WO2017167656A1 - Verfahren zur fernüberwachung einer industriellen anlage - Google Patents

Verfahren zur fernüberwachung einer industriellen anlage Download PDF

Info

Publication number
WO2017167656A1
WO2017167656A1 PCT/EP2017/057060 EP2017057060W WO2017167656A1 WO 2017167656 A1 WO2017167656 A1 WO 2017167656A1 EP 2017057060 W EP2017057060 W EP 2017057060W WO 2017167656 A1 WO2017167656 A1 WO 2017167656A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
fingerprint
learning algorithms
machine learning
combined
Prior art date
Application number
PCT/EP2017/057060
Other languages
English (en)
French (fr)
Inventor
Felix Flemming
Rudolf Muench
Nieto Diaz JOSE MANUEL
Original Assignee
Voith Patent 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 Voith Patent Gmbh filed Critical Voith Patent Gmbh
Publication of WO2017167656A1 publication Critical patent/WO2017167656A1/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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31437—Monitoring, global and local alarms
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34465—Safety, control of correct operation, abnormal states
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37337—Noise, acoustic emission, sound
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40162—Sound display of machining operation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the present invention relates to a method for remote monitoring of an industrial plant, such as e.g. a manufacturing plant, a hydroelectric power plant or a paper machine.
  • an industrial plant such as e.g. a manufacturing plant, a hydroelectric power plant or a paper machine.
  • a goal of remote monitoring of industrial equipment is the automatic detection of malfunctions or events requiring maintenance and the automatic generation of maintenance requests in response to such events, i. without on-site maintenance personnel.
  • monitoring systems are used for this purpose, which comprise a large number of sensors for acquiring parameters which appear to be able to reliably identify a maintenance-requiring event.
  • the inventors have been guided by the following thoughts.
  • Well-trained maintenance personnel can often detect events requiring maintenance early, i. even before an actual error occurs.
  • the perception of unfamiliar states or the indefinite impression of "something different than usual” leads to this diagnosis: the trained staff uses the eyes, the hearing or the sense of smell for this purpose, so that unusual noises may be perceived or a certain one
  • the sensors of the monitoring system are usually very specific to certain characteristics of the technical equipment of the plant, ie the sensors are aimed at expected defects, while the senses of the maintenance personnel are unspecific oriented to the overall impression.
  • Non-specific data refers to data captured by sensors that are not geared to a particular local characteristic of the system, but integrally capture a larger section of the industrial plant. These can be, for example, microphones that record all sounds in the workshop. Or it may be imaging sensors, such as cameras that record a larger section of the monitored system. Or it could be gas analyzers that are sensitive to a wide range of chemical substances in the atmosphere of the plant being monitored.
  • a special kind of unspecific data can be generated if a part or even all available sensors or the parameters of the system measured or calculated therefrom are, so to speak, connected together so as to form a combined or total signal of the complete sensor system for the detection of events requiring maintenance.
  • the "interconnection" of the sensors is preferably carried out by software by generating a data vector, which includes all sensor values or key figures to be combined in a time span, for example acoustic signals recorded in the powerhouse of a hydroelectric power plant could be "interconnected" with the performance characteristics thereof.
  • a conspicuous state of the hydropower station could then be that the measured power does not correspond to the acoustic noise level or noise spectrum. This could indicate that the efficiency of the hydropower plant has deteriorated. In this way non-specific data can be evaluated in combination with certain parameters of the system.
  • the collection of the non-specific or combined data used may be continuous or within fixed non-contiguous time intervals.
  • the data can be stored locally or in a data cloud.
  • the method according to the invention is further distinguished by the fact that machine learning algorithms, eg neural networks or classification methods, are used to detect an event requiring maintenance.
  • the collected and possibly combined unspecific data and parameters are matched by these algorithms with previous data acquisitions, ie the system checks whether the currently recorded data correspond to a typical state of the system.
  • the typical states of the system over a certain period of time are recorded as a so-called fingerprint of the system and learned by the system.
  • the fingerprint is based on the actual values (current data) and optionally on the Statistical characteristics of the data, such as minimum value, maximum value, standard deviation in a specific time window. Of course, further statistical evaluations can be included in the fingerprint.
  • the system triggers an alarm on the basis of which suitable maintenance measures can be taken.
  • Trends can also be monitored in this process: for example, if the distance to the fingerprint increases slowly over time, this can be taken as an indication that an alarm is likely to occur soon. The alarm can thus be predicted so to speak and the appropriate maintenance measures can be planned earlier.
  • the type of deviation from the fingerprint can be compared with previously known knowledge of the system functions and possible faults. This makes the alarms more meaningful.
  • previously known patterns such as e.g. Natural frequencies of components or characteristic noises, e.g. Frictional noises can be deposited in advance as a reference.
  • Another aspect of the method according to the invention is that after the successful recognition of an event requiring maintenance, the associated sensor data is learned by the algorithm as an error pattern. Thus, the system may later recognize similar conditions as problematic.
  • the required maintenance measures can be stored, so that in the future the system can propose these as suitable measures to the maintenance personnel or initiate them automatically.
  • the learned error conditions can be combined with the above-mentioned knowledge to achieve the effect mentioned, ie to make the alarms more meaningful.
  • the comparison of the recorded data with previous data acquisitions may be preceded by a data preparation step.
  • a processing step may be, for example, to transfer an acoustic or pictorial signal in the spectral space.
  • Other known data preparation steps may also be used, eg, to achieve data compression or anonymization (in the case of acoustic recording, preventing possible interception of calls), or to assist in subsequent reconciliation. Examples are scaling, normalization, determination of statistical parameters, transformations.
  • FIG. 2 Method according to the invention in a second
  • FIG. 3 Method according to the invention in a third
  • FIG. 1 shows the sequence of a method according to the invention in a first embodiment.
  • the collection of unspecific data is denoted by VI.
  • the comparison of the acquired data with the fingerprint of the system to be monitored by machine learning algorithms is designated by V2. If in V2 a significant difference between the currently collected nonspecific data and the fingerprint of the system is detected, an alarm is triggered. This step is labeled V3.
  • FIG. 2 shows the sequence of a method according to the invention in a second embodiment.
  • the designation follows the designations of FIG. 1.
  • a further step has been added, in which the nonspecific data acquired are combined with currently recorded parameters of the monitored installation (V2a).
  • the adjustment then takes place on the basis of the combined data (V2b).
  • FIG. 3 shows the sequence of a method according to the invention in a third embodiment.
  • the designation follows the designations of Figure 1.
  • a further step is added in which the triggering state is learned by the machine learning algorithms as an error state (V4) to be recognized in the detection of similar states.
  • V4 error state
  • FIG. 4 shows the sequence of a method according to the invention in a fourth embodiment.
  • the designation follows the designations of FIG. 3.
  • a further step is added, in which for each error state learned by the machine learning algorithms suitable maintenance measures are assigned, which are proposed to the maintenance personnel or automatically triggered by the monitoring system in the case of similar detected states (V5).

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Verfahren zur Fernüberwachung einer industriellen Anlage, umfassend: Erfassen von unspezifischen Daten; Abgleich der erfassten unspezifischen Daten mit dem Fingerabdruck der Anlage mittels maschinellen Lernalgorithmen; Falls sich ein signifikanter Unterschied zwischen den aktuell erfassten unspezifischen Daten und dem Fingerabdruck der Anlage ergibt: Auslösen eines Alarms.

Description

Verfahren zur Fernüberwachung einer industriellen Anlage
Die vorliegende Erfindung betrifft ein Verfahren zur Fernüberwachung einer industriellen Anlage, wie z.B. eine Fertigungsstätte, ein Wasserkraftwerk oder eine Papiermaschine.
Verfahren zur Fernüberwachung von industriellen Anlagen sind aus dem allgemeinen Stand der Technik bekannt. Hierzu wird auf die EP 2 536 104 AI oder die DE 11 2005 003 084 T5 verwiesen.
Ein Ziel der Fernüberwachung von industriellen Anlagen ist das automatische Erkennen von Fehlfunktionen bzw. von wartungsbedürftigen Ereignissen und die automatische Erzeugung von Wartungsanforderungen in Reaktion auf solche Ereignisse, d.h. ohne dass Wartungspersonal vor Ort ist. In der Regel werden zu diesem Zweck Monitoring-Systeme eingesetzt, die eine Vielzahl von Sensoren zur Erfassung von Kenngrößen umfassen, welche geeignet erscheinen ein wartungsbedürftiges Ereignis zuverlässig zu identifizieren.
In der Praxis kann man sich jedoch nicht hundertprozentig auf die zuverlässige automatische Erkennung dieser Ereignisse verlassen, so dass wenigstens zeitweise die Anwesenheit von Wartungspersonal in einer industriellen Anlage notwendig erscheint, z.B. in der Form von periodischen Inspektionsrundgängen durch entsprechend geschulte Personen. Die Erfinder haben sich die Aufgabe gestellt, die bekannten Verfahren dergestalt zu verbessern, dass zuverlässiger wartungsbedürftige Ereignisse erkannt werden können. Dadurch kann der Personalaufwand in industriellen Anlagen weiter reduziert werden. Erfindungsgemäß wird diese Aufgabe durch ein Verfahren zur Fernüberwachung einer industriellen Anlage mit den Merkmalen des unabhängigen Anspruchs 1 gelöst. Weitere vorteilhafte Ausgestaltungen des erfindungsgemäßen Verfahrens ergeben sich aus den abhängigen Unteransprüchen.
Die Erfinder haben sich hierzu von folgenden Gedanken leiten lassen. Gut geschultes Wartungspersonal kann wartungsbedürftige Ereignisse oft frühzeitig erkennen, d.h. schon bevor ein tatsächlicher Fehlerfall vorliegt. Oftmals führt die Wahrnehmung von ungewohnten Zuständen bzw. der unbestimmte Eindruck „irgendwas ist anders als sonst" zu dieser Diagnose. Das geschulte Personal verwendet hierzu die Augen, das Gehör oder den Geruchssinn. So kann es sein, dass ungewohnte Geräusche wahrgenommen werden oder ein bestimmter Geruch die Aufmerksamkeit erregt. Dagegen ist die Sensorik des Monitoring-Systems meist sehr spezifisch auf bestimmte Kenngrößen der technischen Ausrüstung der Anlage gerichtet. D.h. die Sensorik ist auf erwartete Fehler gerichtet, während die Sinne des Wartungspersonals unspezifisch auf den Gesamteindruck ausgerichtet sind.
Die erfindungsgemäße Lösung besteht darin, dass zur Erkennung von wartungsbedürftigen Ereignissen, unspezifische Daten verwendet werden. Unter unspezifischen Daten werden Daten verstanden, die von Sensoren erfasst werden, die nicht auf eine bestimmte lokale Kenngröße der Anlage ausgerichtet sind, sondern integral einen größeren Ausschnitt der industriellen Anlage erfassen. Dabei kann es sich z.B. um Mikrofone handeln, die alle Geräusche in der Werkshalle aufzeichnen. Oder es kann sich um bildgebende Sensoren handeln, wie z.B. Kameras die einen größeren Ausschnitt der zu überwachenden Anlage aufzeichnen. Oder es könnte sich um Gasanalysegeräte handeln, die auf eine große Bandbreite von chemischen Substanzen in der Atmosphäre der zu überwachenden Anlage sensibel reagieren. Eine spezielle Art von unspezifischen Daten kann erzeugt werden, wenn ein Teil oder auch alle verfügbaren Sensoren bzw. die damit gemessenen oder daraus berechneten Kenngrößen der Anlage sozusagen zusammen geschalten werden, um so ein Kombinations- bzw. Gesamtsignal der kompletten Sensorik für das Erkennen von wartungsbedürftigen Ereignissen zu bilden. Das „Zusammenschalten" der Sensoren erfolgt dabei vorzugsweise per Software durch das Erzeugen eines Datenvektors, der alle in einem Zeitraum erfassten zu kombinierenden Sensorwerte bzw. Kennzahlen umfasst. So könnten z.B. akustische Signale aufgenommen im Krafthaus eines Wasserkraftwerks mit den Leistungskennzahlen desselben„zusammengeschaltet" werden. Ein auffälliger Zustand des Wasserkraftwerks könnte dann darin bestehen, dass die gemessene Leistung nicht dem akustischen Geräuschpegel bzw. Geräuschspektrum entspricht. Das könnte darauf hindeuten, dass sich der Wirkungsgrad des Wasserkraftwerks verschlechtert hat. Auf diese Weise können unspezifische Daten mit bestimmten Kenngrößen der Anlage kombiniert ausgewertet werden.
Die Erfassung der verwendeten unspezifischen bzw. kombinierten Daten kann kontinuierlich oder innerhalb festgelegten nicht zusammenhängenden Zeitintervallen erfolgen. Die Daten können lokal oder auch in einer Datencloud gespeichert werden.
Das erfindungsgemäße Verfahren zeichnet sich ferner dadurch aus, dass zum Erkennen eines wartungsbedürftigen Ereignisses maschinelle Lernalgorithmen, z.B. neuronale Netzwerke oder Klassifikationsverfahren verwendet werden. Die gesammelten und ggf. kombinierten unspezifischen Daten und Kenngrößen werden durch diese Algorithmen mit bisherigen Datenerfassungen abgeglichen, d.h. das System überprüft, ob die aktuell aufgezeichneten Daten einem typischen Zustand der Anlage entsprechen. Dazu wird der bzw. werden die typischen Zustände der Anlage über einem gewissen Zeitraum als sogenannter Fingerabdruck der Anlage erfasst und vom System gelernt. Der Fingerabdruck basiert auf den Ist-Werten (aktuelle Daten) und optional zusätzlich auf den statistischen Kenngrößen der Daten, wie z.B. Minimal-Wert, Maximal-Wert, Standardabweichung in einem bestimmten Zeitfenster. Natürlich können auch weitere statistische Auswertungen in den Fingerabdruck einfließen. Werden durch den Algorithmus signifikante Abweichungen festgestellt, so löst das System einen Alarm aus, auf dessen Basis geeignete Wartungsmaßnahmen ergriffen werden können. Bei diesem Vorgang können auch Trends überwacht werden: Z.B. wenn sich der Abstand zum Fingerabdruck mit der Zeit langsam vergrößert, dann kann das als Hinweis verstanden werden, dass ein Alarm vermutlich bald auftreten wird. Der Alarm kann damit sozusagen vorhergesagt werden und die geeigneten Wartungsmaßnahmen können früher geplant werden.
Optional kann die Art der Abweichung vom Fingerabdruck verglichen werden mit vorabbekanntem Wissen über die Anlagenfunktionen und die möglichen Störungen. Damit lassen sich die Alarme aussagekräftiger gestalten. Beispielsweise können vorabbekannte Muster, wie z.B. Eigenfrequenzen von Bauteilen oder charakteristische Geräusche wie z.B. Reib-Geräusche vorab als Referenz hinterlegt sein.
Ein weiterer Aspekt des erfindungsgemäßen Verfahrens besteht darin, dass nach der erfolgreichen Erkennung eines wartungsbedürftigen Ereignisses, die zugehörigen Sensordaten vom Algorithmus als Fehlermuster gelernt werden. So kann das System später ähnliche Zustände als problematisch erkennen. Zusätzlich können die benötigen Wartungsmaßnahmen hinterlegt werden, so dass das System in Zukunft diese als geeignete Maßnahmen dem Wartungspersonal vorschlagen bzw. automatisch selbst einleiten kann. Auch die gelernten Fehlerzustände können mit dem erwähnten vorabbekanntem Wissen kombiniert werden, um den genannten Effekt zu erzielen, d.h. die Alarme aussagekräftiger zu gestalten. Dem Abgleich der aufgenommenen Daten mit bisherigen Datenerfassungen kann eine Datenaufbereitungsschritt vorangehen. Ein solcher Aufbereitungsschritt kann z.B. darin bestehen, ein akustisches oder bildhaftes Signal in den spektralen Raum zu überführen. Es können auch andere bekannte Datenaufbereitungsschritte verwendet werden, z.B. um eine Datenkomprimierung oder die Anonymisierung (im Falle von akustischen Aufzeichnung die Verhinderung des möglichen Abhörens von Gesprächen) zu erreichen, oder um den nachfolgenden Abgleich zu unterstützen. Beispiele wären: Skalierungen, Normierungen, Bestimmung von statistischen Kenngrößen, Transformationen.
Die erfindungsgemäße Lösung wird nachfolgend anhand von Figuren erläutert. Darin ist im Einzelnen folgendes dargestellt:
Figur 1 Erfindungsgemäßes Verfahren in einer ersten
Ausführungsform;
Figur 2 Erfindungsgemäßes Verfahren in einer zweiten
Ausführungsform;
Figur 3 Erfindungsgemäßes Verfahren in einer dritten
Ausführungsform;
Figur 4 Erfindungsgemäßes Verfahren in einer vierten
Ausführungsform.
Figur 1 zeigt die Abfolge eines erfindungsgemäßen Verfahrens in einer ersten Ausführungsform. Das Erfassen von unspezifischen Daten ist mit VI bezeichnet. Der Abgleich der erfassten Daten mit dem Fingerprint der zu überwachenden Anlage durch maschinelle Lernalgorithmen ist mit V2 bezeichnet. Falls in V2 ein signifikanter Unterschied zwischen den aktuell erfassten unspezifischen Daten und dem Fingerprint der Anlage festgestellt wird, wird ein Alarm ausgelöst. Dieser Schritt ist mit V3 bezeichnet.
Figur 2 zeigt die Abfolge eines erfindungsgemäßen Verfahrens in einer zweiten Ausführungsform. Die Bezeichnung folgt den Bezeichnungen aus Figur 1. Dabei ist jedoch ein weiterer Schritt hinzugefügt, in welchem die erfassten unspezifischen Daten mit aktuell erfassten Kenngrößen der überwachten Anlage kombiniert werden (V2a). Der Abgleich erfolgt dann auf der Basis der kombinierten Daten (V2b).
Figur 3 zeigt die Abfolge eines erfindungsgemäßen Verfahrens in einer dritten Ausführungsform. Die Bezeichnung folgt den Bezeichnungen aus Figur 1. Dabei ist jedoch ein weiterer Schritt hinzugefügt, in welchem der auslösende Zustand von den maschinellen Lernalgorithmen als Fehlerzustand gelernt wird (V4), um bei der Detektion von ähnlichen Zuständen wiedererkannt zu werden.
Figur 4 zeigt die Abfolge eines erfindungsgemäßen Verfahrens in einer vierten Ausführungsform. Die Bezeichnung folgt den Bezeichnungen aus Figur 3. Dabei ist jedoch ein weiterer Schritt hinzugefügt, in welchem für jeden von den maschinellen Lernalgorithmen gelernten Fehlerzustand geeignete Wartungsmaßnahmen zugeordnet werden, welche bei ähnlichen detektierten Zuständen dem Wartungspersonal vorgeschlagen oder vom Überwachungssystem automatisch ausgelöst werden (V5).

Claims

Patentansprüche
1. Verfahren zur Fernüberwachung einer industriellen Anlage, umfassend:
Erfassen von unspezifischen Daten (VI);
Abgleich der erfassten unspezifischen Daten mit dem Fingerabdruck der Anlage mittels maschinellen Lernalgorithmen (V2);
Falls sich ein signifikanter Unterschied zwischen den aktuell erfassten unspezifischen Daten und dem Fingerabdruck der Anlage ergibt: Auslösen eines Alarms (V3).
2. Verfahren nach Anspruch 1, wobei die erfassten unspezifischen Daten vor dem Abgleich aufbereitet werden.
3. Verfahren nach einem der Ansprüche 1 oder 2, wobei die erfassten
unspezifischen Daten vor dem Abgleich mit aktuell erfassten Kenngrößen der überwachten Anlage kombiniert werden (V2a), und der Abgleich auf der Basis der kombinierten Daten erfolgt (V2b).
4. Verfahren nach einem der Ansprüche 1 bis 3, wobei nach dem erfolgtem Auslösen eines Alarms (V3), der auslösende Zustand von den maschinellen Lernalgorithmen als Fehlerzustand gelernt wird (V4), um bei der Detektion von ähnlichen Zuständen wiedererkannt zu werden.
5. Verfahren nach Anspruch 4, wobei für jeden von den maschinellen
Lernalgorithmen gelernten Fehlerzustand (V4) geeignete
Wartungsmaßnahmen zugeordnet werden, welche bei ähnlichen
detektierten Zuständen dem Wartungspersonal vorgeschlagen oder vom Überwachungssystem automatisch ausgelöst werden (V5). Verfahren nach Anspruch 4 oder 5, wobei das Wissen aus den gelernten Fehlerzuständen mit vorabbekanntem Wissen kombiniert wird, um damit die Alarme aussagekräftiger zu gestalten.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Auftreten von Alarmen vorhergesagt wird, indem der Trend der Abweichung vom Fingerabdruck ausgewertet wird.
PCT/EP2017/057060 2016-03-29 2017-03-24 Verfahren zur fernüberwachung einer industriellen anlage WO2017167656A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102016205076 2016-03-29
DE102016205076.1 2016-03-29

Publications (1)

Publication Number Publication Date
WO2017167656A1 true WO2017167656A1 (de) 2017-10-05

Family

ID=58461284

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2017/057060 WO2017167656A1 (de) 2016-03-29 2017-03-24 Verfahren zur fernüberwachung einer industriellen anlage

Country Status (1)

Country Link
WO (1) WO2017167656A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3816742A1 (de) * 2019-11-01 2021-05-05 Siemens Energy Global GmbH & Co. KG Elektrische anlage mit akustischer überwachungseinrichtung

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10253564A1 (de) * 2002-11-15 2004-05-27 Embigence Gmbh Verfahren zur Erkennung und Überwachung von Betriebszuständen eines Maschinenprozesses mit Geräuschdaten
DE112005003084T5 (de) 2004-12-17 2007-10-31 General Electric Co. Automatisiertes Wartungsverfahren und -system zur Fernüberwachung und -diagnose
US20120304007A1 (en) * 2011-05-23 2012-11-29 Hanks Carl J Methods and systems for use in identifying abnormal behavior in a control system
EP2536104A1 (de) 2011-06-14 2012-12-19 Siemens Aktiengesellschaft Fernsteuerung einer technischen Anlage
US20130073228A1 (en) * 2011-06-23 2013-03-21 Virtjoule, Inc. System Responsive to Machine Vibrations and Method of Use
WO2014127803A1 (en) * 2013-02-19 2014-08-28 Abb Technology Ltd Health determination of process control objects using audio
US20140298099A1 (en) * 2010-12-31 2014-10-02 Institute Of Automation, Chinese Academy Of Sciences Intelligent detection system and method for detecting device fault
EP2926947A1 (de) * 2014-03-17 2015-10-07 DMG Mori Seiki Co. Ltd. Werkzeugmaschine, Verfahren zur Steuerung einer Werkzeugmaschine und Programm zur Steuerung von Werkzeugmaschinen

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10253564A1 (de) * 2002-11-15 2004-05-27 Embigence Gmbh Verfahren zur Erkennung und Überwachung von Betriebszuständen eines Maschinenprozesses mit Geräuschdaten
DE112005003084T5 (de) 2004-12-17 2007-10-31 General Electric Co. Automatisiertes Wartungsverfahren und -system zur Fernüberwachung und -diagnose
US20140298099A1 (en) * 2010-12-31 2014-10-02 Institute Of Automation, Chinese Academy Of Sciences Intelligent detection system and method for detecting device fault
US20120304007A1 (en) * 2011-05-23 2012-11-29 Hanks Carl J Methods and systems for use in identifying abnormal behavior in a control system
EP2536104A1 (de) 2011-06-14 2012-12-19 Siemens Aktiengesellschaft Fernsteuerung einer technischen Anlage
US20130073228A1 (en) * 2011-06-23 2013-03-21 Virtjoule, Inc. System Responsive to Machine Vibrations and Method of Use
WO2014127803A1 (en) * 2013-02-19 2014-08-28 Abb Technology Ltd Health determination of process control objects using audio
EP2926947A1 (de) * 2014-03-17 2015-10-07 DMG Mori Seiki Co. Ltd. Werkzeugmaschine, Verfahren zur Steuerung einer Werkzeugmaschine und Programm zur Steuerung von Werkzeugmaschinen

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3816742A1 (de) * 2019-11-01 2021-05-05 Siemens Energy Global GmbH & Co. KG Elektrische anlage mit akustischer überwachungseinrichtung

Similar Documents

Publication Publication Date Title
EP0986912B1 (de) Verfahren zum überwachen eines vorgegebenen überwachungsbereiches
EP2730906B1 (de) Vorrichtung und Verfahren zur Zustandsüberwachung eines Wälzlagers
DE102017009471A1 (de) Humankollaboratives robotersystem mit verbesserter genauigkeit der erfassung einer äusseren kraft durch maschinelles lernen
EP3595997A1 (de) Verfahren und vorrichtung zum überwachen von betriebsparametern in einer personentransportanlage
DE102009034444A1 (de) Verfahren zur Überwachung einer Umgebung mit mehreren akustischen Sensoren
DE102008043954A1 (de) Sensornetzwerksystem, Übertragunsprotokoll, Verfahren zum Wiedererkennen eines Objekts sowie Computerprogramm
DE102014208034A1 (de) Verfahren zum Bereitstellen von zuverlässigen Sensordaten
DE112017003313T5 (de) Online-Fehlerdetektionsvorrichtung installiert in einem Schienenfahrzeug und verwendet für eine Hochgeschwindigkeitsbahn-Betriebskomponente
DE4207728A1 (de) Verfahren zur qualitaetspruefung von pruefobjekten
DE102014207784A1 (de) Verfahren zur Symptomerkennung von Fehlfunktionen eines Elektrowerkzeugs
WO2017167656A1 (de) Verfahren zur fernüberwachung einer industriellen anlage
DE112019007899T5 (de) System und Methode für die Vorhersage von Gerätefehler mittels akustischer Signale im Ultraschallfrequenzband
EP3734176B1 (de) Vorrichtung zur betriebsüberwachung eines ventilators
DE112021005667T5 (de) Verfahren und Einrichtung zum Erkennen von Anomalien in einer mechanischen Einrichtung oder einem mechanischen Bauteil
EP4042126A1 (de) Messsystem zur überwachung eines leitungssystems und verfahren zu dessen betrieb
EP3493171A1 (de) Detektion von aggressivem verhalten in öffentlichen transportmitteln
WO2020156686A1 (de) Verfahren, tragbares gerät und system zum auswerten von vektordaten
DE102008019438A1 (de) Verfahren zur Überwachung von Bewegungsaktivitäten eines Probanden
EP3021954B1 (de) Detektion eines reinigungsvorganges einer anlage mit örtlich von einander versetzt angeordneten filtern
DE202015005578U1 (de) Vorrichtung zur Detektion ungewöhnlichen Geräusches für eine Hochdruck-Brennstoffpumpe eines Fahrzeugmotors
DE102019203900A1 (de) Verfahren zum Überwachen eines technischen Geräts
DE10006313B4 (de) Anlagenüberwachungssystem
AT502913B1 (de) Verfahren zur diagnose und klassifikation von fehlern einer brennkraftmaschine
DE102009058797A1 (de) Verfahren zum Ausführen einer Infraschall-Einbruchsdetektion
DE202019102413U1 (de) Vorrichtung zur Betriebsüberwachung eines Ventilators

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

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

Ref document number: 17714672

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 17714672

Country of ref document: EP

Kind code of ref document: A1