 (de) Qualitätssicherung eines prozesses
DE112021001654T5 (de) Anomaliebestimmungsvorrichtung
DE102015218168A1 (de) Zuordnung einer Spinspezies zu einem Kombinationsbild
DE102019207580A1 (de) Verfahren zum Betreiben eines tiefen Neuronalen Netzes
EP2991035A1 (de) Verfahren und vorrichtung zur darstellung von pathologischen veränderungen in einem untersuchungsobjekt basierend auf 3d-datensätzen

Legal Events

Date Code Title Description
122 Ep: pct application non-entry in european phase

Ref document number: 12773230

Country of ref document: EP

Kind code of ref document: A2