WO2020002021A1 - Verfahren und system zur diagnose eines maschinenprozesses - Google Patents
Verfahren und system zur diagnose eines maschinenprozesses Download PDFInfo
- Publication number
- WO2020002021A1 WO2020002021A1 PCT/EP2019/065845 EP2019065845W WO2020002021A1 WO 2020002021 A1 WO2020002021 A1 WO 2020002021A1 EP 2019065845 W EP2019065845 W EP 2019065845W WO 2020002021 A1 WO2020002021 A1 WO 2020002021A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- input data
- machine
- machine process
- state
- fictitious
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33296—ANN for diagnostic, monitoring
Definitions
- the present invention relates to a method and system for classifying input data of a machine process, a method and system for diagnosing a machine process using such a classification, and a
- the classification of input data of a machine process can improve a diagnosis of the process, for example the robot, in particular its monitoring, quality assurance and / or predictive maintenance (“predictive maintanance”).
- DE 44 47 288 A1 discloses a machine fault diagnosis system and method in which machine states are diagnosed using a neural network.
- the object of the present invention is to improve a classification of input data of a machine process, in particular a diagnosis of a machine process.
- Machine process in particular at least one machine, in an embodiment of at least one robot, the steps on:
- Classification of diagnostic input data improved, in particular faster, more reliable and / or more precise.
- Classification method can be improved, in particular the classification method trained on the basis of these additionally generated fictional input data classify diagnostic input data faster, more reliably and / or more precisely.
- one embodiment can be used to train one
- Classification procedure based on recorded input data for an error-free first state and the additional fictitious input data for a second faulty state can be improved.
- the first state is an error-free or good or i (n) 0 (rdnung) state of the (respective) machine process, in particular one or more of its components, in particular machines, and the second
- a machine process in the sense of the present invention can have one, in one version industrial, work process one or more
- Machines in particular robots, include, in particular be such.
- Input data (acquired) first input data, (to be classified or
- diagnostic input data and / or second input data mentioned below, operating parameters (values) of one or more machines, in particular one or more robots.
- these operating parameters can include vibration data,
- machine processes in particular states, can be assessed and / or predicted in a particularly advantageous manner, in particular quickly (er), reliably (er) and / or precisely (r).
- Classification method is trained or has been trained, these diagnostic input data can be evaluated and / or predicted particularly advantageously in one embodiment, in particular quickly (er), reliably (er) and / or precisely (r).
- Machine process can be classified using a trained classification process, which in turn, however, with the first input data of another
- Machine process and fictitious input data which have been or have been generated on the basis of first input data of the other machine process, can also be diagnostic input data of
- Training purposes difficult (er) or not available at all and / or qualitatively and / or quantitatively bad (er), for example noisy (er) and / or only in small (er) number.
- the classification method can have, in particular, a classification method or a classifier of machine learning, in particular of supervised learning. In one version, it maps (diagnostic) input data to output data or classes or assigns (diagnostic) input data to output data or classes, whereby the
- mapping or assignment in an embodiment based on (diagnostic input data and output data or classes specified for this purpose is adapted or trained in order to achieve the best possible match between the
- the fictitious input data are generated using a network with generating opposing subnetworks ("Generative Adversarial Network", GAN).
- GAN Geneative Adversarial Network
- GANs are described, for example, in Goodfellow, Yoshua Bengio, et al .: Deep Learning (Adaptive Computation and Machine Learning), MIT Press, Cambridge (USA), 2016. ISBN 978-0262035613.
- the two artificial neural subnetworks perform a zero-sum game, with a subnetwork or generator following candidates a generative model and the other neural subnetwork or a discriminator evaluates the candidates according to a discriminatory model and the one subnetwork or the generator tries to get the other neural subnetwork or the discriminator to give a bad answer or to give realistic values generate while the other neural subnetwork or the discriminator learns to avoid results defined as “bad” or
- conditional GAN a so-called conditional GAN is used, in which the generator in one version initially uses a
- Data point from the original domain is conditioned so that it can finally make a style transfer.
- this network or GAN may be any network or GAN.
- the first machine process which has the first state, and / or
- Machine process in particular at least one third machine, which has the first state, and / or acquired second input data of this further machine process, in particular at least one third machine, which has the second state.
- the classification method is used in one embodiment
- the first machine process which has the first state, and / or
- Machine process in particular at least one third machine, which has the first state, and / or recorded second input data thereof further machine process, in particular at least one third machine, which has the second state.
- the network with generating opposing subnetworks or GAN and the classification process with input data of the same machine process are trained.
- (diagnostic) input data of that machine process are classified with the help of the classification method, with the data of which the classification method and / or the network or GAN was or was trained.
- fictitious input data are generated in one embodiment on the basis of acquired first input data of the machine process, on the basis of which (from the acquired first input data) the network is or has been trained with generating opposing subnetworks or GAN.
- the network with generating opposing subnetworks or GAN or the classification method in one embodiment can be optimally addressed to the
- the network is trained with generating opposing subnetworks or GAN and the classification process with input data from various machine processes. Additionally or alternatively, in one embodiment (diagnostic) input data of a machine process is classified using a classification process, the classification process and / or the network or GAN being trained with input data of another machine process.
- fictitious input data are generated in one embodiment on the basis of acquired first input data, the network being trained or having been trained with generating opposing subnetworks or GAN with acquired first input data of another machine process.
- Training purposes difficult (er) or not available at all and / or qualitatively and / or quantitatively bad (er), for example noisy (er) and / or only in small (er) number.
- the (generated) fictitious input data are additionally (captured) second input data added or
- the database for the second state can be (further) improved and / or enlarged, thereby training the
- Classification method can be improved, in particular the classification method trained on the basis of these additional (acquired) second input data classify diagnostic input data faster, more reliably and / or more precisely.
- the network is trained with generating opposing subnetworks or GAN on the basis of acquired second input data.
- the training of the network or GAN can be improved, in particular the network or GAN trained on the basis of these additional (acquired) second input data can generate fictitious second input data faster, more reliably and / or more precisely.
- the number of first input data or examples with which the classification method is trained deviates by at most 50%, in particular at most 35%, in one embodiment at most 25%, in particular at most 10%, from the number of fictitious input data or Sum of the fictitious and the second input data with which the classification method is trained.
- the classification method can be trained particularly advantageously in one embodiment, in particular the classification method trained on the basis of these additionally generated fictitious input data, classify diagnostic input data faster, more reliably and / or more precisely.
- the first machine process, the second machine process and / or the further or third machine process, in particular one or more of its components, in particular machines is deliberately transferred from the first to the second state in order to acquire second input data which are in a Execution for training the classification process and / or the network with
- the database for the second state can be (further) improved and / or enlarged, thereby training the
- Classification method or network or GAN can be improved, in particular classifying the diagnostic input data classification method faster, more reliably and / or more precisely.
- Machine process can be particularly useful for diagnosing the
- Machine process can be used without the present invention being limited thereto. Rather, the classification in one embodiment can also be used to control the machine process, in particular one or more of its components, in particular machines, or also for other purposes.
- a method for diagnosing a machine process has the steps:
- a diagnosis or evaluation of a machine process can be done in one
- Execution include monitoring and / or a forecast (of a state and / or work result) of the machine process, in particular one or more of its components, in particular machines.
- One version is based on the diagnosis or the evaluated
- Machine process especially prospective, maintenance (s) or Maintenance (strategy) of the machine process, in particular one or more of its components, in particular machines, planned ("predictive
- Invention can represent. Additionally or alternatively, work results of the machine process based on the diagnosis or the evaluated machine process can be handled differently, for example
- Rejects can be sorted out or reworked
- a system in particular hardware and / or software, in particular program technology, is set up to carry out a method described here and / or has:
- Machine process in particular at least one first machine, in an embodiment of at least one first robot, the one or the second
- Machine process or this machine which has a first state, by means of machine learning
- system or its means have:
- Capture input data and or
- Machine process based on this classification.
- a means in the sense of the present invention can be designed in terms of hardware and / or software, in particular a data, or preferably a data, or signal-linked, preferably digital, processing, in particular microprocessor unit (CPU), graphics card (GPU) with a memory and / or bus system ) or the like, and / or have one or more programs or program modules.
- CPU microprocessor unit
- GPU graphics card
- Processing unit can be configured to execute commands as one in one
- a storage system can have one or more,
- the program can be designed such that it embodies or is capable of executing the methods described here, so that the processing unit executes the steps of such
- a computer program product can have, in particular non-volatile, storage medium for storing a program or with a program stored thereon, an execution of this program prompting a system or a controller, in particular a computer, to do so perform the method described here or one or more of its steps.
- the method is carried out completely or partially automatically, in particular by the system or its means.
- the system has the
- Fig. 1 a system for the classification of input data
- FIG. 2 shows a method for classifying operating parameters of the machine process or robot 1 according to an embodiment of the present invention.
- IO error-free or good state
- NOK faulty or bad state
- a second step S20 the network N generates fictitious operating parameters F of the robot 1 when the robot 1 or the second, faulty or
- the network emulates N operating parameters, such as those in the event of a faulty or bad state of the
- Robot 1 would be detected or pretends.
- a classification method K is trained in step S30.
- the acquired second operating parameters X 2 become the fictitious ones
- Operating parameters F are added and the classification method K is thus also trained with these detected second operating parameters X 2 .
- the robot 1 can be temporarily transferred to the second, faulty or bad state, for example by deliberately installing a defective gear or the like.
- Diagnostic operating parameters X D of the robot 1 are recorded in a step S40.
- the classification method K trained in step S30 classifies these diagnostic operating parameters X D.
- the robot 1 is monitored in a step S60 and a maintenance (maintenance) or maintenance (maintenance strategy) is planned prospectively.
- the network N with operating parameters X ! and X 2 of the robot 1 trains and then generates fictitious operating parameters F of this robot.
- the network N can also with
- the classification method K is trained with fictitious operating parameters F and operating parameters Xi and X 2 of the robot 1 and then classifies the diagnostic operating parameters X D thereof
- the network N can also be trained with fictitious and first or second operating parameters of another robot of the same or a different type (not shown) and then classify diagnostic operating parameters of the robot 1.
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Robotics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
Ein erfindungsgemäßes Verfahren zur Klassifikation von Eingangsdaten (XD) eines Maschinenprozesses, insbesondere einer Maschine (1), umfasst die Schritte: − Generieren (S20) von fiktiven Eingangsdaten (F) eines ersten Maschinenprozesses, der einen zweiten Zustand aufweist, auf Basis erfasster erster Eingangsdaten (X1) dieses Maschinenprozesses, der einen ersten Zustand aufweist, mittels maschinellem Lernen; − Trainieren (S30) eines Klassifikationsverfahrens (K) auf Basis der fiktiven und ersten Eingangsdaten; und − Klassifizieren (S50) von Diagnose-Eingangsdaten (XD) des ersten und/oder wenigstens eines zweiten Maschinenprozesses mithilfe des trainierten Klassifikationsverfahrens.
Description
Beschreibung
Verfahren und System zur Diagnose eines Maschinenprozesses
Die vorliegende Erfindung betrifft ein Verfahren und System zur Klassifikation von Eingangsdaten eines Maschinenprozesses, ein Verfahren und System zur Diagnose eines Maschinenprozesses mithilfe einer solchen Klassifikation sowie ein
Computerprogrammprodukt zur Durchführung eines hier beschriebenen Verfahrens.
Die Klassifikation von Eingangsdaten eines Maschinenprozesses, beispielsweise eines arbeitenden Roboters oder dergleichen, kann eine Diagnose des Prozesses, zum Beispiel des Roboters, insbesondere dessen Überwachung, Qualitätssicherung und/oder einer vorausschauenden Wartung („predictive maintanance“) verbessern.
So ist aus der DE 44 47 288 A1 ein Maschinenfehlerdiagnosesystem und -verfahren bekannt, bei dem Maschinenzustände mithilfe eines neuronalen Netzwerkes diagnostiziert werden.
Aufgabe der vorliegenden Erfindung ist es, eine Klassifikation von Eingangsdaten eines Maschinenprozesses, insbesondere eine Diagnose eines Maschinenprozesses, zu verbessern.
Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruchs 1 bzw. 6 gelöst. Ansprüche 8, 9 stellen ein System bzw. Computerprogrammprodukt zur Durchführung eines hier beschriebenen Verfahrens unter Schutz. Die Unteransprüche betreffen vorteilhafte Weiterbildungen.
Nach einer Ausführung der vorliegenden Erfindung weist ein Verfahren zur
Klassifikation von ein- oder mehrdimensionalen Eingangsdaten eines
Maschinenprozesses, insbesondere wenigstens einer Maschine, in einer Ausführung wenigstens eines Roboters, die Schritte auf:
- Generieren von fiktiven Eingangsdaten eines ersten Maschinenprozesses,
insbesondere wenigstens einer ersten Maschine, in einer Ausführung wenigstens eines ersten Roboters, der bzw. die einen zweiten Zustand aufweist, auf Basis
erfasster erster Eingangsdaten dieses Maschinenprozesses bzw. dieser Maschine, der bzw. die einen ersten Zustand aufweist, mittels maschinellem Lernen;
- Trainieren eines Klassifikationsverfahrens auf Basis der (generierten) fiktiven und (erfassten) ersten Eingangsdaten; und
- Klassifizieren von Diagnose-Eingangsdaten des ersten und/oder wenigstens eines, insbesondere typgleichen oder typunterschiedlichen, zweiten Maschinenprozesses, insbesondere der ersten und/oder wenigstens einer zweiten Maschine,
insbesondere gleichen oder unterschiedlichen Typs, in einer Ausführung des ersten und/oder wenigstens eines, insbesondere typgleichen oder
typunterschiedlichen, zweiten Roboters, mithilfe des trainierten
Klassifikationsverfahrens.
Durch ein trainiertes Klassifikationsverfahren kann in einer Ausführung das
Klassifizieren von Diagnose-Eingangsdaten verbessert, insbesondere schneller, zuverlässiger und/oder präziser durchgeführt werden.
Durch das Generieren von fiktiven, zusätzlichen Eingangsdaten für einen zweiten Zustand eines Maschinenprozesses kann wiederum das Trainieren des
Klassifikationsverfahrens verbessert werden, insbesondere das auf Basis dieser zusätzlich^ generierten fiktiven Eingangsdaten trainierte Klassifikationsverfahren Diagnose-Eingangsdaten schneller, zuverlässiger und/oder präziser klassifizieren.
Bei Maschinenprozessen stehen in der Regel viele Eingangsdaten für einen
fehlerfreien Zustand des Maschinenprozesses zur Verfügung, jedoch nur wenige(r) Eingangsdaten für einen fehlerhaften Zustand, da der Maschinenprozess einen solchen (möglichst) selten(er) aufweist.
Dies erschwert das (erfolgreiche) Trainieren von Klassifikationsverfahren, da hierzu häufig eine größere Anzahl (auch) von negativen Beispielen, vorzugsweise eine etwa gleich große Anzahl von positiven und negativen Beispielen vorteilhaft bzw. notwendig ist.
Durch das Generieren von fiktiven Eingangsdaten für einen zweiten Zustand eines Maschinenprozesses kann somit in einer Ausführung das Trainieren eines
Klassifikationsverfahrens auf Basis erfasster Eingangsdaten für einen fehlerfreien
ersten Zustand und der zusätzlichen fiktiven Eingangsdaten für einen zweiten fehlerhaften Zustand verbessert werden.
Entsprechend ist in einer Ausführung der erste Zustand ein fehlerfreier bzw. Gut- bzw. i(n)0(rdnung)-Zustand des (jeweiligen) Maschinenprozesses, insbesondere einer oder mehrerer seiner Komponenten, insbesondere Maschinen, und der zweite
Zustand ein fehlerhafter bzw. Schlecht- bzw. N(icht)i(n)0(rdnung)-Zustand dieses Maschinenprozesses bzw. seiner Komponente(n) bzw. Maschine(n), ohne dass die vorliegende Erfindung hierauf beschränkt ist.
Ein Maschinenprozess im Sinne der vorliegenden Erfindung kann in einer Ausführung einen, in einer Ausführung industriellen, Arbeitsprozess einer oder mehrerer
Maschinen, insbesondere Roboter, umfassen, insbesondere ein solcher sein.
Entsprechend können Eingangsdaten, insbesondere also (generierte) fiktive
Eingangsdaten, (erfasste) erste Eingangsdaten, (zu klassifizierenden bzw.
klassifizierten) Diagnose-Eingangsdaten und/oder nachfolgend genannte (erfasste) zweite Eingangsdaten, Betriebsparameter(werte) einer oder mehrerer Maschinen, insbesondere eines oder mehrerer Roboter, aufweisen, insbesondere sein.
In einer Ausführung können diese Betriebsparameter Schwingungsdaten,
Temperaturdaten, Kraftdaten und/oder Strom- bzw. Spannungsdaten der Maschine(n) aufweisen, insbesondere sein, bzw. von Schwingungen der Maschine(n),
Temperaturen der Maschine(n), insbesondere von Antrieben, Getrieben, Fluiden der Maschine(n) oder dergleichen, Kräften, insbesondere an Antrieben, Getrieben und/oder Werkzeugen der Maschine(n) oder dergleichen, und/oder Strom- bzw.
Spannungsdaten der Maschine(n), insbesondere von Antrieben der Maschine(n) oder dergleichen, abhängen.
Mit solchen Eingangsdaten können Maschinenprozesse, insbesondere -zustände, in einer Ausführung besonders vorteilhaft, insbesondere schnell(er), zuverlässig(er) und/oder präzise(r) beurteilt und/oder prognostiziert werden.
Wenn in einer Ausführung Diagnose-Eingangsdaten desjenigen Maschinenprozesses (mithilfe eines trainierten Klassifikationsverfahrens) klassifiziert werden, mit dessen
ersten Eingangsdaten auch die fiktiven Eingangsdaten generiert und/oder das
Klassifikationsverfahren trainiert wird bzw. worden ist, können diese Diagnose- Eingangsdaten in einer Ausführung besonders vorteilhaft, insbesondere schnell(er), zuverlässig(er) und/oder präzise(r) beurteilt und/oder prognostiziert werden.
Wenn in einer anderen Ausführung Diagnose-Eingangsdaten eines
Maschinenprozesses mithilfe eines trainierten Klassifikationsverfahrens klassifiziert werden, das seinerseits jedoch mit ersten Eingangsdaten eines anderen
Maschinenprozesses und fiktiven Eingangsdaten trainiert wird bzw. worden ist, die auf Basis erster Eingangsdaten des anderen Maschinenprozesses generiert werden bzw. worden sind, können in einer Ausführung auch Diagnose-Eingangsdaten von
Maschinenprozessen klassifiziert werden, für die erste Eingangsdaten zu
Trainingszwecken schwer(er) oder gar nicht zu beschaffen und/oder qualitativ und/oder quantitativ schlecht(er), beispielsweise verrauscht(er) und/oder nur in geringer(er) Anzahl vorliegen.
Das Klassifikationsverfahren kann in einer Ausführung ein Klassifikationsverfahren bzw. einen Klassifikator des maschinellen Lernens, insbesondere des überwachten Lernens („supervised learning“) aufweisen, insbesondere sein. Es bildet in einer Ausführung (Diagnose-) Eingangsdaten auf Ausgangsdaten bzw. Klassen ab bzw. ordnet (Diagnose-)Eingangsdaten Ausgangsdaten bzw. Klassen zu, wobei die
Abbildung bzw. Zuordnung in einer Ausführung auf Basis von (Diagnose- Eingangsdaten und hierfür vorgegebenen Ausgangsdaten bzw. Klassen angepasst bzw. trainiert wird, um eine möglichst gute Übereinstimmung zwischen den
vorgegebenen und den vom Klassifikationsverfahren ermittelten Ausgangsdaten bzw. Klassen zu erreichen, bzw. ist hierzu eingerichtet bzw. wird hierzu verwendet.
In einer Ausführung werden die fiktiven Eingangsdaten mithilfe eines Netzwerks mit erzeugenden gegnerischen Subnetzwerken („Generative Adversarial Network“, GAN) generiert. Solche GANs sind beispielsweise in Goodfellow, Yoshua Bengio, et al.: Deep Learning (Adaptive Computation and Machine Learning), MIT Press, Cambridge (USA), 2016. ISBN 978-0262035613 beschrieben.
Dabei führen in einer Ausführung die beiden künstlichen neuronalen Subnetzwerke ein Nullsummenspiel durch, wobei ein Subnetzwerk bzw. Generator Kandidaten nach
einem generativen Modell erstellt und das andere neuronale Subnetzwerk bzw. ein Diskriminator die Kandidaten nach einem diskriminierenden Modell bewertet und das eine Subnetzwerk bzw. der Generator versucht, das andere neuronale Subnetzwerk bzw. den Diskriminator zu einer schlechten Antwort zu bringen bzw. möglichst realistische Werte zu generieren, während das andere neuronale Subnetzwerk bzw. der Diskriminator lernt, als„schlecht“ definierte Ergebnisse zu vermeiden bzw.
versucht herauszufinden, ob es sich um einen echten, oder einen gefakten
Datenpunkt handelt. In einer Ausführung wird ein sogenanntes Conditional GAN verwendet, bei dem der Generator in einer Ausführung zunächst über einen
Datenpunkt aus der Ursprungsdomäne konditioniert wird, so dass er schließlich einen Style-Transfer vornehmen kann.
Hierdurch kann das Generieren von fiktiven, zusätzlichen Eingangsdaten verbessert, insbesondere schnell(er), zuverlässig(er) und/oder präzise(r) durchgeführt werden.
In einer Ausführung wird dieses Netzwerk bzw. GAN
- auf Basis erfasster erster Eingangsdaten
- des ersten Maschinenprozesses, der den ersten Zustand aufweist, und/oder
- eines weiteren Maschinenprozesses, der den ersten Zustand aufweist,
insbesondere des zweiten oder eines hiervon verschiedenen, insbesondere typgleichen oder typunterschiedlichen, Maschinenprozesses, der den ersten Zustand aufweist,
und/oder
- auf Basis erfasster zweiter Eingangsdaten
- dieses Maschinenprozesses, der den zweiten Zustand aufweist,
trainiert, insbesondere also
- auf Basis erfasster erster Eingangsdaten des ersten Maschinenprozesses,
insbesondere der ersten Maschine, der bzw. die den ersten Zustand aufweist, und/oder erfasster zweiter Eingangsdaten des ersten Maschinenprozesses, insbesondere der ersten Maschine, der bzw. die den zweiten Zustand aufweist; und/oder
- auf Basis erfasster erster Eingangsdaten des zweiten Maschinenprozesses, insbesondere der zweiten Maschine, der bzw. die den ersten Zustand aufweist, und/oder erfasster zweiter Eingangsdaten des zweiten Maschinenprozesses,
insbesondere der zweiten Maschine, der bzw. die den zweiten Zustand aufweist; und/oder
- auf Basis erfasster erster Eingangsdaten eines weiteren, vom ersten und
gegebenenfalls zweiten Maschinenprozess verschiedenen (dritten)
Maschinenprozesses, insbesondere wenigstens einer dritten Maschine, der bzw. die den ersten Zustand aufweist, und/oder erfasster zweiter Eingangsdaten dieses weiteren Maschinenprozesses, insbesondere wenigstens einer dritten Maschine, der bzw. die den zweiten Zustand aufweist.
Zusätzlich oder alternativ wird in einer Ausführung das Klassifikationsverfahren
- auf Basis erfasster erster Eingangsdaten
- des ersten Maschinenprozesses, der den ersten Zustand aufweist, und/oder
- eines weiteren Maschinenprozesses, der den ersten Zustand aufweist,
insbesondere des zweiten oder eines hiervon verschiedenen, insbesondere typgleichen oder typunterschiedlichen, Maschinenprozesses, der den ersten Zustand aufweist,
und/oder
- auf Basis erfasster zweiter Eingangsdaten
- dieses Maschinenprozesses, der den zweiten Zustand aufweist,
trainiert, insbesondere also
- auf Basis erfasster erster Eingangsdaten des ersten Maschinenprozesses,
insbesondere der ersten Maschine, der bzw. die den ersten Zustand aufweist, und/oder erfasster zweiter Eingangsdaten des ersten Maschinenprozesses, insbesondere der ersten Maschine, der bzw. die den zweiten Zustand aufweist; und/oder
- auf Basis erfasster erster Eingangsdaten des zweiten Maschinenprozesses,
insbesondere der zweiten Maschine, der bzw. die den ersten Zustand aufweist, und/oder erfasster zweiter Eingangsdaten des zweiten Maschinenprozesses, insbesondere der zweiten Maschine, der bzw. die den zweiten Zustand aufweist; und/oder
- auf Basis erfasster erster Eingangsdaten eines weiteren, vom ersten und
gegebenenfalls zweiten Maschinenprozess verschiedenen (dritten)
Maschinenprozesses, insbesondere wenigstens einer dritten Maschine, der bzw. die den ersten Zustand aufweist, und/oder erfasster zweiter Eingangsdaten dieses
weiteren Maschinenprozesses, insbesondere wenigstens einer dritten Maschine, der bzw. die den zweiten Zustand aufweist.
Somit werden in einer Ausführung das Netzwerk mit erzeugenden gegnerischen Subnetzwerken bzw. GAN und das Klassifikationsverfahren mit Eingangsdaten desselben Maschinenprozesses trainiert.
Zusätzlich oder alternativ werden in einer Ausführung (Diagnose-)Eingangsdaten desjenigen Maschinenprozesses mithilfe desjenigen Klassifikationsverfahrens klassifiziert, mit dessen Daten auch das Klassifikationsverfahren und/oder das Netzwerk bzw. GAN trainiert wird bzw. worden ist. Zusätzlich oder alternativ werden in einer Ausführung fiktive Eingangsdaten auf Basis erfasster erster Eingangsdaten desjenigen Maschinenprozesses generiert, auf dessen Basis (von dessen erfassten ersten Eingangsdaten) das Netzwerk mit erzeugenden gegnerischen Subnetzwerken bzw. GAN trainiert wird bzw. worden ist.
Hierdurch können das Netzwerk mit erzeugenden gegnerischen Subnetzwerken bzw. GAN bzw. das Klassifikationsverfahren in einer Ausführung optimal an den
spezifischen Maschinenprozess angepasst werden.
In einer anderen Ausführung werden hingegen das Netzwerk mit erzeugenden gegnerischen Subnetzwerken bzw. GAN und das Klassifikationsverfahren mit Eingangsdaten verschiedener Maschinenprozesse trainiert. Zusätzlich oder alternativ werden in einer Ausführung (Diagnose-)Eingangsdaten eines Maschinenprozesses mithilfe eines Klassifikationsverfahrens klassifiziert, wobei das Klassifikationsverfahren und/oder das Netzwerk bzw. GAN mit Eingangsdaten eines anderen Maschinenprozesses trainiert wird bzw. worden ist.
Zusätzlich oder alternativ werden in einer Ausführung fiktive Eingangsdaten auf Basis erfasster erster Eingangsdaten generiert, wobei das Netzwerk mit erzeugenden gegnerischen Subnetzwerken bzw. GAN mit erfassten ersten Eingangsdaten eines anderen Maschinenprozesses trainiert wird bzw. worden ist.
Hierdurch können in einer Ausführung auch Diagnose-Eingangsdaten von
Maschinenprozessen klassifiziert werden, für die erste Eingangsdaten zu
Trainingszwecken schwer(er) oder gar nicht zu beschaffen und/oder qualitativ und/oder quantitativ schlecht(er), beispielsweise verrauscht(er) und/oder nur in geringer(er) Anzahl vorliegen.
Zusätzlich oder alternativ werden in einer Ausführung den (generierten) fiktiven Eingangsdaten zusätzlich (erfasste) zweite Eingangsdaten hinzugefügt bzw.
beigemischt.
Hierdurch kann in einer Ausführung die Datenbasis für den zweiten Zustand (weiter) verbessert und/oder vergrößert und dadurch das Trainieren des
Klassifikationsverfahrens verbessert werden, insbesondere das auf Basis dieser zusätzlichen (erfassten) zweiten Eingangsdaten trainierte Klassifikationsverfahren Diagnose-Eingangsdaten schneller, zuverlässiger und/oder präziser klassifizieren.
Zusätzlich oder alternativ wird in einer Ausführung das Netzwerk mit erzeugenden gegnerischen Subnetzwerken bzw. GAN auf Basis erfasster zweiter Eingangsdaten trainiert.
Hierdurch kann das Trainieren des Netzwerks bzw. GAN verbessert werden, insbesondere das auf Basis dieser zusätzlichen (erfassten) zweiten Eingangsdaten trainierte Netzwerk bzw. GAN fiktive zweite Eingangsdaten schneller, zuverlässiger und/oder präziser generieren.
In einer Ausführung weicht die Anzahl der ersten Eingangsdaten bzw. Beispielen, mit denen das Klassifikationsverfahren trainiert wird, um höchstens 50%, insbesondere höchstens 35%, in einer Ausführung höchstens 25%, insbesondere höchstens 10%, von der Anzahl der fiktiven Eingangsdaten oder der Summe der fiktiven und der zweiten Eingangsdaten, mit denen das Klassifikationsverfahren trainiert wird, ab.
Hierdurch kann in einer Ausführung das Klassifikationsverfahrens besonders vorteilhaft trainiert werden, insbesondere das auf Basis dieser zusätzlich^ generierten fiktiven Eingangsdaten trainierte Klassifikationsverfahren Diagnose-Eingangsdaten schneller, zuverlässiger und/oder präziser klassifizieren.
In einer Ausführung wird der erste Maschinenprozess, der zweite Maschinenprozess und/oder der weitere bzw. dritte Maschinenprozess, insbesondere eine oder mehrere seiner Komponenten, insbesondere Maschinen, gezielt von dem ersten in den zweiten Zustand überführt, um zweite Eingangsdaten zu erfassen, die in einer Ausführung zum Trainieren des Klassifikationsverfahrens und/oder des Netzwerks mit
erzeugenden gegnerischen Subnetzwerken bzw. GAN verwendet werden,
insbesondere, indem gezielt wenigstens eine fehlerhafte Komponente verwendet, insbesondere eingebaut bzw. genutzt, wird.
Hierdurch kann in einer Ausführung die Datenbasis für den zweiten Zustand (weiter) verbessert und/oder vergrößert und dadurch das Trainieren des
Klassifikationsverfahrens bzw. Netzwerks bzw. GAN verbessert werden, insbesondere das Klassifikationsverfahren Diagnose-Eingangsdaten schneller, zuverlässiger und/oder präziser klassifizieren.
Eine erfindungsgemäße Klassifikation von Diagnose-Eingangsdaten eines
Maschinenprozesses kann mit besonderem Vorteil zur Diagnose des
Maschinenprozesses verwendet werden, ohne dass die vorliegende Erfindung hierauf beschränkt ist. Vielmehr kann die Klassifikation in einer Ausführung auch zum Steuern des Maschinenprozesses, insbesondere einer oder mehrerer seiner Komponenten, insbesondere Maschinen oder auch zu anderen Zwecken verwendet werden.
Nach einer Ausführung der vorliegenden Erfindung weist ein Verfahren zur Diagnose eines Maschinenprozesses die Schritte:
- Erfassen von Diagnose-Eingangsdaten des Maschinenprozesses;
- Klassifizieren dieser Diagnose-Eingangsdaten mithilfe des trainierten
Klassifikationsverfahrens in einer hier beschriebenen Weise; und
- Bewerten des Maschinenprozesses auf Basis dieser Klassifizierung.
Eine Diagnose bzw. ein Bewerten eines Maschinenprozesses kann in einer
Ausführung ein Überwachen und/oder eine Prognose (eines Zustands und/oder Arbeitsergebnisses) des Maschinenprozesses, insbesondere einer oder mehrerer seiner Komponenten, insbesondere Maschinen, umfassen, insbesondere sein. In einer Ausführung wird auf Basis der Diagnose bzw. des bewerteten
Maschinenprozesses eine, insbesondere prospektive, Wartung(s-) bzw.
Instandhaltung(sstrategie) des Maschinenprozesses, insbesondere einer oder mehrerer seiner Komponenten, insbesondere Maschinen, geplant („predictive
Maintenance“), was eine besonders vorteilhafte Anwendung der vorliegenden
Erfindung darstellen kann. Zusätzlich oder alternativ können in einer Ausführung Arbeitsergebnisse des Maschinenprozesses auf Basis der Diagnose bzw. des bewerteten Maschinenprozesses unterschiedlich gehandhabt, beispielsweise
Ausschuss aussortiert oder einer Nachbearbeitung zugeführt werden
(Qualitätssicherung).
Nach einer Ausführung der vorliegenden Erfindung ist ein System, insbesondere hard- und/oder Software-, insbesondere programmtechnisch, zur Durchführung eines hier beschriebenen Verfahrens eingerichtet und/oder weist auf:
- Mittel zum Generieren von fiktiven Eingangsdaten eines ersten
Maschinenprozesses, insbesondere wenigstens einer ersten Maschine, in einer Ausführung wenigstens eines ersten Roboters, der bzw. die einen zweiten
Zustand aufweist, auf Basis erfasster erster Eingangsdaten dieses
Maschinenprozesses bzw. dieser Maschine, der bzw. die einen ersten Zustand aufweist, mittels maschinellem Lernen;
- Mittel zum Trainieren eines Klassifikationsverfahrens auf Basis der (generierten) fiktiven und (erfassten) ersten Eingangsdaten; und
- Mittel zum Klassifizieren von Diagnose-Eingangsdaten des ersten und/oder
wenigstens eines, insbesondere typgleichen oder typunterschiedlichen, zweiten Maschinenprozesses, insbesondere der ersten und/oder wenigstens einer, insbesondere typgleichen oder typunterschiedlichen, zweiten Maschine, in einer Ausführung des ersten und/oder wenigstens eines, insbesondere typgleichen oder typunterschiedlichen, zweiten Roboters, mithilfe des trainierten
Klassifikationsverfahrens.
In einer Ausführung weist das System bzw. sein(e) Mittel auf:
Mittel zum Generieren der fiktiven Eingangsdaten mithilfe eines Netzwerks mit erzeugenden gegnerischen Subnetzwerken; und/oder
Mittel zum Trainieren des Netzwerks und/oder des Klassifikationsverfahrens auf Basis erfasster erster Eingangsdaten des ersten und/oder eines weiteren, insbesondere des zweiten oder eines hiervon verschiedenen, Maschinenprozesses, der den ersten
Zustand aufweist, und/oder erfasster zweiter Eingangsdaten dieses
Maschinenprozesses, der den zweiten Zustand aufweist; und/oder
Mittel zum gezielten Überführen des ersten, zweiten und/oder weiteren
Maschinenprozesses von dem ersten in den zweiten Zustand, um zweite
Eingangsdaten zu erfassen; und/oder
Mittel zum Erfassen von Diagnose-Eingangsdaten eines Maschinenprozesses, Klassifizieren dieser Diagnose-Eingangsdaten mithilfe des trainierten
Klassifikationsverfahrens in hier beschriebener Weise und Bewerten dieses
Maschinenprozesses auf Basis dieser Klassifizierung.
Ein Mittel im Sinne der vorliegenden Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein, insbesondere eine, vorzugsweise mit einem Speicher- und/oder Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbeitungs-, insbesondere Mikroprozessoreinheit (CPU), Graphikkarte (GPU) oder dergleichen, und/oder ein oder mehrere Programme oder Programmmodule aufweisen. Die
Verarbeitungseinheit kann dazu ausgebildet sein, Befehle, die als ein in einem
Speichersystem abgelegtes Programm implementiert sind, abzuarbeiten,
Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangssignale an einen Datenbus abzugeben. Ein Speichersystem kann ein oder mehrere,
insbesondere verschiedene, Speichermedien, insbesondere optische, magnetische, Festkörper- und/oder andere nicht-flüchtige Medien aufweisen. Das Programm kann derart beschaffen sein, dass es die hier beschriebenen Verfahren verkörpert bzw. auszuführen imstande ist, sodass die Verarbeitungseinheit die Schritte solcher
Verfahren ausführen kann und damit insbesondere den Maschinenprozess
diagnostizieren kann. Ein Computerprogrammprodukt kann in einer Ausführung ein, insbesondere nicht-flüchtiges, Speichermedium zum Speichern eines Programms bzw. mit einem darauf gespeicherten Programm aufweisen, insbesondere sein, wobei ein Ausführen dieses Programms ein System bzw. eine Steuerung, insbesondere einen Computer, dazu veranlasst, ein hier beschriebenes Verfahren bzw. einen oder mehrere seiner Schritte auszuführen.
In einer Ausführung werden ein oder mehrere, insbesondere alle, Schritte des
Verfahrens vollständig oder teilweise automatisiert durchgeführt, insbesondere durch das System bzw. sein(e) Mittel. In einer Ausführung weist das System die
Maschine(n), insbesondere Roboter, des Maschinenprozesses auf.
Weitere Vorteile und Merkmale ergeben sich aus den Unteransprüchen und den Ausführungsbeispielen. Hierzu zeigt, teilweise schematisiert:
Fig. 1 : ein System zur Klassifikation von Eingangsdaten eines
Maschinenprozesses nach einer Ausführung der vorliegenden Erfindung; und
Fig. 2: ein Verfahren zur Klassifikation von Eingangsdaten des
Maschinenprozesses nach einer Ausführung der vorliegenden Erfindung.
Fig. 1 zeigt ein System zur Klassifikation von Betriebsparametern eines
Maschinenprozesses eines Roboters 1 mit einer Robotersteuerung 2, Fig. 2 ein Verfahren zur Klassifikation von Betriebsparametern des Maschinenprozesses bzw. Roboters 1 nach einer Ausführung der vorliegenden Erfindung.
In einem ersten Schritt S10 werden erste Betriebsparameter Xi des Roboters 1 , der bzw. während dieser einen ersten, fehlerfreien bzw. Gut-Zustand („IO“) aufweist, sowie zweite Betriebsparameter X2 des Roboters 1 , der bzw. während dieser einen zweiten, fehlerhaften bzw. Schlecht-Zustand („NIO“) aufweist, erfasst und damit ein Netzwerk N trainiert, das erzeugende gegnerische Subnetzwerken N1 ; N2 aufweist.
In einem zweiten Schritt S20 generiert das Netzwerk N fiktive Betriebsparameter F des Roboters 1 , wenn dieser einen bzw. den zweiten, fehlerhaften bzw.
Schlecht-Zustand („NIO“) aufweist. Mit anderen Worten emuliert das Netzwerk N Betriebsparameter, wie sie bei einem fehlerhaften bzw. Schlecht-Zustand des
Roboters 1 erfasst würden, bzw. täuscht solche vor.
Mit diesen fiktiven Betriebsparametern F und den ersten Betriebsparametern X! wird in Schritt S30 ein Klassifikationsverfahren K trainiert.
Dabei werden die erfassten zweiten Betriebsparameter X2 den fiktiven
Betriebsparametern F hinzugefügt und das Klassifikationsverfahren K somit auch mit diesen erfassten zweiten Betriebsparametern X2 trainiert.
Zur Erfassung der zweiten Betriebsparameter X2 kann der Roboter 1 gezielt temporär in den zweiten, fehlerhaften bzw. Schlecht-Zustand überführt werden, beispielsweise, indem gezielt ein schadhaftes Getriebe eingebaut wird oder dergleichen.
In einem Schritt S40 werden Diagnose-Betriebsparameter XD des Roboters 1 erfasst. In einem Schritt S50 klassifiziert das in Schritt S30 trainierte Klassifikationsverfahren K diese Diagnose-Betriebsparameter XD.
Auf Basis dieser Klassifizierung wird in einem Schritt S60 der Roboter 1 überwacht und prospektiv eine Wartung(s-) bzw. Instandhaltung(sstrategie) geplant.
Obwohl in der vorhergehenden Beschreibung exemplarische Ausführungen erläutert wurden, sei darauf hingewiesen, dass eine Vielzahl von Abwandlungen möglich ist.
So wird im Ausführungsbeispiel das Netzwerk N mit Betriebsparametern X! und X2 des Roboters 1 trainiert und generiert anschließend fiktive Betriebsparameter F dieses Roboters. In einer Abwandlung kann das Netzwerk N jedoch auch mit
Betriebsparametern eines anderen Roboters desselben oder eines anderen Typs (nicht dargestellt) trainiert werden und anschließend fiktive Betriebsparameter des Roboters 1 generieren.
Gleichermaßen wird im Ausführungsbeispiel das Klassifikationsverfahren K mit fiktiven Betriebsparametern F sowie Betriebsparametern Xi und X2 des Roboters 1 trainiert und klassifiziert anschließend Diagnose-Betriebsparameter XD dieses
Roboters. In einer Abwandlung kann das Netzwerk N jedoch auch mit fiktiven und ersten bzw. zweiten Betriebsparametern eines anderen Roboters desselben oder eines anderen Typs (nicht dargestellt) trainiert werden und anschließend Diagnose- Betriebsparameter des Roboters 1 klassifizieren.
Außerdem sei darauf hingewiesen, dass es sich bei den exemplarischen
Ausführungen lediglich um Beispiele handelt, die den Schutzbereich, die
Anwendungen und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausgehende Beschreibung ein Leitfaden für die
Umsetzung von mindestens einer exemplarischen Ausführung gegeben, wobei
diverse Änderungen, insbesondere in Hinblick auf die Funktion und Anordnung der beschriebenen Bestandteile, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und diesen äquivalenten
Merkmalskombinationen ergibt.
Bezuaszeichenliste
1 Roboter
2 Steuerung
F fiktive Eingangsdaten
K Klassifikationsverfahren
N(I /2) (Sub)Netzwerk
Xi erste Eingangsdaten
X2 zweite Eingangsdaten
XD Diagnose-Eingangsdaten
Claims
1. Verfahren zur Klassifikation von Eingangsdaten (XD) eines Maschinenprozesses, insbesondere einer Maschine (1 ), mit den Schritten:
- Generieren (S20) von fiktiven Eingangsdaten (F) eines ersten
Maschinenprozesses, der einen zweiten Zustand aufweist, auf Basis erfasster erster Eingangsdaten (X^ dieses Maschinenprozesses, der einen ersten Zustand aufweist, mittels maschinellem Lernen;
- Trainieren (S30) eines Klassifikationsverfahrens (K) auf Basis der fiktiven und ersten Eingangsdaten; und
- Klassifizieren (S50) von Diagnose-Eingangsdaten (XD) des ersten und/oder wenigstens eines zweiten Maschinenprozesses mithilfe des trainierten
Klassifikationsverfahrens.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass die fiktiven
Eingangsdaten mithilfe eines Netzwerks (N) mit erzeugenden gegnerischen Subnetzwerken (N1 ; N2) generiert werden.
3. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass das Netzwerk (N) und/oder das Klassifikationsverfahren (K) auf Basis erfasster erster Eingangsdaten des ersten und/oder eines weiteren, insbesondere des zweiten oder eines hiervon verschiedenen, Maschinenprozesses, der den ersten Zustand aufweist, und/oder erfasster zweiter Eingangsdaten dieses
Maschinenprozesses, der den zweiten Zustand aufweist, trainiert wird (S10, S30).
4. Verfahren nach einem der beiden vorhergehenden Ansprüche, dadurch
gekennzeichnet, dass die Anzahl der ersten Eingangsdaten, mit denen das Klassifikationsverfahren trainiert wird, um höchstens 50% von der Anzahl der fiktiven Eingangsdaten oder der Summe der fiktiven und der zweiten
Eingangsdaten, mit denen das Klassifikationsverfahren trainiert wird, abweicht.
5. Verfahren nach einem der beiden vorhergehenden Ansprüche, dadurch
gekennzeichnet, dass der erste, zweite und/oder weitere Maschinenprozess gezielt von dem ersten in den zweiten Zustand überführt wird, um zweite
Eingangsdaten zu erfassen.
6. Verfahren zur Diagnose eines Maschinenprozesses, mit den Schritten:
- Erfassen (S40) von Diagnose-Eingangsdaten des Maschinenprozesses;
- Klassifizieren (S50) dieser Diagnose-Eingangsdaten mithilfe des trainierten Klassifikationsverfahrens nach einem der vorhergehenden Ansprüche; und - Bewerten (S60) des Maschinenprozesses auf Basis dieser Klassifizierung.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Eingangsdaten Betriebsparameter wenigstens einer Maschine, insbesondere wenigstens eines Roboters, aufweisen.
8. System zur Klassifikation von Eingangsdaten eines Maschinenprozesses,
insbesondere einer Maschine (1 ), das zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche eingerichtet ist und/oder aufweist:
- Mittel zum Generieren von fiktiven Eingangsdaten (F) eines ersten
Maschinenprozesses, der einen zweiten Zustand aufweist, auf Basis erfasster erster Eingangsdaten (Xi) dieses Maschinenprozesses, der einen ersten Zustand aufweist, mittels maschinellem Lernen;
- Mittel zum Trainieren eines Klassifikationsverfahrens (K) auf Basis der fiktiven und ersten Eingangsdaten; und
- Mittel zum Klassifizieren von Diagnose-Eingangsdaten (XD) des ersten
und/oder wenigstens eines zweiten Maschinenprozesses mithilfe des trainierten Klassifikationsverfahrens.
9. Computerprogrammprodukt mit einem Programmcode, der auf einem von einem Computer lesbaren Medium gespeichert ist, zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201980043573.3A CN112351868A (zh) | 2018-06-27 | 2019-06-17 | 用于诊断机器过程的方法和系统 |
EP19731709.2A EP3814070A1 (de) | 2018-06-27 | 2019-06-17 | Verfahren und system zur diagnose eines maschinenprozesses |
KR1020217000823A KR20210025048A (ko) | 2018-06-27 | 2019-06-17 | 기계 공정 진단 방법 및 시스템 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018210520.0A DE102018210520B3 (de) | 2018-06-27 | 2018-06-27 | Verfahren und System zur Diagnose eines Maschinenprozesses |
DE102018210520.0 | 2018-06-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2020002021A1 true WO2020002021A1 (de) | 2020-01-02 |
Family
ID=66951957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/EP2019/065845 WO2020002021A1 (de) | 2018-06-27 | 2019-06-17 | Verfahren und system zur diagnose eines maschinenprozesses |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP3814070A1 (de) |
KR (1) | KR20210025048A (de) |
CN (1) | CN112351868A (de) |
DE (1) | DE102018210520B3 (de) |
WO (1) | WO2020002021A1 (de) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4447288A1 (de) | 1993-12-30 | 1995-07-06 | Caterpillar Inc | Maschinenfehlerdiagnosesystem und -verfahren |
US5579232A (en) * | 1993-03-29 | 1996-11-26 | General Electric Company | System and method including neural net for tool break detection |
EP1927830A2 (de) * | 2006-11-30 | 2008-06-04 | Matsushita Electric Works, Ltd. | Vorrichtung zur Gesamtüberwachung von Werkzeugmaschinen |
US20160078363A1 (en) * | 2014-09-17 | 2016-03-17 | Caterpillar Inc. | Method for Developing Machine Operation Classifier Using Machine Learning |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8868985B2 (en) * | 2009-09-17 | 2014-10-21 | Siemens Aktiengesellschaft | Supervised fault learning using rule-generated samples for machine condition monitoring |
US9092698B2 (en) * | 2012-06-21 | 2015-07-28 | Rethink Robotics, Inc. | Vision-guided robots and methods of training them |
CN107644231A (zh) * | 2017-09-19 | 2018-01-30 | 广东工业大学 | 一种发电机转子故障诊断方法及装置 |
-
2018
- 2018-06-27 DE DE102018210520.0A patent/DE102018210520B3/de active Active
-
2019
- 2019-06-17 WO PCT/EP2019/065845 patent/WO2020002021A1/de unknown
- 2019-06-17 EP EP19731709.2A patent/EP3814070A1/de not_active Withdrawn
- 2019-06-17 KR KR1020217000823A patent/KR20210025048A/ko unknown
- 2019-06-17 CN CN201980043573.3A patent/CN112351868A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5579232A (en) * | 1993-03-29 | 1996-11-26 | General Electric Company | System and method including neural net for tool break detection |
DE4447288A1 (de) | 1993-12-30 | 1995-07-06 | Caterpillar Inc | Maschinenfehlerdiagnosesystem und -verfahren |
EP1927830A2 (de) * | 2006-11-30 | 2008-06-04 | Matsushita Electric Works, Ltd. | Vorrichtung zur Gesamtüberwachung von Werkzeugmaschinen |
US20160078363A1 (en) * | 2014-09-17 | 2016-03-17 | Caterpillar Inc. | Method for Developing Machine Operation Classifier Using Machine Learning |
Non-Patent Citations (2)
Title |
---|
GOODFELLOW, YOSHUA BENGIO ET AL.: "Deep Learning (Adaptive Computation and Machine Learning", 2016, MIT PRESS |
IAN J GOODFELLOW ET AL: "Generative Adversarial Nets", NIPS'14 PROCEEDINGS OF THE 27TH INTERNATIONAL CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS, vol. 2, 8 December 2014 (2014-12-08), pages 2672 - 2680, XP055572979, DOI: https://dl.acm.org/citation.cfm?id=2969125 * |
Also Published As
Publication number | Publication date |
---|---|
DE102018210520B3 (de) | 2019-09-05 |
CN112351868A (zh) | 2021-02-09 |
KR20210025048A (ko) | 2021-03-08 |
EP3814070A1 (de) | 2021-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3662639B1 (de) | Verfahren und vorrichtung zum ermitteln von anomalien in einem kommunikationsnetzwerk | |
DE102004024262A1 (de) | Wissensbasiertes Diagnosesystem für ein komplexes technisches System mit zwei getrennten Wissensbasen zur Verarbeitung technischer Systemdaten und zur Verarbeitung von Kundenbeanstandungen | |
EP3397431B1 (de) | Roboter und verfahren zum betreiben eines roboters | |
WO2021219389A1 (de) | Detektieren von störungen in roboteranordnungen | |
DE102018210520B3 (de) | Verfahren und System zur Diagnose eines Maschinenprozesses | |
DE102020107001A1 (de) | Verfahren und Vorrichtung zur Ermittlung des Zustands eines elektrischen Bordnetzes eines Fahrzeugs | |
DE102019208729A1 (de) | Verfahren zum Sicherstellen und Aufrechterhalten der Funktion eines sicherheitskritischen Gesamtsystems | |
DE102018207220A1 (de) | Verfahren, Vorrichtung und Computerprogramm zum Detektieren eines Berechnungsfehlers oder einer Fehlfunktion | |
DE10222072A1 (de) | Diagnoseverfahren für dynamische Systeme | |
DE102020103854B4 (de) | Maschinelles Lernen einer erfolgreich abgeschlossenen Roboteranwendung | |
EP4047316A1 (de) | Verfahren zum bewerten einer bekanntheit einer fahrstrecke und elektronische recheneinrichtung | |
EP3764185A1 (de) | Verfahren zum testen eines systems | |
DE102021211610A1 (de) | Verfahren zum Trainieren eines neuronalen Lernmodells zum Detektieren von Produktionsfehlern | |
DE10038094B4 (de) | Vorrichtung und Verfahren zum Generieren und Erweitern der Wissensbasis eines Expertensystems | |
DE102017217596A1 (de) | Verfahren zum Überprüfen eines elektronischen Bauelements, Verfahren zum Erzeugen eines Modells und Vorrichtung | |
DE102018009451A1 (de) | Verfahren zum Überprüfen wenigstens eines Fahrzeugs sowie elektronische Recheneinrichtung | |
DE102018212801A1 (de) | Diagnose komplexer Systeme | |
EP4200107A1 (de) | Überwachung bei einem robotergestützten prozess | |
WO2023104591A1 (de) | Identifikation von fehlerursachen auf befehlsebene in prozessen | |
AT525591A1 (de) | Verfahren und Vorrichtung zur automatischen Analyse eines Diagnosesystems eines Fahrzeugs | |
DE102022205918A1 (de) | Verfahren zum Durchführen einer Datenverarbeitung | |
WO2023006934A1 (de) | Computerimplementiertes verfahren zur herstellung eines für eine numerische simulation geeigneten software-abbildes zumindest eines teils eines realen steuergeräts | |
WO2023036610A1 (de) | Bewerten und/oder steuern eines roboterarbeitsprozesses | |
DE102022205357A1 (de) | Verfahren zum Überprüfen einer bewegbaren Komponente einer technischen Vorrichtung | |
DE102023101527A1 (de) | Verfahren zur Zustandsüberwachung einer technischen Einrichtung |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 19731709 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
ENP | Entry into the national phase |
Ref document number: 20217000823 Country of ref document: KR Kind code of ref document: A |
|
ENP | Entry into the national phase |
Ref document number: 2019731709 Country of ref document: EP Effective date: 20210127 |