WO2020038815A1 - Bestimmen von zuständen einer vorrichtung mittels support-vektor-maschinen - Google Patents

Bestimmen von zuständen einer vorrichtung mittels support-vektor-maschinen Download PDF

Info

Publication number
WO2020038815A1
WO2020038815A1 PCT/EP2019/071895 EP2019071895W WO2020038815A1 WO 2020038815 A1 WO2020038815 A1 WO 2020038815A1 EP 2019071895 W EP2019071895 W EP 2019071895W WO 2020038815 A1 WO2020038815 A1 WO 2020038815A1
Authority
WO
WIPO (PCT)
Prior art keywords
classification
state
operating
operating parameter
volume
Prior art date
Application number
PCT/EP2019/071895
Other languages
English (en)
French (fr)
Inventor
Jonas Deichmann
Original Assignee
Siemens Aktiengesellschaft
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 Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Priority to US17/270,000 priority Critical patent/US11244250B2/en
Priority to EP19761763.2A priority patent/EP3811170B1/de
Priority to CN201980054387.XA priority patent/CN112585548B/zh
Priority to ES19761763T priority patent/ES2927838T3/es
Publication of WO2020038815A1 publication Critical patent/WO2020038815A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Definitions

  • Modern devices are often equipped with a large number of sensors which can detect a wide variety of operating parameters of the device before, after or during its operation.
  • Certain constellations of operating parameters can possibly indicate that a device is in a normal state or, conversely, indicate that the device is in a fault state.
  • Such support vector Machines are trained with training data in a parameter space in order to generate boundaries ("class boundaries” or “classification boundaries”) between different classification volumes of the parameter space in such a way that the widest possible area around these boundaries remains as free as possible from the training data If the support vector machine has been trained in this way, the generated class boundary can be used to determine the classification volume in which a certain, in particular the support vector machine previously unknown,
  • Point is positioned in the parameter space. In this way, support vector machines enable classification of n-dimensional points.
  • EP 3 296 822 A2 describes a method for determining an inequality (“mismatch”) between a plant (“plant”) and models for plants, in which a support vector machine can be used to determine whether a concrete work is in the area of a cluster of "good” models or not.
  • US 2015/293523 A1 describes a machine tool diagnosis method and a machine tool diagnosis system using a 1-class support vector machine.
  • DE 10 2008 058422 A1 describes a method in which a laser processing operation is provided with a characteristic value, which can be provided by a support vector machine.
  • the computing device can in particular be a processor with an associated memory, a cloud computing platform, a microcontroller, an application-specific integrated circuit, ASIC, and / or the like.
  • the detection device can in particular comprise a plurality of sensors, each sensor being designed to detect at least one operating parameter of the device during its operation.
  • an electrical current can be detected by an electrical current sensor, a temperature by a temperature sensor, an electrical voltage by an electrical voltage sensor, etc.
  • the output module can be designed to generate a temporal trajectory of the operating point generated by the operating point module during operation of the device and to determine or estimate a continuation of this trajectory to be expected in the future. Based on this expected trajectory, the output module can determine in some advantageous embodiments at what time the loading drive point of the device along the trajectory has arrived in a position which is or is to be assigned to a classification volume which indicates an error state of the device.
  • the output module can also be designed to indicate a point in time and / or a remaining time at which or after which the device is likely to be in the fault state. In this way, a user is supported by a continuous human-machine interaction not only to monitor the actual state of the device, but also to predict and possibly avoid a possible future fault state.
  • the invention provides a method with the features of patent claim 7.
  • the support vector machine is preferably trained using labeled operating points in the n-dimensional operating parameter space, the labels indicating which classification volume the corresponding operating parameter point is to be assigned to and which group (e.g. normal status, error status 1, error status 2, etc .) assigned.
  • the invention provides a device, in particular an electrical machine, with a system according to the first aspect of the present invention. riding.
  • the electrical machine can be, for example, an electric motor and / or an electrical generator.
  • the device can also be, for example, a pump or a drive train or comprise a pump or a drive train.
  • the invention provides a computer program product which contains executable program code which is designed such that the program code, when it is executed, realizes the operating point module, the trained support vector machine and the output module.
  • the invention provides a non-volatile computer-readable storage medium which contains executable program code which is designed such that the program code, when executed, realizes the operating point module, the trained support vector machine and the output module ,
  • the operating parameters detected by the detection device comprise at least one, particularly preferably at least two, which follow the operating parameters:
  • the device can be an electrical machine, which can be characterized in particular by the operating parameters of electrical voltage, electrical current, rotational acceleration and / or rotational speed.
  • the trained support vector machine is designed to subdivide the n-dimensional operating parameter space into at least three classification volumes, the first classification volume indicating the normal state of the device and the second classification volume and a third classification volume indicating different error states in the device. In this way, an existing or predicted error state can be determined and identified more precisely.
  • the classification volumes are separated from one another by the trained support vector machine by two-dimensional levels.
  • the classification volumes are separated from one another by the trained support vector machine by so-called hyperplanes.
  • the support vector machine is configured to use a linear kernel.
  • vector-valued functions f (x) are often used to generate input vectors x which contain the operating parameters represent the operating parameter space to transform into a typically higher-dimensional feature space (English "feature space"), in which the separation by the support vector machine is usually easier. 1
  • mapping function a vector-valued function f (x)
  • a so-called kernel K (x, x ') can be used with this “mapping function” f (x)
  • the kernel K (x, x ') can now advantageously be used to determine the levels or hype separating the classification volumes instead of with the mapping function become.
  • Karush-Kuhn-Tucker conditions can then be set up using the kernel.
  • This technique where according to K (x, x ') is used in training the support vector machine and also in the classification instead of the mapping function f (x), is called kernel trick (English “kernel trick”) ,
  • K (x, x ') X T x' and do not transform the input vector x, which represents the operating parameter point, into a higher-dimensional space.
  • the feature space has the same dimensionality as the original operating parameter space.
  • the detection device is set up to detect the detected operating parameters as portions (for example fractions, fractions or percentage values) of a respective corresponding maximum operating parameter value.
  • portions for example fractions, fractions or percentage values
  • normalization of the operating parameters can advantageously be carried out.
  • this allows the value of the individual operating parameters to be determined based on the classification limits of the classification volumes (that is to say on the levels or hyperplanes), from which conclusions can be drawn about the causes of errors.
  • the computing device is designed to implement an evaluation module which is designed to: determine a respective normal vector at each level or hyper level, which the first classification volume, which indicates the normal state of the device, of a classification volume separates, which indicates an error state of the device, and for each of the determined normal vectors to determine and output the value of the largest entry of the normal vector in terms of amount.
  • This largest entry in terms of amount of the respective normal vector thus indicates a change in which parameter most likely leads to the operating point being from a position within the first classification volume (normal state) into the respective classification volume associated with the normal vector, which indicates an error stood indexed, moved.
  • the method according to the second aspect of the present invention comprises the following features and steps:
  • the n-dimensional operating parameter space is subdivided into at least three classification volumes by the trained support vector machine, the first classification volume being the normal state of the device and where the second classification volume and a third classification volume indicate different error states of the device.
  • the recorded operating parameters can be recorded as portions of a corresponding maximum operating parameter value.
  • the operating parameters are first recorded as absolute values and then, either by the recording device itself or by an interposed computing unit with predetermined and stored respective maximum operating parameter values, divided by the corresponding proportions (for example fractions, fractions or percentages ) to determine.
  • a respective normal vector can advantageously be determined on each level or hyperplane, which is the first Classification volume, which identifies the normal state of the device, separates it from a classification volume, which indicates an error state of the device.
  • the device can be an electrical machine, more precisely an electrical motor, which is designed, for example, with at least one vibration sensor and at least one temperature sensor. There may be two or more vibration sensors at different locations on the electric motor and / or two or more temperature sensors at different locations on the electric motor. Each measured value of each sensor of the electric motor can fill an entry (index) in an input vector. The current input vector thus represents a current operating point of the electric motor.
  • the technology described can be used to determine at which point of the motor the problem occurred and whether the possible cause is more likely was overheating (greater weighting of the temperature sensor data) or excessive vibration (greater weighting of the vibration sensor data).
  • the device can be a pump, for example for wastewater, which normally has a certain amount of electrical current (first operating parameter) and a corresponding amount of electrical voltage
  • the device can be an electrical saw, for example a circular saw for woodworking.
  • a motor temperature, a vibration and a rotational speed can be measured and recorded as operating parameters.
  • a high engine temperature may indicate a general overload or wear of the engine as the cause; strong vibration in combination with high temperature can indicate wear of the saw blade as the cause; and a slow rotation speed in combination with low vibration can indicate the reason that a wood to be sawn is too hard.
  • the device may include a driveline of a vehicle, e.g. an electric vehicle or a hybrid vehicle.
  • a current speed as the first operating parameter and a current torque as the second operating parameter can be measured on the drive train. For example, if the powertrain is stopped due to the maximum torque being exceeded, e.g. determined whether the cause is an excessive load on the axis or rather an excessive acceleration.
  • an ordered list of the entries of each specific normal vector can be determined according to their size and output (in each case in connection with their index value, so that it can be traced which entry belongs to which operating parameter) in order to give a hierarchy of the importance of the corresponding operating parameters for Obtain reaching the respective fault condition. This can be of great advantage when evaluating the possible causes of errors, for example in a workshop.
  • Fig. 1 is a schematic block diagram of a system for
  • Fig. 2 is a schematic representation of a Radioactive Material
  • Fig. 3 is a schematic flow diagram for explaining a
  • Fig. 4 shows a further schematic representation of a Be
  • the device 200 can in particular be an electrical machine, for example an electric motor and / or generator.
  • the device 200 can also be a pump or a drive train of a vehicle, for example an electric vehicle or a hybrid vehicle.
  • the system 100 comprises a detection device 10, which is designed to detect at least two operating parameters of the device 200 during its operation.
  • the detection device can, for example, each comprise a sensor 11, 12, which is each configured to detect the respective operating parameter.
  • the system 100 further comprises a computing device 20, which is designed to implement an operating point module 21, a trained support vector machine 22 and an output module 23.
  • the operating point module 21, the trained support vector machine 22, and the output module 23 are preferably implemented as software modules that are executed by the computing device 20.
  • the computing device 20 can also be designed to implement the evaluation module described above.
  • the computing device 20 can in particular be a processor with an associated memory, a cloud computing platform, a microcontroller, an application-specific integrated circuit, ASIC, and / or the like.
  • the operating point module 21 is designed to generate an operating point in an n-dimensional operating parameter space from the at least two recorded operating parameters (for example voltage and current strength), where n> 2.
  • This operating point which, if the operating parameters detected are current operating parameters, represents a current operating point, can be invented. be used according to the invention to index a current state of the device 200.
  • the trained support vector machine 22 is designed and trained to subdivide the n-dimensional operating parameter space into at least two classification volumes, each of which indicates different states of the device 200.
  • the support vector machine is provided with training data with corresponding labels y ⁇ , which assign each of the training points x ⁇ a respective state (normal state, fault state 1, fault state 2, ).
  • support vectors English “support vectors”
  • the support vector machine also gets its name from these support vectors.
  • the optimal straight line, plane or hyperplane 65 divides the operating parameter space, which is spanned by the xl axis and the x2 axis, into a first classification volume 51, which indicates a normal state, and a second classification volume 52, which is an error state indexed.
  • the support vector machine 22 can be designed in accordance with various known variants and developments of support vector machines, for example as a soft margin support vector machine or as a hard margin support vector machine.
  • the trained support vector machine 22 is now able to assign any current operating point, which was formed by the operating point module, to one of the existing classification volumes 51, 52.
  • the methods described here can also be used with more than two classification volumes, for example three or more classification volumes 51, 52, the first classification volume 51 always indicating the normal state and further classification volumes usually classifying different error states. It is also it is possible that there are several separate classification volumes, each of which indicates different normal states of the device 200, that is to say states which differ in their operating parameters greatly differ, but both are acceptable in the operation of device 200.
  • the output module 23 is designed to determine a state of the device 200 according to the classification volume 51, 52 in which the generated operating point has been assigned by the support vector machine, and to output an output signal 71, which ches at least the determined state of the device 200 in.
  • the output signal 71 may carry a logic zero as information to indicate a normal state of the device 200 and a logic one to indicate an error state of the device 200.
  • the output signal 71 can carry, for example, binary-coded numerical information which uniquely identifies and characterizes the state of the device 200, for example 0 (“00”) - Normal state, 1 ("01") - first fault state, 2 ("10") - second fault state, and so on.
  • the output module 23 can furthermore be designed to determine a trajectory of the operating point over the course of time in the n-dimensional operating parameter space over a predetermined period of time, or continuously, and to extrapolate its course in the future.
  • the first point in time can be determined at which the operating point is likely to assume a position in the n-dimensional operating parameter space which is to be assigned to a different state of the device 200 than the current state.
  • the operating point from the first classification tion volume 51 which indicates the normal state
  • changes to a position which belongs to the second classification volume 52 which indicates an error state.
  • the indicated error state will occur in X minutes.
  • the output signal 71 can comprise, for example, a time indication which indicates when at least one specific fault condition will occur, when a change between certain (and which) classification volumes 51, 52 will take place and / or what this change means.
  • the different classification volumes 51, 52 which indicate different error states of the device 200, consecutively indicate more serious error states of the device 200.
  • the extrapolated trajectory can thus indicate for each class boundary, i.e. optimal straight line, plane or hyperplane 65, which separates two classification volumes 51, 52 from one another, whether and when the operating point will intersect according to the extrapolated trajectory and output a corresponding listing.
  • first error state - operating point is assigned to second classification volume 52
  • second error state - operating point is assigned to the third classification volume
  • third error state - operating point is assigned to the fourth classification volume
  • 3 shows a schematic flowchart for explaining a method for determining a state of a device 200 according to an embodiment of the second aspect of the present invention. 3 is in particular Executable particularly by means of the system according to the first aspect of the present invention, in particular with the system 100 according to FIG. 1.
  • a step S10 the device 200 is operated.
  • an electric motor or a pump is switched on or the like.
  • a step S20 the at least two operating parameters xl, x2 of the device 200 are detected during their operation, for example as described above with reference to the detection device 10.
  • an operating parameter x1, x2 of the device 200 can be detected by a corresponding sensor 11, 12.
  • an operating point is generated in an n-dimensional operating parameter space based on the at least two recorded operating parameters, where n> 2.
  • the generation of the operating point S30 can take place as explained above with reference to the operating point module 21.
  • the n-dimensional operating parameter space is subdivided into at least two classification volumes 51, 52, which each indicate different states of the device, using a trained support vector machine 22.
  • the training of the support vector machine 22 can be carried out, for example, as described in the foregoing, so that a method for training a support vector machine for use in a system for determining a state of a device 200 is also provided here.
  • the subdivision S40 of the n-dimensional operating parameter space takes place in such a way that a first classification volume 51 indicates a normal state of the device 200 and a second classification volume 52 indicates an error state of the device 200. It goes without saying that the n-dimensional operating parameter space can also be subdivided into further classification volumes, which preferably indicate further error states of the device 200.
  • the subdivision S40 of the n-dimensional operating parameter space is carried out, as is customary with support vector machines, by calculation, depending on the dimension n of the operating parameter space, an optimal straight line, plane or hyperplane 65.
  • the support vector machine can be designed, for example, as a hard margin support vector machine, in particular if the training data used can be separated linearly, that is to say if an (n-1) -dimensional class boundary can be drawn in the n-dimensional operating parameter space , which defines the classification volumes 51, 52 in such a way that each classification volume 51, 52 includes exactly and only the training data 61, 62 assigned to this classification volume 51, 52.
  • the support vector machine can be designed, for example, as a soft margin support vector machine, for example as an LI software Margin support vector machine or an L2 support vector machine.
  • a step S50 it is determined by the support vector machine 22 that the generated operating point is assigned to one of the classification volumes 51, 52. This is usually done by means of a so-called decision function (English: “decision function").
  • a state of the device 200 is determined in accordance with that classification volume 51, 52 in which the generated operating point is arranged.
  • an output signal 71 is generated and output, which at least indicates the particular state of the device 200.
  • the output signal 71 may contain further information, for example an expected time at which the current operating point will change from the classification volume in which it is currently located to another classification volume, and the like.
  • the method can also be used to determine the influences of the various operating parameters on the error states of the device 200 in more detail.
  • a respective normal vector is determined for each classification limit (i.e. optimal straight line, plane or hyperplane 65) (advantageously normalized to a length of 1), which is perpendicular to the corresponding class limit.
  • the term “normal vector” here does not refer to the normal state of the device 200, but to the vertical arrangement with respect to the class boundary.
  • the individual entries of the normal vector at the various indices of the normal vector provide information about the direction in which the normal vector points in the operating parameter space, so that their absolute amounts provide information about changes in which operating parameters xl, x2, which quickly cause a change between classification volumes.
  • a determination of a respective normal vector on each level or hyper level, which separates the first classification volume from a classification volume that indicates an error state of the device, can take place.
  • step S90 a determination and output of the value of the largest entry in terms of magnitude for each of the determined normal vector, together with the corresponding index value, can then take place, so that, for example, when an error is processed, an error state of the device 200 in a workshop or in a laboratory it can be seen which operating parameter xl, x2 is to be checked primarily in order to find the cause of the fault condition.
  • Steps S80 and S90 can be carried out, for example, by an evaluation module implemented by computing device 20.
  • steps S80 and S90 can also be carried out by an external evaluation device, which is part of the system 100 and can be connected to the computing device 20 of the system.
  • the corresponding operating parameters xl, x2 can be checked in this order before, to ensure that the most probable causes of errors are checked first. In this way, the time required to find the causes of errors can be shortened considerably.
  • This procedure is particularly advantageous if the n-dimensional operating parameter space is divided into at least three classification volumes by the trained support vector machine 22, the first classification volume 51 indicating the normal state of the device and that second classification volume 52 and a third classification volume indicate different error states of the device 200.
  • step S80 a determination of a respective normal vector on each level or hyperplane 65, which separates the first classification volume 51 from a classification volume 52, which indicates an error state of the device 200, can take place.
  • the normal vectors thus indicate on the basis of which operating parameters x1, x2 the operating point from the first classification volume (normal state) would in each case pass into one of the classification volumes 52, which indicates an error state of the device 200.
  • the recorded operating parameters are each recorded as portions (in particular as fractions) of a corresponding maximum operating parameter value, the respective maximum operating parameter values being determined in advance and in the detection device 10 and / or the computing device 20 can be stored.
  • the operating parameters are advantageously recorded as values between 0 and 1, both included.
  • FIG. 4 schematically shows a variant of the situation shown in FIG. 2, in which the first training data 61 and the second training data 62 are such that the classification limit (optimal straight line, plane or hyperplane 65), in the present case a straight line, is parallel extends to the vertical axis x2.
  • the classification limit optical straight line, plane or hyperplane 65
  • N2 (1,0) T de.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

Die Erfindung schafft ein System und ein Verfahren zum Bestimmen eines Zustands einer Vorrichtung unter Verwendung einer trainierten Support-Vector-Maschine. Dabei wird ein Betriebsparameterraum in Klassifizierungsvolumina unterteilt, von denen zumindest eines einen Normalzustand, und zumindest ein anderes einen Fehlerzustand der Vorrichtung indiziert. Durch Bestimmen, wo ein aktueller Betriebsparameterpunkt in dem Betriebsparameterraum anzuordnen ist, kann somit ein aktueller Zustand der Vorrichtung ermittelt werden. Weiterhin werden Verfahren und Varianten des Systems vorgeschlagen, um eine Ursachenauswertung zu erleichtern und besonders relevante Betriebsparameter für die Fehlerbestimmung zu ermitteln.

Description

Beschreibung
Bestimmen von Zuständen einer Vorrichtung mittels Support- Vektor-Maschinen
Stand der Technik
Moderne Vorrichtungen sind häufig mit einer Vielzahl von Sen soren ausgestattet, welche verschiedenste Betriebsparameter der Vorrichtung vor, nach oder während deren Betrieb erfassen können. Gewisse Konstellationen von Betriebsparametern können unter Umständen darauf hindeuten, dass sich eine Vorrichtung in einem Normalzustand befindet oder, umgekehrt, darauf hin deuten, dass sich die Vorrichtung in einem Fehlerzustand be findet .
Bei einer großen Anzahl von Betriebsparametern sind die mit unter komplexen Zusammenhänge zwischen den Betriebsparame tern, welche zu Fehlerzuständen führen können, häufig ver schleiert. Der Zugewinn an Messungen für Betriebsparameter führt somit teilweise statt zu einer Verbesserung der
Fehlerüberwachung der Vorrichtung zu einer Verschlechterung, da in schwierigen Fällen beispielsweise relevante Betriebspa rameterwerte in einer Vielzahl von anderen Betriebsparameter werten verborgen sein können und somit nicht mehr auflösbar sind .
Bei Lösungen im Stand der Technik ist es daher sehr aufwän dig, aus der Vielzahl der erfassten Betriebsparameter den Zu stand der Vorrichtung akkurat zu erfassen. Zudem ist es auf grund der mitunter komplexen Zusammenhänge im Stand der Tech nik auch sehr schwierig, eine Ursachenfindung für einen Feh lerzustand herzustellen. Bislang erfolgt die Ursachenfindung üblicherweise durch Experten eines jeweiligen Fachgebiets der Vorrichtung durch das Übereinanderlegen von Kurvendarstellun gen oder dergleichen in langwieriger manueller Arbeit. Aus dem Bereich des Maschinenlernens (Englisch „machine lear- ning") sind sogenannte Support-Vector-Maschinen, SVM (Eng lisch „support vector machine") bekannt, welche teilweise auch als „Stützvektormaschine" bezeichnet werden. Solche Sup port-Vector-Maschinen werden mit Trainingsdaten in einem Pa rameterraum trainiert, um Grenzen („Klassengrenzen" oder „Klassifizierungsgrenzen") zwischen verschiedenen Klassifi zierungsvolumina des Parameterraums derart zu erzeugen, dass um diese Grenzen herum ein möglichst breiter Bereich mög lichst frei von den Trainingsdaten bleibt. Nachdem die Sup- port-Vector-Maschine auf diese Weise trainiert wurde, kann die erzeugte Klassengrenze dazu verwendet werden, zu bestim men, in welchem Klassifizierungsvolumen ein bestimmter, ins besondere der Support-Vector-Maschine zuvor unbekannter,
Punkt in dem Parameterraum positioniert ist. Auf diese Weise ermöglichen Support-Vector-Maschinen eine Klassifizierung von n-dimensionalen Punkten.
Ein Lehrbuch, welches sich mit dem Einsatz von Support- Vector-Maschinen zur Musterklassifizierung beschäftigt, ist beispielsweise das Buch von Shigeo Abe : „Support vector ma- chines for pattern Classification", Springer-Verlag London 2010, Zweite Edition.
In EP 3 296 822 A2 ist ein Verfahren zum Bestimmen einer Un gleichheit („mismatch") zwischen einem Werk („plant") und Mo dellen für Werke beschrieben, bei dem eine Support-Vector- Maschine eingesetzt werden kann, um festzustellen, ob ein konkretes Werk sich im Bereich eines Clusters von „guten" Mo dellen befindet oder nicht.
US 2015/293523 Al beschreibt ein Maschinenwerkzeugdiagnose verfahren sowie ein Maschinenwerkzeugdiagnosesystem unter Verwendung einer 1-Klasse-Support-Vector-Maschine .
DE 10 2008 058422 Al beschreibt ein Verfahren, bei dem ein Laserbearbeitungsvorgang mit einem Kennwert versehen wird, welcher durch eine Support-Vector-Maschine bereitgestellt werden kann.
Zusammenfassung der Erfindung
Es ist eine Aufgabe der vorliegenden Erfindung, Zustände ei ner Vorrichtung, insbesondere einer elektrischen Maschine, akkurat zu bestimmen.
Diese Aufgabe wird gelöst durch die Gegenstände der unabhän gigen Ansprüche.
Dementsprechend stellt die Erfindung, gemäß dem ersten As pekt, ein System mit den Merkmalen des Patentanspruchs 1 be reit.
Bei der Recheneinrichtung kann es sich insbesondere um einen Prozessor mit einem zugehörigen Speicher, eine Cloud- Computing-Plattform, einen Mikrocontroller, eine anwendungs spezifische integrierte Schaltung, ASIC, und/oder dergleichen mehr handeln.
Die Erfassungseinrichtung kann insbesondere mehrere Sensoren umfassen, wobei jeder Sensor zum Erfassen von mindestens ei nem Betriebsparameter der Vorrichtung während deren Betrieb ausgebildet ist. Beispielsweise kann ein elektrischer Strom durch einen elektrischen Stromsensor erfasst werden, eine Temperatur durch einen Temperatursensor, eine elektrische Spannung durch einen elektrischen Spannungssensor usw.
Das Ausgabemodul kann in einigen vorteilhaften Ausführungs formen dazu ausgebildet sein, eine zeitliche Trajektorie des von dem Betriebspunktmodul erzeugten Betriebspunkts während des Betriebs der Vorrichtung zu erzeugen und eine zu erwar tende Fortsetzung dieser Trajektorie in der Zukunft zu ermit teln oder abzuschätzen. Basierend auf dieser zu erwartenden Trajektorie kann das Ausgabemodul in einigen vorteilhaften Ausführungsformen ermitteln, zu welchem Zeitpunkt der Be- triebspunkt der Vorrichtung entlang der Trajektorie in einer Position angekommen ist, welche einem Klassifizierungsvolumen zugeordnet oder zuzuordnen ist, welche einen Fehlerzustand der Vorrichtung indiziert.
Das Ausgabemodul kann in diesem Fall weiterhin dazu ausgebil det sein, einen Zeitpunkt und/oder eine verbleibende Zeitdau er anzugeben, an welchem bzw. nach welcher sich die Vorrich tung voraussichtlich in dem Fehlerzustand befinden wird. Auf diese Weise wird ein Benutzer durch eine kontinuierliche Mensch-Maschine-Interaktion darin unterstützt, nicht nur den tatsächlichen Zustand der Vorrichtung zu überwachen, sondern auch einen etwaigen, in der Zukunft liegenden Fehlerzustand vorherzusehen und gegebenenfalls zu vermeiden.
Weiterhin stellt die Erfindung, gemäß einem zweiten Aspekt ein Verfahren mit den Merkmalen des Patentanspruchs 7 bereit.
Durch die Verwendung der Support-Vector-Maschine ist es mög lich, selbst eine Vielzahl von Betriebsparametern in Hinsicht darauf auszuwerten, ob diese einen aktuellen oder sogar einen zukünftigen Fehlerzustand der Vorrichtung indizieren.
Dadurch, dass dies auch während des Betriebs der Vorrichtung erfolgen kann, wird der Benutzer beim Betreiben der Vorrich tung unterstützt, da er auf diese Weise einen Einblick in de ren internen Zustand erhält, welcher ihm ansonsten verborgen geblieben wäre.
Das Trainieren der Support-Vector-Maschine erfolgt bevorzugt durch gelabelte Betriebspunkte in dem n-dimensionalen Be triebsparameterraum, wobei die Labels angeben, welchem Klas sifizierungsvolumen der entsprechende Betriebsparameterpunkt zuzuordnen ist bzw. welcher Gruppe (z.B. Normalzustand, Feh lerzustand 1, Fehlerzustand 2, etc.) zugeordnet ist.
Gemäß einem weiteren Aspekt stellt die Erfindung eine Vor richtung, insbesondere eine elektrische Maschine, mit einem System gemäß dem ersten Aspekt der vorliegenden Erfindung be- reit. Bei der elektrischen Maschine kann es sich beispiels weise um einen Elektromotor und/oder einen elektrischen Gene rator handeln. Alternativ kann die Vorrichtung auch bei spielsweise eine Pumpe oder ein Antriebsstrang sein oder eine Pumpe oder einen Antriebsstrang umfassen.
Die Erfindung stellt gemäß einem weiteren Aspekt ein Compu terprogrammprodukt bereit, welches ausführbaren Programmcode enthält, welcher so ausgebildet ist, dass der Programmcode, wenn er ausgeführt wird, das Betriebspunktmodul, die trai nierte Support-Vector-Maschine und das Ausgabemodul reali siert .
Weiterhin stellt die Erfindung gemäß einem weiteren Aspekt ein nicht-flüchtiges computerlesbares Speichermedium bereit, welches ausführbaren Programmcode enthält, welcher so ausge bildet ist, dass der Programmcode, wenn er ausgeführt wird, das Betriebspunktmodul, die trainierte Support-Vector- Maschine und das Ausgabemodul realisiert.
Weitere bevorzugte Ausführungsformen und Weiterbildungen er geben sich aus den Unteransprüchen sowie aus der Beschreibung unter Bezugnahme auf die Figuren.
Gemäß einigen bevorzugten Ausführungsformen umfassen die von der Erfassungseinrichtung erfassten Betriebsparameter mindes tens einen, besonders bevorzugt mindestens zwei, der folgen den Betriebsparameter:
- eine elektrische Spannung;
- eine elektrische Stromstärke;
- eine Beschleunigung;
- eine lineare Beschleunigung;
- eine Rotationsgeschwindigkeit;
- eine Rotationsbeschleunigung;
- eine Temperatur. Beispielsweise kann es sich in einigen bevorzugten Ausfüh rungsformen bei der Vorrichtung um eine elektrische Maschine handeln, welche insbesondere durch die Betriebsparameter elektrische Spannung, elektrische Stromstärke, Rotationsbe schleunigung und/oder Rotationsgeschwindigkeit charakteri sierbar ist.
Die trainierte Support-Vector-Maschine ist dazu ausgebildet, den n-dimensionalen Betriebsparameterraum in mindestens drei Klassifizierungsvolumina zu unterteilen, wobei das erste Klassifizierungsvolumen den Normalzustand der Vorrichtung in diziert und wobei das zweite Klassifizierungsvolumen und ein drittes Klassifizierungsvolumen unterschiedliche Fehlerzu stände in der Vorrichtung indizieren. Auf diese Weise kann ein bestehender oder prognostizierter Fehlerzustand noch ge nauer bestimmt und identifiziert werden.
Im Fall von genau drei Klassifizierungsvolumina werden die Klassifizierungsvolumina von der trainierten Support-Vector- Maschine durch zwei-dimensionale Ebenen voneinander getrennt. Im Fall von vier oder mehr Betriebsparametern, wobei bei spielsweise drei verschiedene Fehlerzustände identifiziert werden können, werden die Klassifizierungsvolumina von der trainierten Support-Vector-Maschine durch sogenannte Hyper ebenen voneinander getrennt.
In einigen bevorzugten Ausführungsformen ist die Support- Vector-Maschine dazu eingerichtet, einen linearen Kernel zu verwenden. Auf dem technischen Gebiet der Support-Vector- Maschinen werden, insbesondere wenn zu klassifizierende Punk te vorliegen oder zu erwarten sind, welche nicht linear von einander separierbar sind, häufig vektorwertige Funktionen f (x) verwendet, um Eingabevektoren x, welche die Betriebspa rameter in dem Betriebsparameterraum repräsentieren, in einen üblicherweise höherdimensionalen Merkmalsraum (Englisch „fea- ture space") zu transformieren, in welchem die Separation durch die Support-Vector-Maschine üblicherweise einfacher ist . 1
Zunächst kann eine Entscheidungsfunktion D (x) für einen Ein gabevektor x durch
D (x) = wTx + b definiert werden, wobei w ein m-dimensionaler Vektor ist und b ein Bias-Term ist. Eine Entscheidung kann beispielsweise definiert sein durch: für yi = 1
wTXi + b
{
Figure imgf000009_0001
für y£ =—1 wobei jedes yi ein Label für einen Trainingspunkt Xi dar stellt, d.h. yi=l die Zugehörigkeit des Trainingspunkts Xi zu einer ersten Klasse (Label „1") ausdrückt und yi=-l die Zuge hörigkeit des Trainingspunkts Xi zu einer zweiten Klasse (La bel „-1" ) ausdrückt. Eine Lösung für das Problem des Findens der Klassengrenzen kann dann unter Aufstellung der Karush- Kuhn-Tucker-Bedingungen gefunden werden.
Unter Verwendung einer vektorwertigen Funktion f (x) („Map- ping-Funktion" ) kann die Entscheidungsfunktion stattdessen definiert für den Merkmalsraum definiert werden durch
Figure imgf000009_0002
Mit dieser „Mapping-Funktion" f (x) kann ein sogenannter Kernel K(x,x') durch
K(x,x') = ft (x) f(c') definiert werden. Vorteilhaft kann dann, anstatt mit der Map ping-Funktion f (x) explizit zu arbeiten, für das Bestimmen der die Klassifizierungsvolumina trennenden Ebenen bzw. Hype rebenen statt mit der Mapping-Funktion vorteilhaft nun mit dem Kernel K(x,x') gearbeitet werden. Insbesondere können Karush-Kuhn-Tucker-Bedingungen dann unter Verwendung des Kernels aufgestellt werden. Diese Technik, wo nach K(x,x') bei dem Trainieren der Support-Vector-Maschine und auch bei der Klassifikation anstelle der Mapping-Funktion f (x) verwendet wird, wird Kernel-Trick (Englisch „kernel trick") genannt.
Lineare Kernels haben die Form
K(x,x') = XT x' und bewirken keine Transformierung des Input-Vektors x, wel cher den Betriebsparameterpunkt repräsentiert, in einen hö- herdimensionalen Raum. Anders ausgedrückt hat der Merkmals raum dieselbe Dimensionalität wie der ursprüngliche Betriebs parameterraum.
In einigen bevorzugten Ausführungsformen ist die Erfassungs einrichtung dazu eingerichtet, die erfassten Betriebsparame ter als Anteile (beispielsweise Bruchteile, Brüche oder Pro zentwerte) eines jeweils entsprechenden Betriebsparameter- Maximalwerts zu erfassen. Mit anderen Worten kann vorteilhaft eine Normierung der Betriebsparameter durchgeführt werden.
Dies erlaubt, wie im Nachfolgenden näher erläutert wird, eine Bestimmung der Wertigkeit der einzelnen Betriebsparameter auf die Klassifizierungsgrenzen der Klassifizierungsvolumina (das heißt auf die Ebenen bzw. Hyperebenen) vorzunehmen, woraus sich Rückschlüsse auf Fehlerursachen ergeben können.
In einigen vorteilhaften Ausführungsformen ist die Rechenein richtung dazu ausgebildet, ein Auswertungsmodul zu implemen tieren, welches dazu ausgebildet ist: einen jeweiligen Normalenvektor auf jede Ebene oder Hy perebene zu bestimmen, welche das erste Klassifizie rungsvolumen, welches den Normalzustand der Vorrichtung indiziert, von einem Klassifizierungsvolumen trennt, welches einen Fehlerzustand der Vorrichtung indiziert, und für jeden der bestimmten Normalenvektoren den Wert des betragsmäßig größten Eintrags des Normalenvektors zu be stimmen und auszugeben.
Dieser betragsmäßig größte Eintrag des jeweiligen Normalen vektors zeigt somit an, eine Veränderung welches Parameters am ehesten dazu führt, dass der Betriebspunkt sich von einer Position innerhalb des ersten Klassifizierungsvolumens (Nor malzustand) befindet, in das jeweilige, dem Normalenvektor zugehörige Klassifizierungsvolumen, welches einen Fehlerzu stand indiziert, bewegt.
In einigen vorteilhaften Ausführungsformen umfasst das Ver fahren gemäß dem zweiten Aspekt der vorliegenden Erfindung die folgenden Merkmale und Schritte: Der n-dimensionale Be triebsparameterraum wird durch die trainierte Support-Vector- Maschine in mindestens drei Klassifizierungsvolumina unter teilt, wobei das erste Klassifizierungsvolumen den Normalzu stand der Vorrichtung indiziert und wobei das zweite Klassi fizierungsvolumen und ein drittes Klassifizierungsvolumen un terschiedliche Fehlerzustände der Vorrichtung indizieren.
Die erfassten Betriebsparameter können insbesondere, wie im Voranstehenden erläutert, als Anteile eines jeweils entspre chenden Betriebsparameter-Maximalwerts erfasst werden. Dies beinhaltet, dass die Betriebsparameter zunächst als absolute Werte erfasst werden und dann, entweder durch die Erfassungs einrichtung selbst oder durch eine zwischengeschaltete Re cheneinheit mit vorbestimmten und gespeicherten jeweiligen Betriebsparameter-Maximalwerten dividiert werden, um die ent sprechenden Anteile (beispielsweise Bruchteile, Brüche oder Prozentwerte) zu bestimmen.
Vorteilhaft kann außerdem ein jeweiliger Normalenvektor auf jede Ebene oder Hyperebene bestimmt werden, welche das erste Klassifizierungsvolumen, welches den Normalzustand der Vor richtung identifiziert, von einem Klassifizierungsvolumen trennt, welches einen Fehlerzustand der Vorrichtung indi ziert. Es erfolgt außerdem vorteilhaft ein Bestimmen und Aus geben des Werts des betragsmäßig größten Eintrags jedes be stimmten Normalenvektors. Wie im Voranstehenden erläutert, kann auf diese Weise ermittelt werden, welcher Betriebspara meter besonders maßgeblich für das Erreichen des jeweiligen Fehlerzustands ist.
Beispielsweise kann die Vorrichtung eine elektrische Maschi ne, genauer ein elektrischer Motor sein, welcher beispiels weise mit mindestens einem Vibrationssensor und mindestens einem Temperatursensor ausgebildet ist. Es können zwei oder mehr Vibrationssensoren an verschiedenen Stellen des elektri schen Motors und/oder zwei oder mehr Temperatursensoren an verschiedenen Stellen des elektrischen Motors angeordnet sein. Jeder Messwert jedes Sensors des elektrischen Motors kann einen Eintrag (Index) in einem Eingabevektor füllen. Der jeweils aktuelle Eingabevektor stellt somit einen jeweils ak tuellen Betriebspunkt des elektrischen Motors dar.
Wenn es nun zu einem bestimmten Zeitpunkt dazu kommt, dass die Motorsteuerung des elektrischen Motors die Fehlermeldung ausgibt, dass der Motor ausgefallen sei, kann mit der be schriebenen Technik festgestellt werden, an welcher Stelle des Motors das Problem stattgefunden hat und ob die mögliche Ursache eher eine Überhitzung (größere Gewichtung der Tempe ratursensordaten) oder eine überhohe Vibration (größere Ge wichtung der Vibrationssensordaten) war.
In einem anderen Beispiel kann die Vorrichtung eine Pumpe, beispielsweise für Abwasser, sein, welche im Normalfall eine bestimmte Menge elektrischen Stroms (erster Betriebsparame ter) und eine entsprechende Menge elektrischer Spannung
(zweiter Betriebsparameter) benötigt. Weiterhin kann eine Temperatur der Pumpe (dritter Betriebsparameter) gemessen werden . In einem weiteren Beispiel kann die Vorrichtung eine elektri sche Säge, beispielsweise eine Kreissäge für die Holzverar beitung, sein. Als Betriebsparameter können eine Motortempe ratur, eine Vibration und eine Drehgeschwindigkeit gemessen und erfasst werden. Bei einem Ausfall der Säge kann zum Bei spiel eine hohe Motortemperatur auf allgemeine Überlastung oder Verschleiß des Motors als Ursache hinweisen; eine starke Vibration in Kombination mit hoher Temperatur kann auf einen Verschleiß des Sägeblattes als Ursache hinweisen; und eine langsame Drehgeschwindigkeit in Kombination mit geringer Vib ration kann auf die Ursache hinweisen, dass ein zu sägendes Holz zu hart ist.
In noch einem weiteren Beispiel kann die Vorrichtung ein An triebsstrang eines Fahrzeugs, z.B. eines Elektrofahrzeugs o- der eines Hybridfahrzeug, sein. An dem Antriebsstrang kann beispielsweise eine aktuelle Drehzahl als erster Betriebspa rameter und ein aktuelles Drehmoment als zweiter Betriebspa rameter gemessen werden. Wenn der Antriebsstrang beispiels weise wegen Überschreitung eines maximal zulässigen Drehmo ments angehalten wird, kann z.B. ermittelt werden, ob die Ur sache eine zu starke Last an der Achse ist oder eher eine zu starke Beschleunigung.
Weiterhin kann auch eine geordnete Liste der Einträge jedes bestimmten Normalenvektors nach deren Größe bestimmt und aus gegeben werden (jeweils im Zusammenhang mit deren Indexwert, damit nachvollzogen werden kann, welcher Eintrag zu welchem Betriebsparameter gehört) , um eine Hierarchie der Wichtigkeit der entsprechenden Betriebsparameter für das Erreichen des jeweiligen Fehlerzustands zu erhalten. Dies kann bei einer Evaluierung der möglichen Fehlerursachen beispielsweise in einer Werkstatt von großem Vorteil sein.
Die obigen Ausgestaltungen und Weiterbildungen lassen sich, sofern sinnvoll, beliebig miteinander kombinieren. Weitere mögliche Ausführungsformen, Weiterbildungen und Implementie rungen der Erfindung umfassen auch nicht explizit genannte Kombinationen von zuvor oder im Folgenden bezüglich der Aus führungsbeispiele beschriebenen Merkmale der Erfindung. Ins besondere wird dabei der Fachmann auch Einzelaspekte als Ver besserungen oder Ergänzungen zu der jeweiligen Grundform der vorliegenden Erfindung hinzufügen.
Die vorliegende Erfindung wird nachfolgend anhand der in den schematischen Figuren angegebenen Ausführungsbeispiele näher erläutert. Es zeigen dabei:
Fig. 1 ein schematisches Blockschaltbild eines Systems zum
Bestimmen eines Zustands einer Vorrichtung gemäß einer Ausführungsform des ersten Aspekts der vor liegenden Erfindung;
Fig. 2 eine schematische Darstellung eines Betriebsparame terraums mit Trainingsdaten;
Fig. 3 ein schematisches Flussdiagramm zum Erläutern eines
Verfahrens zum Bestimmen eines Zustands einer Vor richtung gemäß einer Ausführungsform des zweiten Aspekts der vorliegenden Erfindung; und
Fig. 4 eine weitere schematische Darstellung eines Be
triebsparameterraums mit Trainingsdaten.
Die beiliegenden Figuren sollen ein weiteres Verständnis der Ausführungsformen der Erfindung vermitteln. Sie veranschauli chen Ausführungsformen und dienen im Zusammenhang mit der Be schreibung der Erklärung von Prinzipien und Konzepten der Er findung. Andere Ausführungsformen und viele der genannten Vorteile ergeben sich im Hinblick auf die Zeichnungen. Die Elemente der Zeichnungen sind nicht notwendigerweise maß stabsgetreu zueinander gezeigt.
In den Figuren der Zeichnung sind gleiche, funktionsgleiche und gleich wirkende Elemente, Merkmale und Komponenten - so fern nichts anderes ausgeführt ist - je-weils mit denselben Bezugszeichen versehen. Die Nummerierung der Verfahrens schritte dient der besseren Übersichtlichkeit und soll nicht, sofern nicht explizit oder implizit etwas anderes ausgesagt wird, als eine zeitliche Reihenfolge verstanden werden. Ins besondere können einige Verfahrensschritte auch gleichzeitig oder in vertauschter Reihenfolge ausgeführt werden.
Fig. 1 zeigt ein schematisches Blockschaltbild eines Systems 100 zum Bestimmen eines Zustands einer Vorrichtung 200. Bei der Vorrichtung 200 kann es sich insbesondere um eine elekt rische Maschine handeln, beispielsweise um einen elektrischen Motor und/oder Generator. Alternativ kann die Vorrichtung 200 auch eine Pumpe oder ein Antriebsstrang eines Fahrzeugs sein, beispielsweise eines elektrischen Fahrzeugs oder eines Hyb ridfahrzeugs .
Obgleich in Fig. 1 das System 100 und die Vorrichtung 200 ge trennt voneinander dargestellt sind, kann in einigen Ausfüh rungsformen die Vorrichtung 200 das System 100 zum Bestimmen des Zustands der Vorrichtung 200 beinhalten. Erfindungsgemäß kann auch ein Fahrzeug bereitgestellt werden, welches sowohl das System 100 als auch das System 200 umfasst.
Im Folgenden wird das System 100 näher am Beispiel eines elektrischen Motors als die Vorrichtung 200 dargelegt, wobei die beschriebenen Konzepte nicht auf eine solche Vorrichtung 200 beschränkt sind.
Das System 100 umfasst eine Erfassungseinrichtung 10, welche zum Erfassen von mindestens zwei Betriebsparametern der Vor richtung 200 während deren Betriebs ausgebildet ist. Hierzu kann die Erfassungseinrichtung beispielsweise jeweils einen Sensor 11, 12 umfassen, welcher jeweils dazu eingerichtet ist, den jeweiligen Betriebsparameter zu erfassen.
Wie im Voranstehenden bereits beschrieben wurde, ist es vor teilhaft, wenn die Betriebsparameter als Anteile eines jewei ligen Betriebsparameter-Maximalwerts erfasst werden. Die ein- zelnen Sensoren 11, 12 können beispielsweise so eingerichtet sein, dass sie die Messwerte bereits als solche Anteile aus geben .
Alternativ kann die Erfassungseinrichtung 10 auch eine Um rechnungseinheit, beispielsweise implementiert durch einen Prozessor, Mikrocontroller, ein ASIC oder eine FPGA, umfas sen, welche zum Umrechnen der von den Sensoren 11, 12 erfass ten Rohsensordaten in die entsprechenden Anteile ausgebildet ist. Im Beispiel eines elektrischen Motors als Vorrichtung 200 kann beispielsweise ein erster Sensor 11 zum Erfassen ei nes an dem elektrischen Motor 200 anliegenden Stroms und ein zweiter Sensor 12 zum Erfassen einer an dem elektrischen Mo tor 200 anliegenden Spannung ausgelegt sein.
Das System 100 umfasst weiterhin eine Recheneinrichtung 20, welche dazu ausgebildet ist, einen Betriebspunktmodul 21, ei ne trainierte Support-Vector-Maschine 22 und ein Ausgabemodul 23 zu implementieren. Das Betriebspunktmodul 21, die trai nierte Support-Vector-Maschine 22, und das Ausgabemodul 23 sind bevorzugt als Software-Module realisiert, welche durch die Recheneinrichtung 20 ausgeführt werden. Optional kann die Recheneinrichtung 20 auch dazu ausgebildet sein, das im Vor anstehenden beschriebene Auswertungsmodul zu implementieren.
Bei der Recheneinrichtung 20 kann es sich insbesondere um ei nen Prozessor mit einem zugehörigen Speicher, eine Cloud- Computing-Plattform, einen Mikrocontroller, eine anwendungs spezifische integrierte Schaltung, ASIC, und/oder dergleichen mehr handeln.
Das Betriebspunktmodul 21 ist dazu ausgebildet, aus den min destens zwei erfassten Betriebsparametern (beispielsweise Spannung und Stromstärke) einen Betriebspunkt in einem n- dimensionalen Betriebsparameterraum zu erzeugen, wobei n > 2 ist. Dieser Betriebspunkt, welcher, wenn es sich bei den er fassten Betriebsparametern um aktuelle Betriebsparameter han delt, einen aktuellen Betriebspunkt darstellt, kann erfin- dungsgemäß dazu verwendet werden, einen aktuellen Zustand der Vorrichtung 200 zu indizieren.
Hierzu ist die trainierte Support-Vector-Maschine 22 dazu ausgebildet und trainiert, den n-dimensionalen Betriebspara meterraum in mindestens zwei Klassifizierungsvolumina zu un terteilen, welche jeweils unterschiedliche Zustände der Vor richtung 200 indizieren. Je nach der Dimensionalität des n- dimensionalen Betriebsparameterraums handelt es sich bei den Klassengrenzen zwischen Klassifizierungsvolumina um Geraden (bei n = 2), Ebenen (bei n = 3) oder sogenannte Hyperebenen (n > 4) .
Hierzu werden der Support-Vector-Maschine Trainingsdaten mit entsprechenden Labels y± bereitgestellt, welche jedem der Trainingspunkte x± einen jeweiligen Zustand (Normalzustand, Fehlerzustand 1, Fehlerzustand 2,...) zuweisen.
Fig. 2 zeigt eine schematische Darstellung eines Betriebspa rameterraums mit Trainingsdaten am Beispiel von n = 2 mit zwei Betriebsparametern xl, x2. Hierbei ist ein erster Be triebsparameter xl in der horizontalen Achse dargestellt und indiziert (oder: stellt dar) beispielsweise eine an dem elektrischen Motor 200 anliegende Stromstärke. Ein zweiter Betriebsparameter x2 ist auf der vertikalen Achse aufgetragen und indiziert (oder: stellt dar) beispielsweise eine an dem elektrischen Motor 200 anliegende Spannung.
Erste Trainingspunkte 61, welche beispielsweise einen Normal zustand der Vorrichtung 200 indizieren, sind in Fig. 2 durch Kreise dargestellte. Zweite Trainingspunkte 62, welche einen Fehlerzustand der Vorrichtung 200 indizieren, sind in Fig. 2 durch Rauten dargestellt. Bei dem Trainieren der Support- Vector-Maschine 22 wird eine optimale Gerade, Ebene oder Hy perebene 65 ermittelt, welche die Trainingspunkte 61, 62 ide alerweise so voneinander teilt, dass sich ein maximaler Ab stand dl, d2 zu den Trainingspunkten 61, 62 ergibt. Die in Fig. 2 dargestellten Datenpunkte 63 sowohl der ersten Trainingsdaten 61 als auch der zweiten Trainingsdaten 62, welche allesamt den geringstmöglichen Abstand zu der optima len Gerade, Ebene oder Hyperebene 65 haben, werden als Stütz vektoren (Englisch „Support vectors") bezeichnet, da diese im Grunde ausreichen würden, um die Support-Vector-Maschine zu trainieren. Aus diesen Stützvektoren erhält die Support- Vector-Maschine auch ihren Namen.
Nach dem Vorangehenden teilt die optimale Gerade, Ebene oder Hyperebene 65 den Betriebsparameterraum, welcher durch die xl-Achse und die x2-Achse aufgespannt wird, in ein erstes Klassifizierungsvolumen 51, welches einen Normalzustand indi ziert, und ein zweites Klassifizierungsvolumen 52, welches einen Fehlerzustand indiziert.
Die Support-Vector-Maschine 22 kann gemäß verschiedenen be kannten Varianten und Weiterbildungen von Support-Vector- Maschinen ausgebildet werden, beispielsweise als Soft-Margin- Support-Vector-Maschine oder als Hard-Margin-Support-Vector- Maschine .
Die trainierte Support-Vector-Maschine 22 ist nun dazu in der Lage, einen beliebigen aktuellen Betriebspunkt, welcher von dem Betriebspunktmodul gebildet wurde, einem der vorhandenen Klassifizierungsvolumina 51, 52 zuzuordnen.
Es versteht sich, dass die hier beschriebenen Verfahren auch bei mehr als zwei Klassifizierungsvolumina, beispielsweise drei oder mehr Klassifizierungsvolumina 51, 52 anwendbar sind, wobei das erste Klassifizierungsvolumen 51 stets den Normalzustand indiziert und wobei weitere Klassifizierungsvo lumina üblicherweise verschiedene Fehlerzustände klassifizie ren. Es ist auch möglich, dass es mehrere voneinander ge trennte Klassifizierungsvolumina gibt, welche jeweils ver schiedene Normalzustände der Vorrichtung 200 indizieren, das heißt Zustände, welche sich in ihren Betriebsparametern zwar stark unterscheiden, aber beide im Betrieb der Vorrichtung 200 akzeptabel sind.
Wieder bezugnehmend auf Fig. 1 ist das Ausgabemodul 23 dazu ausgebildet, einen Zustand der Vorrichtung 200 gemäß demjeni gen Klassifizierungsvolumen 51, 52 zu bestimmen, in welchem der erzeugte Betriebspunkt durch die Support-Vector-Maschine zugeordnet wurde, und ein Ausgabesignal 71 auszugeben, wel ches zumindest den bestimmten Zustand der Vorrichtung 200 in diziert .
Beispielsweise kann das Ausgabesignal 71 als Information eine logische Null tragen, um einen Normalzustand der Vorrichtung 200 zu indizieren und eine logische Eins tragen, um einen Fehlerzustand der Vorrichtung 200 zu indizieren. Bei mehr als einem Fehlerzustand der Vorrichtung 200, das heißt mehr als drei Klassifizierungsvolumina 51, 52, kann das Ausgabesignal 71 beispielsweise eine binärkodierte Zahleninformation tra gen, welche den Zustand der Vorrichtung 200 eindeutig identi fiziert und charakterisiert, beispielsweise 0 („00") - Nor malzustand, 1 („01") - Erster Fehlerzustand, 2 („10") - Zwei ter Fehlerzustand, und so weiter.
Das Ausgabemodul 23 kann weiterhin dazu ausgebildet sein, über einen vorbestimmten Zeitraum hinweg, oder kontinuier lich, eine Trajektorie des Betriebspunkts im Verlauf der Zeit in dem n-dimensionalen Betriebsparameterraum zu bestimmen und deren Verlauf in der Zukunft zu extrapolieren.
Hierauf basierend kann der im zeitlichen Verlauf erste Zeit punkt bestimmt werden, an welchem der Betriebspunkt voraus sichtlich eine Position in dem n-dimensionalen Betriebspara meterraum einnimmt, welche einem anderen Zustand der Vorrich tung 200 zuzuordnen ist als dem aktuellen Zustand.
Beispielsweise kann ermittelt werden, dass gemäß der extrapo lierten Trajektorie des Betriebspunkts in X Minuten (z.B. vier Minuten) der Betriebspunkt von dem ersten Klassifizie- rungsvolumen 51, welches den Normalzustand indiziert, in eine Position wechselt, welche dem zweiten Klassifizierungsvolumen 52 angehört, welches einen Fehlerzustand indiziert. Mit ande ren Worten kann extrapoliert werden, dass entsprechend in X Minuten der indizierte Fehlerzustand eintreten wird.
Darauf basierend kann das Ausgabesignal 71 beispielsweise ei ne Zeitangabe umfassen, welche indiziert, wann mindestens ein bestimmter Fehlerzustand eintreten wird, wann ein Wechsel zwischen bestimmten (und welchen) Klassifizierungsvolumina 51, 52 stattfinden wird und/oder was dieser Wechsel bedeutet.
Beispielsweise ist denkbar, dass die verschiedenen Klassifi zierungsvolumina 51, 52, welche unterschiedliche Fehlerzu stände der Vorrichtung 200 indizieren, konsekutiv schwerwie gendere Fehlerzustände der Vorrichtung 200 indizieren. Die extrapolierte Trajektorie kann somit für jede Klassengrenze, das heißt optimale Gerade, Ebene oder Hyperebene 65, welche zwei Klassifizierungsvolumina 51, 52 voneinander trennt, an geben, ob und wann der Betriebspunkt gemäß der extrapolierten Trajektorie diese schneiden wird und eine entsprechende Auf listung ausgeben.
Auf diese Weise kann einem Benutzer beispielsweise angezeigt werden, wann eine geringe Beeinträchtigung der Funktion der Vorrichtung 200 voraussichtlich eintreten wird (erster Feh lerzustand - Betriebspunkt wird zweitem Klassifizierungsvolu men 52 zugeordnet) , wann eine stärkere Beeinträchtigung auf- treten wird (zweiter Fehlerzustand - Betriebspunkt wird drit tem Klassifizierungsvolumen zugeordnet) und wann ein endgül tiger Zusammenbruch der Funktion der Vorrichtung 200 erfolgen wird (dritter Fehlerzustand - Betriebspunkt wird viertem Klassifizierungsvolumen zugeordnet) .
Fig. 3 zeigt ein schematisches Flussdiagramm zum Erläutern eines Verfahrens zum Bestimmen eines Zustands einer Vorrich tung 200 gemäß einer Ausführungsform des zweiten Aspekts der vorliegenden Erfindung. Das Verfahren gemäß Fig. 3 ist insbe- sondere mittels des Systems gemäß dem ersten Aspekt der vor liegenden Erfindung ausführbar, insbesondere mit dem System 100 gemäß Fig. 1.
Das Verfahren gemäß Fig. 3 ist somit gemäß allen in Bezug auf das System gemäß dem ersten Aspekt der Erfindung beschriebe nen Varianten, Modifikationen und Optionen anpassbar und um gekehrt. Bei der Beschreibung des Verfahrens gemäß Fig. 3 wird teilweise auch auf Bezugszeichen der Fig. 1 und Fig. 2 Bezug genommen werden, ohne dass dadurch eine Beschränkung auf die Verwendung mit dem System 100 gemäß Fig. 1 zu verste hen sein soll.
In einem Schritt S10 wird die Vorrichtung 200 betrieben. Bei spielsweise wird ein elektrischer Motor oder eine Pumpe ein geschaltet oder dergleichen.
In einem Schritt S20 der mindestens zwei Betriebsparameter xl, x2 der Vorrichtung 200 während deren Betriebs erfasst, beispielsweise wie im Voranstehenden in Bezug auf die Erfas sungseinrichtung 10 beschrieben wurde. Insbesondere kann je ein Betriebsparameter xl, x2 der Vorrichtung 200 durch einen entsprechenden Sensor 11, 12 erfasst werden.
In einem Schritt S30 wird ein Betriebspunkt in einem n- dimensionalen Betriebsparameterraum basierend auf den mindes tens zwei erfassten Betriebsparametern erzeugt, wobei n > 2 ist. Das Erzeugen S30 des Betriebspunkts kann erfolgen, wie im Voranstehenden mit Bezug auf das Betriebspunktmodul 21 er läutert wurde.
In einem Schritt S40 wird der n-dimensionale Betriebsparame terraum in mindestens zwei Klassifizierungsvolumina 51, 52 unterteilt, welche jeweils unterschiedliche Zustände der Vor richtung indizieren, und zwar unter Verwendung einer trai nierten Support-Vector-Maschine 22. Das Unterteilen S40 des n-dimensionalen Betriebsparameterraums kann alternativ auch als Erzeugen von Klassifizierungsgrenzen 65 beschrieben wer den .
Das Trainieren der Support-Vector-Maschine 22 kann beispiels weise erfolgen wie im Voranstehenden beschrieben, so dass vorliegend auch ein Verfahren zum Trainieren einer Support- Vector-Maschine für den Einsatz in einem System zum Bestimmen eines Zustands einer Vorrichtung 200 bereitgestellt wird.
Das Unterteilen S40 des n-dimensionalen Betriebsparameter raums erfolgt derart, dass ein erstes Klassifizierungsvolumen 51 einen Normalzustand der Vorrichtung 200 indiziert und ein zweites Klassifizierungsvolumen 52 einen Fehlerzustand der Vorrichtung 200 indiziert. Es versteht sich, dass der n- dimensionale Betriebsparameterraum auch in weitere Klassifi zierungsvolumina unterteilt werden kann, welche bevorzugt weitere Fehlerzustände der Vorrichtung 200 indizieren. Das Unterteilen S40 des n-dimensionalen Betriebsparameterraums erfolgt, wie bei Support-Vector-Maschinen üblich, durch Be rechnen, jeweils abhängig von der Dimension n des Betriebspa rameterraums, einer optimalen Gerade, Ebene oder Hyperebene 65.
Die Support-Vector-Maschine kann beispielsweise als Hard- Margin Support-Vector-Maschine ausgebildet sein, insbesondere wenn die verwendeten Trainingsdaten linear separierbar sind, das heißt wenn in dem n-dimensionalen Betriebsparameterraum eine (n-1 ) -dimensionale Klassengrenze gezogen werden kann, welche die Klassifizierungsvolumina 51, 52 derart definiert, dass jedes Klassifizierungsvolumen 51, 52 genau und nur die jeweils diesem Klassifizierungsvolumen 51, 52 zugeordneten Trainingsdaten 61, 62 umfasst.
In anderen Fällen, beispielsweise wenn die Trainingsdaten 61, 62 nicht linear separierbar sind, kann die Support-Vector- Maschine beispielsweise als eine Soft-Margin Support-Vector- Maschine ausgebildet sein, beispielsweise als eine LI Soft- Margin Support-Vector-Maschine oder eine L2 Support-Vector- Maschine .
In einem Schritt S50 wird durch die Support-Vector-Maschine 22 bestimmt, der erzeugte Betriebspunkt einem der Klassifi zierungsvolumina 51, 52 zugeordnet. Dies geschieht üblicher weise mittels einer sogenannten Entscheidungsfunktion (Eng lisch: „decision function") .
In einem Schritt S60 wird ein Zustand der Vorrichtung 200 ge mäß demjenigen Klassifizierungsvolumen 51, 52, in welchem der erzeugte Betriebspunkt angeordnet ist, bestimmt.
In einem Schritt S70 schließlich wird ein Ausgabesignal 71 erzeugt und ausgegeben, welches zumindest den bestimmten Zu stand der Vorrichtung 200 indiziert. Wie im Voranstehenden beschrieben, kann das Ausgabesignal 71 weitere Information enthalten, beispielsweise einen erwarteten Zeitpunkt, an wel chem der aktuelle Betriebspunkt von dem Klassifizierungsvolu men, in welchem er sich aktuell befindet, in ein anderes Klassifizierungsvolumen wechseln wird, und dergleichen mehr.
Das Verfahren kann außerdem dazu verwendet werden, die Ein flüsse der verschiedenen Betriebsparameter auf die Fehlerzu stände der Vorrichtung 200 näher zu bestimmen. Hierzu wird für jede Klassifizierungsgrenze (das heißt optimale Gerade, Ebene oder Hyperebene 65) ein jeweiliger Normalvektor be stimmt (vorteilhaft normiert auf eine Länge von 1), welcher auf der entsprechenden Klassengrenze senkrecht steht. Der Be griff „Normalenvektor" bezieht sich hier nicht etwa auf den Normalzustand der Vorrichtung 200, sondern auf die senkrechte Anordnung bezüglich der Klassengrenze.
Die einzelnen Einträge des Normalenvektors an den verschiede nen Indizes des Normalenvektors geben Aufschluss darüber, in welche Richtung der Normalenvektor in dem Betriebsparameter raum zeigt, so dass deren Absolutbeträge Aufschluss darüber geben, Änderungen in welchen Betriebsparametern xl, x2 beson- ders schnell eine Veränderung zwischen Klassifizierungsvolu mina hervorrufen.
Demnach kann in einem optionalen Schritt S80 ein Bestimmen eines jeweiligen Normalenvektors auf jede Ebene oder Hyper ebene, welche das erste Klassifizierungsvolumen von einem Klassifizierungsvolumen trennt, welches einen Fehlerzustand der Vorrichtung indiziert, erfolgen.
In einem optionalen Schritt S90 kann daraufhin ein Bestimmen und Ausgeben des Werts des betragsmäßig größten Eintrags je des bestimmten Normalenvektors, zusammen mit dem entsprechen den Indexwert, erfolgen, so dass etwa bei einer Fehleraufar beitung eines Fehlerzustands der Vorrichtung 200 in einer Werkstatt oder in einem Labor ersichtlich ist, welcher Be triebsparameter xl, x2 vorrangig zu prüfen ist, um die Ursa che für den Fehlerzustand zu finden.
Die Schritte S80 und S90 können beispielsweise durch ein von der Recheneinrichtung 20 implementiertes Auswertungsmodul durchgeführt werden. Alternativ können die Schritte S80 und S90 auch von einer externen Auswertungseinrichtung durchge führt werden, welche Teil des Systems 100 ist und an die Re cheneinrichtung 20 des Systems anschließbar ist.
Wenn, wie im Voranstehenden beschrieben, eine Rangfolge von Einträgen des Normalenvektors ausgegeben wird, können vor teilhaft die entsprechenden Betriebsparameter xl, x2 in die ser Reihenfolge durchgeprüft werden, um sicherzustellen, dass die wahrscheinlichsten Fehlerursachen zuerst geprüft werden. Auf diese Weise kann sich eine benötigte Zeit für das Finden von Fehlerursachen merklich verkürzen.
Besonders vorteilhaft ist diese Vorgehensweise, wenn der n- dimensionale Betriebsparameterraum durch die trainierte Sup- port-Vector-Maschine 22 in mindestens drei Klassifizierungs volumina unterteilt wird, wobei das erste Klassifizierungsvo lumen 51 den Normalzustand der Vorrichtung indiziert und das zweite Klassifizierungsvolumen 52 und ein drittes Klassifi zierungsvolumen unterschiedliche Fehlerzustände der Vorrich tung 200 indizieren.
In dem Schritt S80 kann hierbei ein Bestimmen eines jeweili gen Normalenvektors auf jede Ebene oder Hyperebene 65, welche das erste Klassifizierungsvolumen 51 von einem Klassifizie rungsvolumen 52 trennt, welches einen Fehlerzustand der Vor richtung 200 indiziert, erfolgen. Die Normalenvektoren geben somit an, aufgrund vornehmlich welcher Betriebsparameter xl, x2 der Betriebspunkt aus dem ersten Klassifizierungsvolumen (Normalzustand) jeweils in eines der Klassifizierungsvolumina 52 übertreten würde, welches einen Fehlerzustand der Vorrich tung 200 indiziert.
In Fig. 2 beispielsweise ist der Normalenvektor NI vorteil haft so angeordnet, dass er von dem ersten Klassifizierungs volumen 51 in Richtung des zweiten Klassifizierungsvolumens 52 zeigt. Da die Klassifizierungsgrenze in Fig. 2 eine opti male Gerade 65 ist, welche beispielhaft durch xl = x2 defi niert ist, beträgt der Normalenvektor beispielsweise (1/ 2 , -1/ 2 )T, wobei für das Bestimmen der Länge eines Vektors (und somit des Normalenvektors) die Wurzel des Skalarprodukts des Vektors mit sich selbst verwendet wurde. In einem anderen Normierungsschema könnte der Normalenvektor so normiert sein, dass sich die Absolutbeträge seiner Einträge zu Eins addie ren .
Da vorliegend eine Rangfolge der Absolutbeträge der Einträge der Normalenvektoren verwendet wird, ist eine Normierung des Normalenvektors auf eine Länge von Eins nicht zwingend not wendig. Vorteilhaft ist es jedoch, wenn, wie im Voranstehen den beschrieben, die erfassten Betriebsparameter jeweils als Anteile (insbesondere als Bruchteile) eines jeweils entspre chenden Betriebsparameter-Maximalwerts erfasst werden, wobei die jeweiligen Betriebsparameter-Maximalwerte im Voraus be stimmt und in der Erfassungseinrichtung 10 und/oder der Re cheneinrichtung 20 hinterlegt sein können. Mit anderen Worten sind die Betriebsparameter vorteilhaft jeweils als Werte zwi schen 0 und 1, beides eingeschlossen, erfasst.
Bei dem Beispiel in Fig. 2 ergäbe sich somit, dass beide Be triebsparameter xl, x2 jeweils denselben Einfluss auf ein mögliches Wandern des aktuellen Betriebspunkts von dem ersten Klassifizierungsvolumen 51 in das zweite Klassifizierungsvo lumen 52 haben.
Fig. 4 zeigt schematisch eine Variante der in Fig. 2 darge stellten Situation, bei welcher die ersten Trainingsdaten 61 und die zweiten Trainingsdaten 62 derart beschaffen sind, dass die Klassifizierungsgrenze (optimale Gerade, Ebene oder Hyperebene 65) , vorliegend eine Gerade) sich parallel zu der vertikalen Achse x2 erstreckt.
Der in Fig. 4 eingezeichnete Normalenvektor N2, welcher von dem ersten Klassifizierungsvolumen 51 in Richtung des zweiten Klassifizierungsvolumens 52 zeigt, ist durch N2 = (1,0) T de finiert. In der Analyse ergibt sich somit, dass für eine Be wegung des aktuellen Betriebspunkts von dem ersten Klassifi zierungsvolumen 51 in das zweite Klassifizierungsvolumen 52 lediglich der erste Betriebsparameter xl ausschlaggebend ist.
Bei einer Überprüfung der Fehlerursache kann in diesem Fall somit auf eine Überprüfung des zweiten Betriebsparameter x2 vollständig verzichtet werden. In Fig. 2 und Fig. 4 sind zwei Extrembeispiele dargestellt. Es versteht sich, dass im Real fall einerseits Betriebsparameterräume mit einer Dimensiona- lität von deutlich mehr als n = 2 auftreten werden und dass eine Vielzahl von Betriebsparametern xl, x2 Einfluss darauf haben wird, ob ein aktueller Betriebspunkt sich von dem ers ten Klassifizierungsvolumen 51 ausgehend in Richtung eines Klassifizierungsvolumens 52, welches einen Fehlerzustand der Vorrichtung 200 indiziert, bewegen wird.
In der vorangegangenen detaillierten Beschreibung sind ver schiedene Merkmale zur Verbesserung der Stringenz der Dar- Stellung in einem oder mehreren Beispielen zusammengefasst worden. Es sollte dabei jedoch klar sein, dass die obige Be schreibung lediglich illustrativer, keinesfalls jedoch be schränkender Natur ist. Sie dient der Abdeckung aller Alter- nativen, Modifikationen und Äquivalente der verschiedenen Merkmale und Ausführungsbeispiele. Viele andere Beispiele werden dem Fachmann aufgrund seiner fachlichen Kenntnisse in Anbetracht der obigen Beschreibung sofort und unmittelbar klar sein.
Die Ausführungsbeispiele wurden ausgewählt und beschrieben, um die der Erfindung zugrundeliegenden Prinzipien und ihre Anwendungsmöglichkeiten in der Praxis bestmöglich darstellen zu können. Dadurch können Fachleute die Erfindung und ihre verschiedenen Ausführungsbeispiele in Bezug auf den beabsich tigten Einsatzzweck optimal modifizieren und nutzen.

Claims

Patentansprüche
1. System (100) zum Bestimmen eines Zustands einer Vorrich tung (200) , mit :
einer Erfassungseinrichtung (21), welche zum Erfassen von mindestens zwei Betriebsparametern (xl, x2) der Vorrich tung (200) während deren Betriebs ausgebildet ist; und
einer Recheneinrichtung (20), welche dazu ausgebildet ist, ein Betriebspunktmodul (21), eine trainierte Support- Vector-Maschine, SVM (22), und ein Ausgabemodul (23) zu im plementieren;
wobei das Betriebspunktmodul (21) dazu ausgebildet ist, aus den mindestens zwei erfassten Betriebsparametern (xl, x2) einen Betriebspunkt in einem n-dimensionalen Betriebsparame terraum zu erzeugen, wobei n größer gleich zwei ist;
wobei die trainierte SVM (22) dazu ausgebildet und trai niert ist, den n-dimensionalen Betriebsparameterraum in min destens drei Klassifizierungsvolumina (51, 52) zu untertei len, welche jeweils unterschiedliche Zustände der Vorrichtung (200) indizieren;
wobei ein erstes Klassifizierungsvolumen (51) einen Nor malzustand der Vorrichtung (200) indiziert und wobei ein zweites Klassifizierungsvolumen (52) und ein drittes Klassi fizierungsvolumen (52) unterschiedliche Fehlerzustände der Vorrichtung (200) indizieren;
wobei die trainierte SVM (22) außerdem dazu ausgebildet ist, den von dem Betriebspunktmodul (21) erzeugten Betriebs punkt einem der Klassifizierungsvolumina (51, 52) zuzuordnen; und
wobei das Ausgabemodul (23) dazu ausgebildet ist, einen Zustand der Vorrichtung (200) gemäß demjenigen Klassifizie rungsvolumen (51, 52) zu bestimmen, welchem der erzeugte Be triebspunkt durch die trainierte SVM (22) zugeordnet wurde, und ein Ausgabesignal (71) auszugeben, welches zumindest den bestimmten Zustand der Vorrichtung (200) indiziert.
2. System (100) nach Anspruch 1,
wobei die von der Erfassungseinrichtung (21) erfassten Be- triebsparameter (xl, x2) mindestens einen der folgenden Be triebsparameter umfassen:
• eine elektrische Spannung;
• eine elektrische Stromstärke;
• eine Beschleunigung;
• eine lineare Beschleunigung;
• eine Rotationsgeschwindigkeit;
• eine Rotationsbeschleunigung;
• eine Temperatur.
3. System (100) nach Anspruch 1 oder 2,
wobei die SVM (22) eingerichtet ist, einen linearen Kernel zu verwenden.
4. System (100) nach einem der Ansprüche 1 bis 3,
wobei die Erfassungseinrichtung (21) dazu eingerichtet ist, die erfassten Betriebsparameter (xl, x2) als Anteile ei nes jeweils entsprechenden Betriebsparametermaximalwerts zu erfassen .
5. System (100) nach einem der Ansprüche 1 bis 4,
wobei die Recheneinrichtung (20) außerdem dazu ausgebil det ist, ein Auswertungsmodul zu implementieren, welches dazu ausgebildet ist:
einen jeweiligen Normalenvektor (NI, N2) auf jede Ebe ne oder Hyperebene (65) zu bestimmen, welche das erste Klassifizierungsvolumen (51), welches den Normalzustand der Vorrichtung (200) identifiziert, von einem der Klassifizierungsvolumina (52) trennt, welche einen Fehlerzustand der Vorrichtung (200) indizieren, und
- für jeden der bestimmten Normalenvektoren (NI, N2) den Wert des betragsmäßig größten Eintrags des Norma lenvektors (NI, N2) zu bestimmen und auszugeben.
6. Vorrichtung (200), umfassend ein System (100) nach einem der Ansprüche 1 bis 5.
7. Verfahren zum Bestimmen eines Zustands einer Vorrichtung (200), mit den Schritten:
Betreiben (S10) der Vorrichtung (200);
Erfassen (S20) von mindestens zwei Betriebsparametern (xl, x2) der Vorrichtung (200) während deren Betriebs;
Erzeugen (S30) eines Betriebspunkts in einem n- dimensionalen Betriebsparameterraum basierend auf den mindes tens zwei erfassten Betriebsparametern (xl, x2), wobei n grö ßer gleich zwei ist;
Unterteilen (S40) des n-dimensionalen Betriebsparameter raums in mindestens drei Klassifizierungsvolumina (51, 52), welche jeweils unterschiedliche Zustände der Vorrichtung (200) indizieren, unter Verwendung einer trainierten Support- Vector-Maschine, SVM (22);
wobei ein erstes Klassifizierungsvolumen (51) einen Nor malzustand der Vorrichtung (200) indiziert und wobei ein zweites Klassifizierungsvolumen (52) und ein drittes Klassi fizierungsvolumen unterschiedliche Fehlerzustände der Vor richtung (200) indizieren;
Zuordnen (S50) des erzeugten Betriebspunkts zu einem Klassifizierungsvolumen (51, 52);
Bestimmen (S60) eines Zustands der Vorrichtung (200) ge mäß demjenigen Klassifizierungsvolumen (51, 52), welchem der erzeugte Betriebspunkt zugeordnet wurde; und
Ausgeben (S70) eines Ausgabesignals (71), welches zumin dest den bestimmten Zustand der Vorrichtung (200) indiziert.
8. Verfahren nach Anspruch 7,
wobei die erfassten Betriebsparameter (xl, x2) als An teile eines jeweils entsprechenden Betriebsparametermaximal werts erfasst werden;
weiterhin umfassend die Schritte:
Bestimmen (S80) eines jeweiligen Normalenvektors (NI,
N2) auf jede Ebene oder Hyperebene (65), welche das erste Klassifizierungsvolumen (51) von einem der Klassifizierungs volumina (52) trennt, welche einen Fehlerzustand der Vorrich tung (200) indizieren, und Bestimmen und Ausgeben (S90) des Werts des betragsmäßig größ ten Eintrags jedes bestimmten Normalenvektors (NI, N2).
PCT/EP2019/071895 2018-08-20 2019-08-15 Bestimmen von zuständen einer vorrichtung mittels support-vektor-maschinen WO2020038815A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
US17/270,000 US11244250B2 (en) 2018-08-20 2019-08-15 Determining states of an apparatus using support vector machines
EP19761763.2A EP3811170B1 (de) 2018-08-20 2019-08-15 Bestimmen von zuständen einer vorrichtung mittels support-vektor-maschinen
CN201980054387.XA CN112585548B (zh) 2018-08-20 2019-08-15 用于确定设备的状态的系统和方法以及包括该系统的设备
ES19761763T ES2927838T3 (es) 2018-08-20 2019-08-15 Determinación del estado de un dispositivo mediante máquinas de vectores de soporte

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP18189722.4A EP3614220A1 (de) 2018-08-20 2018-08-20 Bestimmen von zuständen einer vorrichtung mittels support-vektor-maschinen
EP18189722.4 2018-08-20

Publications (1)

Publication Number Publication Date
WO2020038815A1 true WO2020038815A1 (de) 2020-02-27

Family

ID=63517650

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/071895 WO2020038815A1 (de) 2018-08-20 2019-08-15 Bestimmen von zuständen einer vorrichtung mittels support-vektor-maschinen

Country Status (5)

Country Link
US (1) US11244250B2 (de)
EP (2) EP3614220A1 (de)
CN (1) CN112585548B (de)
ES (1) ES2927838T3 (de)
WO (1) WO2020038815A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3974924A1 (de) 2020-09-29 2022-03-30 Siemens Energy Global GmbH & Co. KG Verfahren zur offline und/oder online identifikation eines zustandes einer werkzeugmaschine, zumindest eines ihrer werkzeuge oder zumindest eines darin bearbeiteten werkstücks

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117853827B (zh) * 2024-03-07 2024-05-14 安徽省大气探测技术保障中心 大气温室气体监测用采样泵工作状态运行监测系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008058422A1 (de) 2008-11-21 2010-05-27 Precitec Itm Gmbh Verfahren und Vorrichtung zur Überwachung eines an einem Werkstück durchzuführenden Laserbearbeitungsvorgangs sowie Laserbearbeitungskopf mit einer derartigen Vorrichtung
US20150293523A1 (en) 2014-04-15 2015-10-15 Mitsubishi Heavy Industries, Ltd. Machine tool diagnostic method and system
WO2018030033A1 (ja) * 2016-08-10 2018-02-15 三菱重工工作機械株式会社 工作機械の工具の異常検知装置及び方法
EP3296822A2 (de) 2016-09-16 2018-03-21 Honeywell Limited Modellanlagenfehlanpassungsdetektion unter verwendung von modellparameterdatenbündelung für papiermaschinen oder -systeme

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136587B (zh) 2013-03-07 2015-12-09 武汉大学 基于支持向量机的配电网运行状态分类识别方法
KR102505454B1 (ko) 2016-04-28 2023-03-03 엘에스일렉트릭(주) 무효전력보상장치의 제어장치 및 그의 제어방법
US11449046B2 (en) 2016-09-16 2022-09-20 Honeywell Limited Model-plant mismatch detection with support vector machine for cross-directional process behavior monitoring
CN107256003A (zh) * 2017-05-27 2017-10-17 四川用联信息技术有限公司 一种模糊支持向量机的制造过程多元质量诊断分类器

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008058422A1 (de) 2008-11-21 2010-05-27 Precitec Itm Gmbh Verfahren und Vorrichtung zur Überwachung eines an einem Werkstück durchzuführenden Laserbearbeitungsvorgangs sowie Laserbearbeitungskopf mit einer derartigen Vorrichtung
US20150293523A1 (en) 2014-04-15 2015-10-15 Mitsubishi Heavy Industries, Ltd. Machine tool diagnostic method and system
WO2018030033A1 (ja) * 2016-08-10 2018-02-15 三菱重工工作機械株式会社 工作機械の工具の異常検知装置及び方法
US20190210176A1 (en) * 2016-08-10 2019-07-11 Mitsubishi Heavy Industries Machine Tool Co., Ltd. Abnormality-detecting device and method for tool of machine tool
EP3296822A2 (de) 2016-09-16 2018-03-21 Honeywell Limited Modellanlagenfehlanpassungsdetektion unter verwendung von modellparameterdatenbündelung für papiermaschinen oder -systeme

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHIH-WEI HSU, CHIH-CHUNG CHANG, AND CHIH-JEN LIN: "A Practical Guide to Support Vector Classification", 19 May 2016 (2016-05-19), XP002796539, Retrieved from the Internet <URL:http://www.csie.ntu.edu.tw/~cjlin> [retrieved on 20191217] *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3974924A1 (de) 2020-09-29 2022-03-30 Siemens Energy Global GmbH & Co. KG Verfahren zur offline und/oder online identifikation eines zustandes einer werkzeugmaschine, zumindest eines ihrer werkzeuge oder zumindest eines darin bearbeiteten werkstücks
WO2022069308A1 (de) 2020-09-29 2022-04-07 Siemens Aktiengesellschaft Verfahren zur offline und/oder online identifikation eines zustandes einer werkzeugmaschine, zumindest eines ihrer werkzeuge oder zumindest eines darin bearbeiteten werkstücks
US12038739B2 (en) 2020-09-29 2024-07-16 Siemens Aktiengesellschaft Method for the offline and/or online identification of a state of a machine tool, at least one of its tools or at least one workpiece machined therein

Also Published As

Publication number Publication date
US11244250B2 (en) 2022-02-08
US20210312335A1 (en) 2021-10-07
CN112585548B (zh) 2022-04-19
EP3811170A1 (de) 2021-04-28
EP3614220A1 (de) 2020-02-26
EP3811170B1 (de) 2022-07-06
ES2927838T3 (es) 2022-11-11
CN112585548A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
DE112012004000B4 (de) Fahrunterstützungsvorrichtung und Verfahren
DE102018203280A1 (de) Zustandsdiagnosevorrichtung
DE102012223393A1 (de) Verfahren und System für die Grundursachenanalyse und Qualitätsüberwachung von Fehlern auf Systemebene
DE112018006702T5 (de) Bestimmung der zuverlässigkeit von fahrzeugsteuerbefehlen unter verwendung eines abstimmungsmechanismus
DE102015203213A1 (de) Vorrichtung und programm zum erzeugen von korrekturparametern für diagnosedaten
DE102019113171A1 (de) Isolierung von bestimmten fehlerzuständen in einer elektromotoranordnung
DE102012003020A1 (de) Regelsystem zur Drehzahlregelung eines Antriebsmotors
WO2020038815A1 (de) Bestimmen von zuständen einer vorrichtung mittels support-vektor-maschinen
DE102019125587A1 (de) Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
DE102019124483A1 (de) Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
DE102019211656A1 (de) Bestimmung eines Verschleißgrades eines Werkzeugs
EP3641275A1 (de) Verfahren, vorrichtung und computerprogramm zur automatischen verarbeitung von datenbezeichnern
DE102022122597A1 (de) Verfahren zur überwachung des technischen zustands zur frühzeitigen fehlererfassung in hochspannungsbatterien für elektrofahrzeuge
DE102014007635A1 (de) Verfahren zur Bestimmung der aufgenommenen Last einer Arbeitsmaschine sowie Arbeitsmaschine, insbesondere Kran
DE102018117308B4 (de) Verfahren zur selbstdiagnose einer servolenkungsanordnung
DE102021208147A1 (de) Robustheitsquotient für fahrzeugdiagnose und -überwachung
WO2019077093A1 (de) Verfahren und system zum auswerten eines betriebszustandes eines wasserfahrzeugs
WO2021032385A1 (de) Verfahren zum abgleichen von daten einer ersten steuereinheit mit einer zweiten steuereinheit zur bestimmung präziser vorhersagewerte
WO2023169622A1 (de) Verfahren zum bestimmen eines drehmoments
DE102012221277A1 (de) Fahrzeugsteuervorrichtung
DE102019125477A1 (de) Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren
DE112015002633T5 (de) Erfassungskette mindestens einer physikalischen Größe, inbesondere für ein kritisches On-Board-Avioniksystem, und zugeordnetes Erfassungsverfahren
DE112019007286T5 (de) Fahrzeuginterne steuerungsvorrichtung und fahrzeuginternes steuerungssystem
DE102022120965A1 (de) Verfahren zum vorhersagen der rotortemperatur für einen elektromotor
DE102015204242A1 (de) Fehler-Analyse und/oder Optimierung eines Energiebordnetzes eines Kraftfahrzeugs

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: 19761763

Country of ref document: EP

Kind code of ref document: A1

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)
ENP Entry into the national phase

Ref document number: 2019761763

Country of ref document: EP

Effective date: 20210125

NENP Non-entry into the national phase

Ref country code: DE