WO2021038079A1 - Verfahren und vorrichtung zum analysieren eines ablaufprozesses - Google Patents

Verfahren und vorrichtung zum analysieren eines ablaufprozesses Download PDF

Info

Publication number
WO2021038079A1
WO2021038079A1 PCT/EP2020/074138 EP2020074138W WO2021038079A1 WO 2021038079 A1 WO2021038079 A1 WO 2021038079A1 EP 2020074138 W EP2020074138 W EP 2020074138W WO 2021038079 A1 WO2021038079 A1 WO 2021038079A1
Authority
WO
WIPO (PCT)
Prior art keywords
sub
sequence
data
period
variable
Prior art date
Application number
PCT/EP2020/074138
Other languages
English (en)
French (fr)
Inventor
Nikolai FALKE
Jan JENKE
Thomas Holm
Calvin Darian WOLTING
Original Assignee
Wago Verwaltungsgesellschaft Mbh
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 Wago Verwaltungsgesellschaft Mbh filed Critical Wago Verwaltungsgesellschaft Mbh
Priority to EP20764974.0A priority Critical patent/EP4022408A1/de
Priority to CN202080060298.9A priority patent/CN114341755A/zh
Publication of WO2021038079A1 publication Critical patent/WO2021038079A1/de
Priority to US17/682,845 priority patent/US20220179402A1/en

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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32201—Build statistical model of past normal proces, compare with actual process
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the present invention relates to a method and a device for analyzing a sequence process, in particular for analyzing a cyclical or non-cyclical sequence process, which typically has several sub-processes.
  • the first hurdle is access to the control device that controls or regulates the process of the process.
  • the focus is on already existing machines and / or systems in which access to the control device, in particular to the program logic, is reserved to the manufacturer or supplier of the machine / system. Gaining independent access to the control device is usually associated with additional costs or considerable effort for the user and user - if at all possible.
  • the present invention sets itself the task of determining and analyzing process data of a sequence process, in particular its chronological sequences and states, in order to obtain process data relating to the target and actual sequence process without having access to the actual control device, which controls / regulates the process.
  • the present invention sets itself the task of dividing a cyclical or non-cyclical sequence process into repetitive sub-processes based on ascertained process data in order to be able to evaluate the process stability with regard to the individual sub-processes of the sequence process.
  • Previously known methods such as the method known from EP 2946568 Ai for monitoring electronic and / or electrical devices, use power parameters measured / monitored via a main power cable in order to determine and reduce the energy requirement of a device.
  • a so-called NILM (Non-Intrusive Load Monitoring) method is also known.
  • the NILM method is based on the assumption that every technical device in a system generates an individual signal. These signals are recorded as the aggregated total power consumption of the system.
  • NILM algorithms pattern recognition algorithms
  • machine learning processes individual device signals are broken down, i.e. disaggregated, in the total power consumption.
  • the disaggregation enables the energy consumption of individual devices to be determined and used to optimize the system's energy efficiency.
  • the object is achieved by a method for analyzing a sequence process, the sequence process having at least one repetitive sub-process.
  • the method comprises steps a to f: a. Recording of process data of the sequence process over a reference period, b. Automatic determination of phase boundaries based on the recorded process data, c. Identifying at least one repetitive sub-process whose duration is limited in time by two adjacent phase boundaries, d. Determining at least one reference variable for each identified, repetitive sub-process from the process data recorded in the period, e. Recording of process data of the sequence process over a period of time following the reference period and repeating steps b. and c. to recognize the recurrence of an identified sub-process, f. comparing the recorded process data of the recognized sub-process with the at least one reference variable of the corresponding identified sub-process in order to determine deviations from a standard operation.
  • a sequence process to be analyzed can be a cyclical or non-cyclical sequence process.
  • the process to be analyzed has at least one repetitive sub-process.
  • the method enables the automated division of this process into sub-processes, with a sub-process being time-limited by two adjacent phase boundaries.
  • the automated division of the operational process into sub-processes comprises the process steps b. (automatic determination of phase boundaries) and c. (Identifying the repetitive sub-process).
  • the sequence process to be analyzed can have repetitive sub-processes as well as non-repetitive sub-processes, with a repetitive sub-process during the course of the
  • Sequence process can occur repeatedly. Likewise, a repetitive sub-process can only occur once during the duration of the sequence process.
  • a process to be analyzed can be, for example, a process in production or logistics.
  • the sub-processes reflect different process steps.
  • An example of a workflow in production is a repetitive task performed by a robot.
  • the sequence process can include the following three sub-processes, for example: gripping the component, changing position, releasing the component.
  • Another example of a sequence process is an injection molding process with the sub-processes: closing mold, injection, holding pressure, plasticizing, opening mold.
  • An example of a non-cyclical sequence process includes the sub-processes machine on, machine off, standby.
  • Another example of a non-cyclical flow process includes the Sub-processes room occupied, room not occupied, room occupied by several visitors. The individual sub-processes are separated from one another by phase boundaries.
  • At least one reference variable can be determined.
  • the process data and the reference variable (s) can each be variables that change over time or a set of variables that change over time.
  • the process data and the reference variable (s) can be recorded and displayed, for example, by means of curves over time.
  • the reference variable can include a lower and / or upper threshold value which stretch the limits of the normal operation of the respective sub-process.
  • the reference period can be freely selected. In the case of non-cyclical processes, the reference period can be selected, for example, until at least one repetitive sub-process has been recognized. In the case of cyclical sequence processes, the reference period can be selected to be at least equal to the period duration of the sequence process, for example.
  • the recurrence of an identified sub-process can be recognized.
  • the period following the reference period does not have to immediately follow the reference period, but can begin at any later point in time.
  • the corresponding recorded process data can be compared with the at least one reference variable of the corresponding identified sub-process. This makes possible
  • the method enables a change and / or a type of change in a repetitive sub-process to be recognized. Since the
  • phase boundaries have to be determined separately for each process process, this step is carried out automatically.
  • the discovery can enable phase boundaries to be determined as strongly as possible Phase boundary determination based on visual perception with graphically displayed process data (curve progressions) corresponds.
  • the user of the operational process does not have to manually determine the phase boundaries or the identification and recognition of repetitive sub-processes.
  • the phase boundary can be determined within a duration T.
  • individual features or their combination of the recorded process data can be analyzed. This first requires the determination of phase boundaries.
  • Phase boundaries divide phases with similar characteristics (ie sub-processes) from one another.
  • the aim of determining the phase boundaries is to achieve a classification of the sequence process that is as similar as possible, which would also be the result of a manual classification based on an optical analysis of the graphically displayed process data.
  • Y can be a one-dimensional or a multi-dimensional signal (process data), e.g. B. the power consumption or the vibration of a machine.
  • T is the period of the recurring cycle or the duration of the non-cyclical process.
  • the process Y can first be divided into K phases (partial processes), which are separated by phase boundaries: t k e [0, T], ke (0, ..., K ⁇ .
  • the individual phases can then be defined by y tk .. tk + 1.
  • the change point detection method is suitable for determining the phase boundaries the costs c m (y tk .tk + 1 ) are calculated and at total cost be summed up.
  • the cost functions c m (y tt ⁇ ) record a measured variable such as the deviation from the mean value, changes in the variance or deviations from a linear behavior within a phase Y tk..tk + 1 -
  • Different cost function models m record different measured variables.
  • Different phase boundaries are “suggested” through the use of search methods.
  • the phase boundaries t k are determined by minimizing the total costs: minV K Tn (t k , Y). tk
  • the actual analysis of the process can be started over a longer period of time t >> T.
  • it can be displayed which sub-process is currently being carried out and sub-processes can be highlighted that deviate from normal operation. This provides the user of the operational process with a starting point for a deeper analysis of the operational process.
  • the sub-process with the highest deviation from normal operation can, for example, be a focus of a subsequent analysis in order to optimize the process stability and / or process quality.
  • the determination of the phase boundaries by means of the change point detection method typically requires knowledge of the number of phases / sub-processes of the operational process, as well as knowledge of which combination of search method and cost function is suitable to describe the operational process. If, for example, different constant values are assumed in the sequence process, then a cost function is suitable for describing the degradation process, which measures the deviation from the mean value. If the number of phases / sub-processes of the sequence process is unknown, the number of phases / sub-processes of the sequence process can be determined automatically.
  • the sequence process can be a cyclical sequence process
  • the reference time period can comprise at least one, preferably at least two, period durations T of the cyclical sequence process.
  • the method can include the automated determination of the period as an additional step. As the length of the reference period increases, the reference variable can be determined more precisely, so that more reliable statements can be made about the stability and quality of a sub-process and / or at least a part of the sequence process. The automated determination of the period allows the analysis of cyclical processes with initially unknown period. Cyclical
  • Sequence processes enable particularly precise monitoring of the process stability, since the periodic process data (such as the power consumption) provide a clear reference variable, for example in the form of a reference period. Deviations This reference variable can be measured and provide information about changes in the operational process or changes in corresponding sub-processes.
  • the method can furthermore comprise the automated determination of the number of repetitive sub-processes during a period duration or an expiration time of the sequence process. In this way, it is also possible to analyze process processes whose number of sub-processes is unknown before the analysis begins.
  • the automated determination of the number of repetitive sub-processes can include at least the calculation of a difference between a reference distribution and a normalized gain value and / or the evaluation of at least one cost function.
  • a normalized gain gain ⁇ orm can first be calculated. This normalized gain describes the amount by which the total costs are reduced by adding another phase:
  • the maximum gap indicates the optimal number of phases, ie the sub-processes of the operational process. In other words, the maximum gap is at the point where inserting an additional phase is no longer worthwhile for the first time:
  • a key figure for the quality q cr (“er” for cost reduction) of the cost reduction can be determined for the automated determination of the number of repetitive sub-processes (phase division).
  • the normalized costs can be used for a phase division be calculated. In order to create comparability, this value can be averaged over all the cost functions considered.
  • M be the set of all considered cost function models and #M their power:
  • This value can be interpreted as the proportion to which the total costs of a process Y are reduced on average by a phase division T, ie based on a set of cost functions.
  • the phasing T with the lowest value for q cr can be seen as the best possible phasing.
  • z. B. Compare the phasing of different combinations of cost functions and search methods. This allows the automated selection of cost functions and search methods or the automated combination of cost functions and search methods in order to analyze process processes.
  • the key figure for the quality q cr can also be used as a cost function averaged over all models interpreted, which is summed up over all K phases.
  • This alternative does not include an automatic selection of a search method, but can be combined with the variant described above, the calculation of the quality q cr .
  • the selection of a cost function and a search method or their combination can thus be automated.
  • Different cost function models can also be used to determine the phase boundaries or to divide up phases within a process.
  • Process phases of the operational process at the beginning of the analysis of the operational process for a device which is set up to analyze the operational process may be unknown. This enables the automated analysis of operational processes.
  • the process data can be sensor data, in particular sum signals of sensor signals, particularly preferably exclusively,
  • Total power consumption data of the operational process and / or vibration data of an industrial plant The use of process data such as total signals, total power consumption data, vibration data and / or the like enables the analysis of operational processes without explicitly having access to the actual control device which controls / regulates the operational process.
  • the process data can, for example, describe the energetic balance of a machine / system whose process is to be analyzed.
  • the electrical energy fed in is converted into other forms of energy. If an actuator moves or a sensor is used, electrical energy is used for this. Therefore, for example, the operational process, including its sub-processes, can be described by means of the overall power consumption data and analyzed using this. It is not necessary to record and evaluate individual sensor signals for analysis. Instead, it is sufficient to record / evaluate a sum signal. Process processes for which only sum signals are available can thus be analyzed. The inclusion of this
  • Sum signals such as the total power consumption data, vibration data and / or the like, can be achieved easily and can be carried out inexpensively.
  • different search methods and cost functions can be used to automatically determine phase boundaries of a sequence process and to identify at least one repetitive sub-process of the sequence process. This enables a precise description of the process and the most exact possible determination of the phase boundaries.
  • the step of automatically determining phase boundaries can be carried out with the aid of change point detection methods.
  • the determination of phase boundaries with the help of change point detection methods enables an exact automatic determination of phase boundaries between sub-processes.
  • the reference variable of a sub-process can have at least one of the following variables: mean value, standard deviation, variance.
  • the reference variable can have an upper and / or lower threshold value, the reference variable and the threshold values being able to characterize normal operation.
  • the mean, standard deviation and variance can easily be determined.
  • the recorded process data of a recognized sub-process can easily be compared with these reference values of the corresponding identified sub-process in order to determine deviations from normal operation.
  • the determination of a reference variable enables the elimination and / or reduction of disturbance variables. This can be done, for example, by averaging. The so determined
  • Reference variable can for example be saved as an ideal reference period for later comparison with other process data / comparison variables.
  • the identification of at least one repetitive sub-process can include the identification of similar curve courses of the process data, with similar curve courses preferably having a specific sequence of positive and / or negative increases within predetermined tolerance ranges. Corresponding sub-processes can thus be identified quickly and reliably.
  • the method can further include determining at least one comparison variable for the identified sub-process, the comparison comprising comparing the at least one comparison variable with the at least one reference variable.
  • the determination of a comparison variable enables a simplified assessment of the process stability and / or process quality, since the comparison variable of the identified sub-process can be compared directly with the reference variable of the corresponding sub-process. The deviation between the comparison variable and the reference variable can then be used as a measure of the stability and / or quality of the partial or sequence process.
  • the comparison can include comparing the value of the at least one comparison variable at the current point in time with a value of the corresponding reference variable include earlier date.
  • the comparison variable of a sub-process can have at least one of the following variables: mean value, standard deviation, variance. Additionally or alternatively, the comparison can include comparing the value of the at least one comparison variable of the identified sub-process with the value of this comparison variable of a further corresponding sub-process during the same period of the sequence process.
  • the comparison of the comparison variable with the value of the corresponding reference variable enables an assessment of the stability and / or quality of the partial or sequence process in comparison to a reference sequence process. This corresponds to a target and actual process process comparison.
  • Sub-process with the value of this comparison variable of a further corresponding sub-process during the same period of the sequence process enables the assessment of the stability and quality of the sequence process during the execution of the sequence process. In this way, deviations from normal operation can be recognized quickly.
  • the normal operation can be determined by the reference variable and optionally by a predetermined tolerance range of the reference variable for each identified sub-process.
  • the tolerance range of the reference variable can in particular be determined by an upper and lower threshold value.
  • the results of the comparison can be displayed to the user of the operational process on a user interface, such as a graphical user interface.
  • the results of the comparison or a signal which indicates the discrepancy can be forwarded to a further control, such as the control device of the sequence process, in order, for example, to stop the sequence process or to switch to an error mode.
  • the method can furthermore include the evaluation of the process stability of the sequence process and / or at least one sub-process, based on an ascertained deviation from normal operation.
  • the process stability can be rated on a scale from 0 to 1, for example. In this case, the value 1 corresponds to a target process stability that is initially set, for example when the process data is recorded in the Reference period T ref , was determined.
  • the process stability for the corresponding sub-process to be assessed can be assessed with a value less than 1. If the process stability of the sequence process and / or sub-process falls below a predefined lower threshold value, the sequence process and / or sub-process can, for example, be stopped, maintenance can be initiated and / or a maintenance interval can be adjusted.
  • the method can further include identifying the type of deviation from normal operation.
  • the type of deviation can take place in an automated manner.
  • the type of deviation from normal operation can be identified by evaluating the course over time of the process stability of the sequence process and / or at least one sub-process. For this purpose, after each detection of a sub-process, the process stability is saved and evaluated for the run. The course of the process stability over time can then be displayed graphically in order to be able to identify the type of deviation from normal operation quickly and easily.
  • the following types of deviations can be identified: shift, drift, noise, and / or other anomalies.
  • the type of deviation can be identified by evaluating the process data, the comparison variable and / or the process stability. Depending on the sub-process, error cases in the sequence process and / or the machine can be assigned to these types of deviation, such as the failure of a part of the machine, the wear and tear of a part of the machine or a collision of a part of the machine. In particular, the evaluation of the course of the process stability over time to identify the type of deviation from normal operation enables the type of deviation to be identified quickly and easily, even over a longer observation period.
  • the object is also achieved by a device for analyzing a sequence process, the device comprising at least one sensor arrangement for recording process data of the sequence process.
  • the device is set up to carry out the method described above.
  • the device can in particular be different from the machine / system that executes the sequence process to be analyzed. This enables the analysis of processes in existing systems, such as machines or plants, by retrofitting the device.
  • the sensor arrangement can comprise a current sensor, a power consumption sensor and / or a vibration sensor. Other sensors are also possible.
  • the sensor arrangement can be set up to record at least one sum signal of the sequence process to be analyzed.
  • the device can comprise a graphical user interface which is set up to display process data, a reference variable and / or a comparison variable, wherein the graphical user interface can in particular be set up so that a user of the sequence process can display phase boundaries and / or display process data of a sub-process ( manually).
  • the recorded process data of a sub-process can be assigned a specific sequence of the process, such as gripping a component, changing position, releasing the component, and thus simplifying the assessment of the process stability and / or process quality.
  • the object is also achieved by a computer program, comprising program instructions, which can be executed by at least one processor and which cause the processor to control a device according to a method described above.
  • FIG. 1 shows a schematic representation of a device for analyzing a sequence process
  • FIG. 2 shows a schematic sequence of a method for analyzing a
  • FIG. 4 shows an exemplary representation of process data from a further sequence process
  • FIGS. 5A to 5C show an exemplary representation of process data of a further sequence process
  • 6 shows an exemplary example of a normalized gain function
  • 7A to 7D show an exemplary representation of deviations from normal operation.
  • FIG. 1 shows a schematic representation of a device 50 for analyzing a cyclical or non-cyclical sequence process Y.
  • An example of a cyclical sequence process Y is a repetitive task which is carried out by a robot.
  • the sequence process Y can include, for example, the following three sub-processes y t , k..t, k + i: Grip component y t , o..t, i, change position y t , i..t, 2 , release component y t , 2 ..t, o + T.
  • sequence process Y is an injection molding process with the following five sub-processes y t , k..t, k + i: Close mold y t, 0..t, i , injection y t , i..t, 2 , Reprint yt, 2 ..t, 3 , plasticizing y t , 3 ..t, 4, open tool y t , 4 ..t, o + T.
  • the individual sub-processes y t, k..t, k + i are each separated from one another by phase boundaries t 0 ... tk.
  • An example of a non-cyclical sequence process Y includes the sub-processes y t, k..t, k + i machine on, machine off, standby.
  • Another example of a non-cyclical sequence process Y includes the sub-processes y t, k..t, k + i room occupied, room not occupied, room occupied by several visitors.
  • the device 50 can record process data 20, 20, 20 ′′.
  • the device 50 can comprise a sensor arrangement 52 for recording process data 20, 2o, 20 ′′ of the sequence process.
  • the process data 20, 20 ‘, 20 ′′ can be a total input variable (sum signal), such as the total power consumption.
  • the process data 20, 20, 20 ′′ can also be some other sum signal, such as vibration data of an industrial plant, temperature data, noise emission data, or the like.
  • the sensor arrangement 52 can comprise at least one current sensor, a power consumption sensor, a vibration sensor, a temperature sensor, a noise emission sensor and / or other process data sensors.
  • the individual output variables 22, 24, 26, 28 of the sequence process Y (e.g. component-specific power consumption, component-specific vibration data, component-specific temperature data, component-specific noise emission data, position data of individual components, or the like) cannot be accessed by the user of the sequence process Y and / or for the device 50 and are therefore not available for the analysis of process Y.
  • the Process data 20, 20 ', 20 ′′ are recorded and analyzed according to method 100 for analyzing a sequence process.
  • FIG. 2 shows a schematic sequence of a method 100 for analyzing a sequence process.
  • the method comprises the steps (a.) Of recording 110 process data, optionally of automated determination 115 of the period duration of the sequence process, (b.) Of determination 120 of phase boundaries, optionally of automated determination 125 of the number of repetitive sub-processes, (c. ) the identification 130 of a repetitive sub-process, (d.) the determination 140 of a reference variable, (e.) the recording 150 of process data and (f.) the comparison 160 of the recorded process data in order to determine deviations from normal operation.
  • the process data 20, 20 ‘ by considering the process data 20, 20 ‘,
  • FIG. 3 shows an exemplary illustration of process data 20 of a sequence process Y which were recorded during a period T ref (reference period) and / or a period T mes (measurement period).
  • FIG. 3 shows the output variables 22 and 24, which represent, for example, the power consumption of individual components - such as individual actuators - of an industrial plant over time.
  • the process data 20 which represent, for example, the time profile of the total power consumption of the industrial plant, are recorded.
  • the output variables 22 and 24, which, for example, each represent the time profile of a component-specific power consumption of a component of the industrial plant, are not recorded and are therefore not available for the analysis of the sequence process Y.
  • phase boundaries are automatically determined and repetitive sub-processes are identified.
  • at least one reference variable is determined for each identified, repetitive sub-process.
  • further process data can be recorded during a measurement period T mes that follows the reference period T ref. In the example above, these process data would also correspond to the time sequence of the
  • the recurrence of an identified sub-process is recognized.
  • the process data recorded during the measurement period T mes can then be compared with a previously determined reference variable of the corresponding identified sub-process in order to determine deviations from normal operation.
  • the recorded process data can be sum signals, such as, for example, total power consumption data of the sequence process. The use of sum signals enables the analysis of operational processes without explicitly having access to output variables 22, 24 which, for example, represent the time profile of a component-specific power consumption of a component of the industrial plant.
  • FIG. 4 shows an exemplary representation of process data 20, 2o ‘of a further sequence process Y.
  • This exemplary representation is intended to exemplify the automatic determination of the phase boundaries based on the change point detection method.
  • Phases (ie sub-processes y tfc..tfc + 1 ) divided.
  • the phase boundaries are described by t 0 ... t 3 .
  • the cost functions measure, for example, the deviation of the signal from its mean value (here y 0 re f, yi, ref, y 2, ref) between two adjacent phase boundaries. Cost functions for further characteristics or their combination can also be used.
  • the phase boundaries result from the minimization of the function V (t; y). 4 shows a signal which represents the process data 20 which were recorded during a reference period T re f.
  • the signal shown can represent process data 20 'that were recorded during a measurement period T me s.
  • the signal 20, 20 ′ shown assumes three values in the example shown in FIG. If the cost functions measure the deviations from the mean value between two adjacent phase boundaries, a minimum of the function V (t; y) is assumed if the boundaries t k are chosen so that they are exactly at the
  • Fig. 5B shows a spike-like signal
  • Fig. 5C shows a mixed signal. These signals are suitable as input data (process data) for analyzing the sequence process.
  • Fig. 6 shows an exemplary example of the automated determination of the number of repeating sub-processes underlying calculating a difference between a reference distribution and a normalized gain value gain ⁇ orm, as has already been described above.
  • Abis 7D each show an exemplary representation of a time course of the process stability S for the partial processes y t, o..t, i , y ..t, 2 , yt, 2 ..t, o + T.
  • the process stability can be rated on a scale from 0 to 1, for example.
  • the value 1 corresponds to a target process stability that was initially determined, for example when the process data were recorded in the reference period T ref . If a deviation from normal operation is determined, for example by comparing the comparison variable with the corresponding reference variable, the process stability for the corresponding sub-process to be assessed can be assessed with a value less than 1.
  • the time curves of the process stability S for the partial processes yt, o..t, i, yt, i..t, 2 , yt, 2 ..t, o + T shown in FIGS. 7A to 7D are t over a long period of time >> T added.
  • Each point of a time curve represents the process stability of a corresponding sub-process y t , 0 ..t, i, yt, i..t, 2 , yt, 2 ..t, o + T, as it is after going through (and recognizing) the respective sub-process was evaluated.
  • a lower threshold value S min of the process stability S is shown in FIGS. 7A to 7D. If the process stability S is rated greater than Smin after running through (and recognizing) the respective sub-process, then there is no deviation or a tolerable deviation from normal operation. If the process stability S of the sequence process and / or sub-process falls below this predefined lower threshold value Smin, the sequence process and / or sub-process can, for example, be stopped, maintenance can be initiated and / or a maintenance interval can be adjusted.
  • the process stability S for the partial process y t, i..t, 2 deviates from normal operation, that is to say the process stability S is at least partially below the threshold value Smin.
  • the process stability S for the partial process y t, i..t, 2 decreases as the observation period t continues.
  • the type of deviation (here: drift) can be classified and output to the user.
  • the occurrence of a deviation of the type “drift” can, for example, indicate the wear and tear of a component which is in operation during the partial process y t, i..t, 2.
  • FIG. 7D shows an exemplary fourth case.
  • an “anomaly” occurs in the evaluation of the process stability S for the sub-process y t, 2..t, o + T.
  • the type of deviation (here: anomaly) can be classified and output to the user.
  • the occurrence of a deviation of the type "anomaly” can, for example, indicate a process or partial process that has not been optimally set. For example, there is a collision or the components involved are “caught”.
  • a deviation of the type "anomaly” can indicate an imminent failure of a component.
  • a recognized deviation and / or the type of recognized deviation is output to the user of the operational process.
  • the latter can then interpret the process data, the comparison variable and / or the process stability, in particular the course of the process stability over time, in order to draw conclusions about the deviation from normal operation, the type of deviation from Standard operation and / or the cause of the deviation from standard operation for the entire process and / or individual sub-processes.
  • the assessment of the (partial) process quality and stability can be simplified by the present invention. This can be done separately for each sub-process and / or for the entire process flow. In particular, no raw sensor data need to be interpreted to assess the (partial) process quality.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Die vorliegende Erfindung betrifft eine Vorrichtung sowie ein Verfahren zum Analysieren eines Ablaufprozesses, wobei der Ablaufprozess zumindest einen sich wiederholenden Teilprozess aufweist, und wobei das Verfahren die folgenden Schritte umfasst: a. Aufzeichnen von Prozessdaten des Ablaufprozesses, über einen Referenzzeitraum; b. Automatisches Bestimmen von Phasengrenzen basierend auf den aufgezeichneten Prozessdaten, c. Identifizieren zumindest eines sich wiederholenden Teilprozesses, welcher durch zwei benachbarte Phasengrenzen in seiner Dauer zeitlich begrenzt ist; d. Bestimmen, zumindest einer Referenzgröße für jeden identifizierten, sich wiederholenden Teilprozess aus den im Zeitraum aufgezeichneten Prozessdaten; e. Aufzeichnen von Prozessdaten des Ablaufprozesses, über einen dem Referenzzeitraum nachfolgenden Zeitraum und wiederholen der Schritte b. und c., um das erneute Auftreten eines identifizierten Teilprozesses zu erkennen; f. Vergleichen der aufgezeichneten Prozessdaten des erkannten Teilprozesses mit der zumindest einen Referenzgröße des entsprechenden identifizierten Teilprozesses, um Abweichungen von einem Normbetrieb festzustellen.

Description

VERFAHREN UND VORRICHTUNG ZUM ANALYSIEREN EINES
ABLAUFPROZESSES
GEBIET DER ERFINDUNG
Die vorliegende Erfindung betrifft ein Verfahren sowie eine Vorrichtung zum Analysieren eines Ablaufprozesses, insbesondere zum Analysieren eines zyklischen oder nichtzyklischen Ablaufprozesses, der typischerweise mehrere Teilprozesse aufweist.
HINTERGRUND
Möchten Anwender oder Nutzer einen Ablaufprozess, wie einen Produktionsprozess und/oder Logistikprozess, beispielsweise durch Einsatz von künstlicher Intelligenz optimieren, besteht die erste Hürde im Zugang zu der Steuerungseinrichtung, die den Ablauf des Ablaufprozesses steuert bzw. regelt. Oft stehen dabei bereits existierende Maschinen und/oder Anlagen im Mittelpunkt, bei denen der Zugang zur Steuerungseinrichtung, insbesondere zur Programmlogik, dem Hersteller oder Lieferanten der Maschine/Anlage Vorbehalten ist. Eigenständigen Zugang zur Steuereinrichtung zu erhalten, ist für den Nutzer und Anwender - falls überhaupt möglich - meist mit zusätzlichen Kosten oder mit erheblichem Aufwand verbunden.
Vor diesem Hintergrund stellt sich die vorliegende Erfindung die Aufgabe Prozessdaten eines Ablaufprozesses, insbesondere dessen zeitliche Abläufe und Zustände, zu ermitteln und zu analysieren, um Prozessdaten betreffend den Soll- und Ist- Ablaufprozess zu gewinnen, ohne dabei Zugang zur eigentlichen Steuerungseinrichtung zu haben, welche den Ablaufprozess steuert/regelt.
Insbesondere stellt sich die vorliegende Erfindung die Aufgabe basierend auf ermittelten Prozessdaten einen zyklischen oder nichtzyklischen Ablaufprozess in sich wiederholende Teilprozesse einzuteilen, um im Folgenden die Prozessstabilität in Hinblick auf die einzelnen Teilprozesse des Ablaufprozess bewerten zu können. Vorbekannten Verfahren, wie das aus EP 2946568 Ai bekannt Verfahren zum Überwachen von elektronischen und/ oder elektrischen Geräten, nutzen über ein Hauptstromkabel gemessene/überwachte Leistungsparameter um den Energiebedarf eines Geräts zu ermitteln und zu senken. Weiterhin ist ein sogenanntes NILM (Non- Intrusive Load Monitoring) Verfahren bekannt. Das NILM-Verfahren basiert auf der Annahme, dass jedes technische Gerät einer Anlage ein individuelles Signal erzeugt. Diese Signale werden als aggregierter Gesamtstromverbrauch der Anlage erfasst. Mit Mustererkennungsalgorithmen (NILM-Algorithmen) und maschinellen Lernverfahren werden individuelle Gerätesignale im Gesamtstromverbrauch aufgeschlüsselt, also disaggregiert. Durch die Desaggregation kann der Energieverbrauch einzelner Geräte ermittelt und zur energetischen Optimierung der Anlage genutzt werden.
Diese vorbekannten Verfahren sind auf die energetische Optimierung von Geräten gerichtet und ermöglichen nicht allgemeine Prozessdaten betreffend den Soll- und Ist- Ablaufprozess zu gewinnen. Insbesondere ermöglichen diese vorbekannten Verfahren nicht Prozessdaten eines zyklischen oder nichtzyklischen Ablaufprozesses derart zu analysieren um den Ablaufprozess automatisiert in sich wiederholende Teilprozesse einzuteilen, um im Folgenden die Prozessstabilität und/oder Prozessqualität in Hinblick auf die einzelnen Teilprozesse des Ablaufprozess bewerten zu können.
BESCHREIBUNG DER ERFINDUNG Die Aufgabe wird - zumindest teilweise - durch ein Verfahren gemäß Anspruch l, eine Vorrichtung gemäß Anspruch 17 und ein Computerprogram gemäß Anspruch 19 gelöst. Weitere Aspekte der Erfindung sind in den jeweiligen Unteransprüchen und deren Kombinationen beschrieben.
Insbesondere wird die Aufgabe durch ein Verfahren zum Analysieren eines Ablaufprozesses gelöst, wobei der Ablaufprozess zumindest einen sich wiederholenden Teilprozess aufweist. Das Verfahren umfasst jedenfalls die Schritte a bis f: a. Aufzeichnen von Prozessdaten des Ablaufprozesses, über einen Referenzzeitraum, b. Automatisches Bestimmen von Phasengrenzen basierend auf den aufgezeichneten Prozessdaten, c. Identifizieren zumindest eines sich wiederholenden Teilprozesses, welcher durch zwei benachbarte Phasengrenzen in seiner Dauer zeitlich begrenzt ist, d. Bestimmen, zumindest einer Referenzgröße für jeden identifizierten, sich wiederholenden Teilprozess aus den im Zeitraum aufgezeichneten Prozessdaten, e. Aufzeichnen von Prozessdaten des Ablaufprozesses, über einen dem Referenzzeitraum nachfolgenden Zeitraum und Wiederholen der Schritte b. und c., um das erneute Auftreten eines identifizierten Teilprozesses zu erkennen, f. Vergleichen der aufgezeichneten Prozessdaten des erkannten Teilprozesses, mit der zumindest einen Referenzgröße des entsprechenden identifizierten Teilprozesses, um Abweichungen von einem Normbetrieb festzustellen.
Ein zu analysierender Ablaufprozess kann ein zyklischer oder nicht-zyklischer Ablaufprozess sein. Der zu analysierende Ablaufprozess weist jedoch zumindest einen sich wiederholenden Teilprozess auf. Das Verfahren ermöglicht die automatisierte Einteilung dieses Ablaufprozesses in Teilprozesse, wobei ein Teilprozess durch zwei benachbarte Phasengrenzen in seiner Dauer zeitlich begrenzt wird. Die automatisierte Einteilung des Ablaufprozesses in Teilprozesse umfasst die Verfahrensschritte b. (automatisches Bestimmen von Phasengrenzen) und c. (Identifizieren des sich wiederholenden Teilprozesses). Der zu analysierende Ablaufprozess kann sich wiederholende Teilprozesse sowie sich nicht-wiederholende Teilprozesse aufweisen, wobei ein sich wiederholender Teilprozess während der Ablaufdauer des
Ablaufprozesses wiederholt auftreten kann. Ebenso kann ein sich wiederholender Teilprozess nur einmal während der Ablaufdauer des Ablaufprozesses auftreten.
Ein zu analysierender Ablaufprozess kann beispielsweise ein Ablaufprozess in der Produktion oder der Logistik sein. Die Teilprozesse spiegeln verschiedene Prozessschritte wider. Ein Beispiel für einen Ablaufprozess in der Produktion ist eine sich wiederholende Aufgabe, die von einem Roboter ausgeführt wird. Der Ablaufprozess kann beispielsweise die folgenden drei Teilprozesse umfassen: Bauteil greifen, Position ändern, Bauteil loslassen. Ein weiteres Beispiel für einen Ablaufprozess ist ein Spritzgussprozess mit den Teilprozessen: Werkzeug schließen, Einspritzen, Nachdruck, Plastifizieren, Werkzeug öffnen. Ein Beispiel für einen nicht zyklischen Ablaufprozess umfasst die Teilprozesse Maschine an, Maschine aus, Standby. Ein weiteres Beispiel für einen nicht-zyklischen Ablaufprozess umfasst die Teilprozesse Raum belegt, Raum nicht belegt, Raum mit mehreren Besuchern belegt. Die einzelnen Teilprozesse sind jeweils durch Phasengrenzen voneinander getrennt.
Basierend auf den identifizierten Teilprozessen kann, beispielsweise durch Mittelung der entsprechenden Prozessdaten, die während des Referenzzeitraums aufgenommen wurden, zumindest eine Referenzgröße bestimmt werden. Die Prozessdaten sowie die Referenzgröße(n) können jeweils sich zeitlich verändernde Größen oder ein Satz sich zeitlich verändernder Größen sein. Die Prozessdaten und die Referenzgröße(n) können beispielsweise durch zeitliche Kurvenverläufe aufgezeichnet und dargestellt werden. Insbesondere kann die Referenzgröße einen unteren und/ oder oberen Schwellenwert umfassen, welche die Grenzen des Normbetriebs des jeweiligen Teilprozesses dehnieren.
Der Referenzzeitraum kann frei gewählt werden. Bei nicht-zyklischen Ablaufprozessen kann der Referenzzeitraum beispielsweise solange gewählt werden, bis zumindest ein sich wiederholender Teilprozess erkannt wurde. Bei zyklischen Ablaufprozessen kann der Referenzzeitraum beispielsweise zumindest gleich der Periodendauer des Ablaufprozesses gewählt werden.
Durch das Aufzeichnen von Prozessdaten des Ablaufprozesses, über einen dem Referenzzeitraum nachfolgenden Zeitraum und Wiederholen der Schritte b. und c. kann das erneute Auftreten eines identifizierten Teilprozesses erkannt werden. Der dem Referenzzeitraum nachfolgenden Zeitraum muss sich nicht unmittelbar an den Referenzzeitraum anschließen, sondern kann zu einem beliebigen späteren Zeitpunkt beginnen.
Nach Erkennen eines sich wiederholenden Teilprozesses können die entsprechenden aufgezeichneten Prozessdaten mit der zumindest einen Referenzgröße des entsprechenden identifizierten Teilprozesses verglichen werden. Dies ermöglicht
Abweichungen von einem Normbetrieb festzustellen und zu klassifizieren. Somit kann ein Maß für die Stabilität und/oder Qualität eines Teilprozesses und/oder zumindest eines Teils des Ablaufprozesses bestimmt werden.
Insbesondere ermöglicht das Verfahren eine Veränderung und/oder eine Art der Veränderung eines sich wiederholenden Teilprozesses zu erkennen. Da die
Bestimmung von Phasengrenzen für jeden Ablaufprozess separat vorgenommen werden muss, wird dieser Schritt automatisiert durchgeführt. Die Eründung kann eine Phasengrenzenbestimmung ermöglichen, die möglichst stark einer Phasengrenzenbestimmung nach optischem Empfinden bei grafisch dargestellten Prozessdaten (Kurvenverläufe) entspricht. Dadurch muss der Nutzer des Ablaufprozesses die Bestimmung der Phasengrenzen bzw. die Identifizierung und Erkennung sich wiederholender Teilprozesse nicht manuell durchführen. Beispielsweise kann die Phasengrenzenbestimmung innerhalb einer Ablaufdauer T erfolgen. Dafür können einzelne Merkmale oder deren Kombination der aufgezeichneten Prozessdaten analysiert werden. Dies erfordert zunächst die Bestimmung von Phasengrenzen. Phasengrenzen teilen dabei Phasen ähnlicher Merkmalsausprägung (d.h. Teilprozesse) voneinander ab. Ziel der Bestimmung der Phasengrenzen ist es, eine möglichst ähnliche Einteilung des Ablaufprozesses zu erreichen, die auch Ergebnis einer manuellen Einteilung basierend auf einer optischen Analyse der grafisch dargestellten Prozessdaten wäre.
Ein Zyklus eines zyklischen Ablaufprozesses oder ein nichtzyklischer Ablaufprozesses kann durch Y = Y0 T beschrieben werden. Y kann ein ein- oder ein mehrdimensionales Signal (Prozessdaten), z. B. die Leistungsaufnahme oder die Vibration einer Maschine, sein. T ist dabei die Periodendauer des wiederkehrenden Zyklus, bzw. die Ablaufdauer des nichtzyklischen Ablaufprozesses.
Der Ablaufprozess Y kann zunächst in K Phasen (Teilprozesse) eingeteilt werden, die durch Phasengrenzen getrennt werden: tk e [0, T], k e (0, ... , K}. Die einzelnen Phasen können dann durch ytk..tk+1 beschrieben werden. Bei zyklischen Prozessen gilt tK 10 + T, bei nichtzyklischen Prozessen gilt t0 = 0 und tK = T. Zur Bestimmung der Phasengrenzen eignet sich zum Beispiel das Verfahren der Change Point Detection. Dabei können für jede Phase die Kosten cm(ytk .tk+1) berechnet und zu Gesamtkosten
Figure imgf000007_0001
aufsummiert werden. Die Kostenfunktionen cm(yt t ~) erfassen eine Messgröße wie z.B. die Abweichung vom Mittelwert, Änderungen der Varianz oder Abweichungen von einem linearen Verhalten innerhalb einer Phase Ytk..tk+1- Verschiedene Kostenfunktionsmodelle m erfassen verschiedene Messgrößen. Durch den Einsatz von Suchmethoden werden verschiedene Phasengrenzen „vorgeschlagen“. Die Phasengrenzen tk werden durch die Minimierung der Gesamtkosten ermittelt: minVK Tn(tk, Y). tk
Nach der Bestimmung der Phasengrenzen, kann mit der eigentlichen Analyse des Ablaufprozesses über einen längeren Zeitraum t >> T begonnen werden. Insbesondere kann angezeigt werden, welcher Teilprozess aktuell ausgeführt wird und es können Teilprozesse hervorgehoben werden, die vom Normbetrieb abweichen. Damit steht für den Nutzer des Ablaufprozesses ein Ansatzpunkt für die tiefere Analyse des Ablaufprozesses bereit. Speziell der Teilprozess mit der höchsten Abweichung zum Normbetrieb kann beispielsweise ein Betrachtungsschwerpunkt einer sich anschließenden Analyse sein, um die Prozessstabilität und/oder Prozessqualität zu optimieren. Des Weiteren kann eine Auswertung der Abhängigkeiten zwischen
IO/NIO-Teilen, welche während des Ablaufprozesses bearbeitet/hergestellt wurden und entsprechenden Teilprozessen für eine Fehleranalyse herangezogen werden.
Die Bestimmung der Phasengrenzen mittels Change Point Detection-Verfahren erfordert typischerweise die Kenntnis der Anzahl der Phasen/Teilprozesse des Ablaufprozesses, sowie Kenntnis darüber, welche Kombination aus Suchmethode und Kostenfunktion geeignet ist, um den Ablaufprozess zu beschreiben. Werden beispielsweise in dem Ablaufprozess verschiedene konstante Werte angenommen, so ist eine Kostenfunktion zur Beschreibung des Abbauprozesses geeignet, die die Abweichung vom Mittelwert bemisst. Sind die Anzahl der Phasen/Teilprozesse des Ablaufprozesses unbekannt, kann die Anzahl der Phasen/Teilprozesse des Ablaufprozesses automatisiert bestimmt werden.
Insbesondere kann der Ablaufprozess ein zyklischer Ablaufprozess sein, und der Referenzzeitraum kann zumindest eine, bevorzugt zumindest zwei, Periodendauern T des zyklischen Ablaufprozesses umfassen. Insbesondere kann das Verfahren als zusätzlichen Schritt das automatisierte Bestimmen der Periodendauer umfassen. Mit steigender Länge des Referenzzeitraum kann die Referenzgröße exakter ermittelt werden, sodass zuverlässigere Aussagen über die Stabilität und Qualität der eines Teilprozesses und/oder zumindest eines Teils des Ablaufprozesses getroffen werden können. Das automatisierte Bestimmen der Periodendauer ermöglicht die Analyse zyklischer Ablaufprozesse mit zunächst unbekannter Periodendauer. Zyklische
Ablaufprozesse ermöglichen eine besonders genaue Überwachung der Prozessstabilität, da durch die periodischen Prozessdaten (wie die Leistungsaufnahme) eine eindeutige Referenzgröße, beispielsweise in Form einer Referenzperiode, existiert. Abweichungen zu dieser Referenzgröße lassen sich messen und geben Aufschluss über Veränderungen im Ablaufprozess bzw. über Veränderungen in entsprechenden Teilprozessen.
Das Verfahren kann weiterhin das automatisierte Bestimmen der Anzahl der sich wiederholenden Teilprozesse während einer Periodendauer oder einer Ablaufdauer des Ablaufprozesses umfassen. Somit können auch Ablaufprozesse analysiert werden, deren Anzahl an Teilprozessen vor Beginn der Analyse unbekannt ist.
Insbesondere kann das automatisierte Bestimmen der Anzahl der sich wiederholenden Teilprozesse zumindest die Berechnung einer Differenz zwischen einer Referenzverteilung und einem normalisieren Gain-Werts und/ oder die Auswertung zumindest einer Kostenfunktion umfassen.
Um eine sinnvolle Anzahl der Phasen (Teilprozesse) im Ablaufprozess automatisiert zu bestimmen, kann zunächst ein normalisierter Gain gain^orm berechnet werden. Dieser normalisierte Gain beschreibt, um welchen Betrag sich die Gesamtkosten durch das Hinzufügen einer weiteren Phase verringern:
Figure imgf000009_0001
Es ist zu beachten, dass der Gain nur für K > 2 Phasen eine Bedeutung hat. Ferner gilt gain^ff1 e [0; 1], da VK m (streng) monoton fällt. Diesem Ansatz liegt die Annahme zugrunde, dass der Gain mit steigender Anzahl an Phasen K gegen null konvergiert und dass es spezifische Stelle K0 existiert, an der der Verlauf der Gain-Kurve abrupt abflacht (s. Fig. 6). Um diese Stelle K0 zu finden, kann eine Referenzverteilung der Form refK := e K definiert werden, die keine derartige abrupte Änderung aufweist. Der Parameter s ermöglicht eine Streckung der Referenzfunktion und ist somit ein Maß für die Sensitivität. Ein sogenannter Gap gapK beschreibt die Differenz zwischen Referenzverteilung und Gain: gaPK.m = refK - gainf0 .
Der maximale Gap indiziert die optimale Anzahl der Phasen, d.h. der Teilprozesse des Ablaufprozesses. Mit anderen Worten, der maximale Gap befindet an der Stelle, an der sich das Einfügen einer zusätzlichen Phase zum ersten Mal nicht mehr lohnt:
Figure imgf000009_0002
Ebenso kann zur automatisierten Bestimmung der Anzahl der sich wiederholenden Teilprozesse (Phaseneinteilung) eine Kennzahl für die Qualität qcr („er“ für cost reduction (Kostenreduktion)) der Kostenreduktion bestimmt werden. Eine Phaseneinteilung T wird durch eine Menge an Phasengrenzen T = (t0, tK] beschrieben und kann beispielweise wie oben dargestellt ermittelt werden. Für eine Phaseneinteilung können die normierten Kosten
Figure imgf000010_0001
berechnet werden. Um Vergleichbarkeit zu schaffen, kann dieser Wert über alle betrachteten Kostenfunktionen gemittelt werden. Im Folgenden Sei M die Menge aller betrachteten Kostenfunktionsmodelle und #M deren Mächtigkeit:
Figure imgf000010_0002
Dieser Wert kann als der Anteil interpretiert werden, auf den die Gesamtkosten eines Prozesses Y durch eine Phaseneinteilung T durchschnittlich, d. h. bezogen auf eine Menge an Kostenfunktionen, reduziert wird. Die Phaseneinteilung T mit dem geringsten Wert für qcr kann als bestmögliche Phaseneinteilung angesehen werden. Somit lassen sich z. B. die Phaseneinteilungen verschiedener Kombinationen aus Kostenfunktionen und Suchmethoden vergleichen. Dies erlaubt die automatisierte Auswahl von Kostenfunktionen und Suchmethoden bzw. die automatisierte Kombination von Kostenfunktionen und Suchmethoden um Ablaufprozesse zu analysieren.
Die Kennzahl für die Qualität qcr kann auch als über alle Modelle gemittelte Kostenfunktion
Figure imgf000010_0003
interpretiert werden, die über alle K Phasen aufsummiert wird.
Weiterhin kann als alternative Kostenfunktion ein generisches Kostenfunktionsmodell „gen“ genutzt werden, das verschiedene Kostenfunktionen kombiniert, indem die normierten Kosten für eine Phase minimiert werden:
Figure imgf000010_0004
Diese Alternative beinhaltet keine automatische Auswahl einer Suchmethode, kann jedoch mit der oben beschriebenen Variante, der Berechnung von der Qualität qcr kombiniert werden. Somit kann die Auswahl einer Kostenfunktion und einer Suchmethode bzw. deren Kombination automatisiert werden. Ebenso können unterschiedliche Kostenfunktionsmodelle zur Bestimmung der Phasengrenzen bzw. zur Phaseneinteilung innerhalb eines Ablaufprozesseses genutzt werden. Insbesondere kann ein Steuerprogramm des Ablaufprozesses und/ oder genaue
Prozessphasen des Ablaufprozesses zu Beginn der Analyse des Ablaufprozesses für eine Vorrichtung, welche zum Analysieren des Ablaufprozesses eingerichtet ist, unbekannt sein. Dies ermöglicht die automatisierte Analyse von Ablaufprozessen.
Die Prozessdaten können Sensordaten, insbesondere Summensignale von Sensorsignalen, insbesondere bevorzugt ausschließlich,
Gesamtleistungsaufnahmedaten des Ablaufprozesses und/oder Vibrationsdaten einer Industrieanlage seien. Die Nutzung von Prozessdaten wie Summensignalen, Gesamtleistungsaufnahmedaten, Vibrationsdaten und/oder dergleichen ermöglicht die Analyse von Ablaufprozessen, ohne explizit Zugang zur eigentlichen Steuerungseinrichtung zu haben, welche den Ablaufprozess steuert/regelt.
Die Prozessdaten können beispielsweise die energetische Bilanz einer Maschine/Anlage beschreiben, deren Ablaufprozess analysiert werden soll. Beim Betrieb der Maschine/Anlage wird eingespeiste elektrische Energie in andere Energieformen umgewandelt. Bewegt sich ein Aktor oder wird ein Sensor genutzt, wird dazu elektrische Energie aufgewandt. Daher kann beispielsweise der Ablaufprozess, samt seiner Teilprozesse, mittels der Gesamtleistungsaufnahmedaten beschrieben und anhand dieser analysiert werden. Zur Analyse ist es nicht notwendig einzelne Sensorsignale aufzunehmen und auszuwerten. Stattdessen genügt die Aufnahme/Auswertung eines Summensignals. Somit können Ablaufprozesse analysiert werden zu denen nur Summensignale zur Verfügung stehen. Die Aufnahme dieser
Summensignale, wie die Gesamtleistungsaufnahmedaten, Vibrationsdaten und/oder dergleichen ist einfach zu erzielen und kann kostengünstig durchgeführt werden.
Insbesondere können zum automatischen Bestimmen von Phasengrenzen eines Ablaufprozesses und zum Identifizieren zumindest eines sich wiederholenden Teilprozesses des Ablaufprozesses unterschiedliche Suchmethoden und Kostenfunktionen genutzt werden. Dies ermöglicht eine präzise Beschreibung des Ablaufprozesses und eine möglichst exakte Bestimmung der Phasengrenzen. IO
Weiterhin kann der Schritt des automatischen Bestimmens von Phasengrenzen mit Hilfe von Change Point Detection Verfahren durchgeführt werden. Wie oben bereits beschrieben, ermöglichen die Bestimmung von Phasengrenzen mit Hilfe von Change Point Detection Verfahren eine exakte automatische Bestimmung von Phasengrenzen zwischen Teilprozessen.
Die Referenzgröße eines Teilprozesses kann zumindest eine der folgenden Größen aufweisen: Mittelwert, Standardabweichung, Varianz. Zudem kann die Referenzgröße einen oberen und/unteren Schwellenwert aufweisen, wobei die Referenzgröße sowie die Schwellenwerte den Normbetrieb charakterisieren können. Mittelwert, Standardabweichung und Varianz können leicht bestimmt werden. Zudem können die aufgezeichneten Prozessdaten eines erkannten Teilprozesses, leicht mit diesen Referenzgrößen des entsprechenden identifizierten Teilprozesses verglichen werden, um Abweichungen von einem Normbetrieb festzustellen. Zudem ermöglicht die Bestimmung einer Referenzgröße die Eliminierung und/oder Reduzierung von Störgrößen. Dies kann beispielsweise durch Mittelung erfolgen. Die so ermittelte
Referenzgröße kann beispielsweise als ideale Referenzperiode zum späteren Vergleich mit weiteren Prozessdaten/Vergleichsgrößen gespeichert werden.
Insbesondere kann das Identifizieren zumindest eines sich wiederholenden Teilprozesses das Identifizieren ähnlicher Kurvenverläufe der Prozessdaten umfassen, wobei ähnliche Kurvenverläufe vorzugsweise eine bestimmte Abfolge von positiven und/oder negativen Anstiegen innerhalb vorbestimmter Toleranzbereiche aufweisen. Somit können sich entsprechende Teilprozesses schnell und zuverlässig identifiziert werden.
Das Verfahren kann weiterhin das Bestimmen zumindest einer Vergleichsgröße für den erkannten Teilprozesses umfassen, wobei das Vergleichen ein Vergleichen der zumindest einen Vergleichsgröße mit der zumindest einen Referenzgröße umfasst. Die Bestimmung einer Vergleichsgröße ermöglicht eine vereinfachte Beurteilung der Prozessstabilität und/ oder Prozessqualität, da die Vergleichsgröße des erkannten Teilprozesses direkt mit der Referenzgröße des entsprechenden Teilprozesses verglichen werden kann. Die Abweichung von Vergleichsgröße und Referenzgröße kann dann als Maß für die Stabilität und/ oder Qualität des Teil- bzw. Ablaufprozesses verwendet werden.
Das Vergleichen kann ein Vergleichen des Werts der zumindest einen Vergleichsgröße zum aktuellen Zeitpunkt mit einem Wert der entsprechenden Referenzgröße zu einem früheren Zeitpunkt beinhalten. Die Vergleichsgröße eines Teilprozesses kann zumindest eine der folgenden Größen aufweisen: Mittelwert, Standardabweichung, Varianz. Zusätzlich oder alternativ kann das Vergleichen ein Vergleichen des Werts der zumindest einen Vergleichsgröße des erkannten Teilprozesses mit dem Wert dieser Vergleichsgröße eines weiteren entsprechenden Teilprozesseses während derselben Periode des Ablaufprozesses beinhalten. Der Vergleich der Vergleichsgröße mit dem Wert der entsprechenden Referenzgröße ermöglicht eine Beurteilung der Stabilität und/oder Qualität des Teil- bzw. Ablaufprozesses im Vergleich zu einem Referenzablaufprozess. Dies entspricht einem Soll- und Ist-Ablaufprozess-Vergleich. Der Vergleich des Werts der zumindest einen Vergleichsgröße des erkannten
Teilprozesses mit dem Wert dieser Vergleichsgröße eines weiteren entsprechenden Teilprozesseses während derselben Periode des Ablaufprozesses ermöglicht die Beurteilung der Stabilität und Qualität des Ablaufprozesses während der Ausführung des Ablaufprozesses. Somit können Abweichungen vom Normbetrieb schnell erkannt werden.
Der Normbetrieb kann durch die Referenzgröße und optional durch einen vorbestimmten Toleranzbereich der Referenzgröße für jeden identifizierten Teilprozesses bestimmt werden. Der Toleranzbereich der Referenzgröße kann insbesondere durch einen oberen und unteren Schwellenwert bestimmt werden. Liegen die aufgezeichneten Prozessdaten bzw. die Vergleichsgröße eines erkannten
Teilprozesses außerhalb des Toleranzbereichs, kann auf eine Abweichung vom Normbetrieb geschlossen werden. Diese Abweichung kann dem Nutzer des Ablaufprozesses mitgeteilt werden.
Insbesondere können die Ergebnisse des Vergleichs auf einer Benutzerschnittstelle, wie einer grafischen Benutzerschnittstelle dem Nutzer des Ablaufprozesses angezeigt werden. Weiterhin können die Ergebnisse des Vergleichs oder ein Signal, welches die Abweichung indiziert, an eine weitere Steuerung, wie die Steuereinrichtung des Ablaufprozesses weitergeleitet werden, um beispielsweise den Ablaufprozess zu stoppen oder in einen Fehlermodus zu wechseln. Das Verfahren kann weiterhin die Bewertung der Prozessstabilität des Ablaufprozesses und/oder zumindest eines Teilprozesses, basierend auf einer ermittelten Abweichung vom Normbetrieb umfassen. Die Prozessstabilität kann beispielsweise auf einer Skala von o bis 1 bewertetet werden. Der Wert 1 entspricht in diesem Fall einer Soll- Prozessstabilität, die initial, beispielsweise bei der Aufnahme der Prozessdaten im Referenzeitraum Tref, bestimmt wurde. Wird eine Abweichung vom Normbetrieb festgestellt, beispielsweise durch Vergleich der Vergleichsgröße mit der entsprechenden Referenzgröße, kann die Prozessstabilität für den entsprechenden und zu bewertenden Teilprozess mit einem Wert kleiner 1 bewertet werden. Unterschreitet die Prozessstabilität des Ablaufprozesses und/ oder Teilprozesses einen vordefinierten unteren Schwellenwert, kann beispielsweise der Ablaufprozess und/oder Teilprozess gestoppt, eine Wartung veranlasst und/ oder ein Wartungsintervall angepasst werden.
Das Verfahren kann weiterhin das Identifizieren der Art der Abweichung vom Normbetrieb umfassen. Die Art der Abweichung kann automatisiert erfolgen Insbesondere kann das Identifizieren der Art der Abweichung vom Normbetrieb durch die Auswertung des zeitlichen Verlaufs der Prozessstabilität des Ablaufprozesses und/oder zumindest eines Teilprozesses erfolgen. Dazu wird nach jedem Erkennen eines Teilprozesses die Prozessstabilität für den Durchlauf bewertet gespeichert. Der zeitliche Verlauf der Prozessstabilität kann dann grafisch dargestellt werden, um die Art der Abweichung vom Normbetrieb schnell und einfach identifizieren zu können.
Beispielsweise können die folgenden Arten von Abweichungen identifiziert werden: Versatz (Shift),, Driften, Rauschen und/oder anderweitige Anomalien. Die Art der Abweichung kann durch die Auswertung der Prozessdaten, der Vergleichsgröße und/ oder der Prozessstabilität identifiziert werden. Diesen Abweichungsarten können abhängig vom Teilprozess Fehlerfälle des Ablaufprozesses und/ oder der Maschine zugeordnet werden, wie der Ausfall eines Teils der Maschine, der Verschleiß eines Teils der Maschine, oder der Kollision eines Teils der Maschine. Insbesondere die Auswertung des zeitlichen Verlaufs der Prozessstabilität zur Identifikation der Art der Abweichung vom Normbetrieb ermöglicht eine schnelle und einfache Identifikation der Abweichungsart, auch über einen längeren Beobachtungszeitraum.
Die Aufgabe wird auch durch eine Vorrichtung zum Analysieren eines Ablaufprozesses gelöst, wobei die Vorrichtung zumindest eine Sensoranordnung zum Aufzeichnen von Prozessdaten des Ablaufprozesses umfasst. Die Vorrichtung ist dazu eingerichtet, das zuvor beschriebene Verfahren auszuführen. Die Vorrichtung kann insbesondere von der Maschine/Anlage, die den zu analysierenden Ablaufprozess ausführt verschieden sein. Dies ermöglicht die Analyse von Ablaufprozessen bei bereits vorhandenen Systemen, wie Maschinen oder Anlagen durch Nachrüsten der Vorrichtung.
Die Sensoranordnung kann einen Stromsensor, einen Leistungsaufnahmesensor und/oder ein Vibrationssensor umfassen. Andere Sensoren sind ebenso möglich. Insbesondere kann die Sensoranordnung dazu eingerichtet sein zumindest ein Summensignal des zu analysierenden Ablaufprozesses aufzuzeichnen.
Weiterhin kann die Vorrichtung eine grafische Benutzerschnittstelle umfassen, welche dazu eingerichtet ist, Prozessdaten, eine Referenzgröße und/oder eine Vergleichsgröße darzustellen, wobei die grafische Benutzerschnittstelle insbesondre dazu eingerichtet sein kann, dass ein Nutzer des Ablaufprozesses dargestellte Phasengrenzen und/oder dargestellte Prozessdaten eines Teilprozesses (manuell) beschriften kann. Hierdurch kann den Aufgezeichneten Prozessdaten eines Teilprozesses ein konkreter Ablauf des Ablaufprozesses, wie z.B. Bauteil greifen, Position ändern, Bauteil loslassen, zugeordnet und somit die Beurteilung der Prozessstabilität und/ oder Prozessqualität vereinfacht werden.
Die Aufgabe wird auch durch ein Computerprogram, umfassend Programmanweisungen, gelöst, die von zumindest einem Prozessor ausgeführt werden können und die den Prozessor dazu veranlassen eine Vorrichtung gemäß einem zuvor beschriebenen Verfahren zu steuern.
KURZE BESCHREIBUNG DER FIGUREN
Im Folgenden werden einige Ausführungsformen und Aspekte der Erfindung anhand der angefügten Figuren näher erläutert. Dabei zeigt
Fig. l eine schematische Darstellung einer Vorrichtung zum Analysieren eines Ablaufprozesses;
Fig. 2 einen schematischen Ablauf eines Verfahrens zum Analysieren eines
Ablaufprozesses;
Fig. 3 eine exemplarische Darstellung von Prozessdaten eines Ablaufprozesses;
Fig. 4 eine exemplarische Darstellung von Prozessdaten eines weiteren Ablaufprozesses;
Fig.5A bis 5C eine exemplarische Darstellung von Prozessdaten eines weiteren Ablaufprozesses;
Fig. 6 ein exemplarisches Beispiel für eine normalisierter Gain-Funktion, und Fig.7A bis 7D eine exemplarische Darstellung von Abweichungen vom Normbetrieb.
AUSFÜHRLICHE BESCHREIBUNG DER FIGUREN
Fig. l zeigt eine schematische Darstellung einer Vorrichtung 50 zum Analysieren eines zyklischen oder nicht-zyklischen Ablaufprozesses Y. Ein Beispiel für einen zyklischen Ablaufprozess Y ist eine sich wiederholende Aufgabe, die von einem Roboter ausgeführt wird. Der Ablaufprozess Y kann beispielsweise die folgenden drei Teilprozesse yt,k..t,k+i umfassen: Bauteil greifen yt,o..t,i, Position ändern yt,i..t,2, Bauteil loslassen yt,2..t,o+T. Ein weiteres Beispiel für einen Ablaufprozess Y ist ein Spritzgussprozess mit den folgenden fünf Teilprozessen yt,k..t,k+i: Werkzeug schließen yt,0..t,i, Einspritzen yt,i..t,2, Nachdruck yt,2..t,3, Plastifizieren yt,3..t,4, Werkzeug öffnen yt,4..t,o+T. Die einzelnen Teilprozesse yt,k..t,k+i sind jeweils durch Phasengrenzen t0 ... tk voneinander getrennt. Ein Beispiel für einen nicht-zyklischen Ablaufprozess Y umfasst die Teilprozesse yt,k..t,k+i Maschine an, Maschine aus, Standby. Ein weiteres Beispiel für einen nicht-zyklischen Ablaufprozess Y umfasst die Teilprozesse yt,k..t,k+i Raum belegt, Raum nicht belegt, Raum mit mehreren Besuchern belegt.
Zur Analyse des Ablaufprozesses Y kann die Vorrichtung 50 Prozessdaten 20, 20‘, 20“ aufzeichnen. Insbesondere kann die Vorrichtung 50 eine Sensoranordnung 52 zum Aufzeichnen von Prozessdaten 20, 2o‘, 20“ des Ablaufprozesses umfassen. Die Prozessdaten 20, 20‘, 20“ können eine Gesamteingangsgröße (Summensignal), wie beispielsweise die Gesamtleistungsaufnahme, sein. Ebenso können die Prozessdaten 20, 20‘, 20“ ein anderweitiges Summensignal sein, wie beispielsweise Vibrationsdaten einer Industrieanlage, Temperaturdaten, Geräuschemissionsdaten, oder dergleichen. Entsprechend kann die Sensoranordnung 52 zumindest einen Stromsensor, einen Leistungsaufnahmesensor, ein Vibrationssensor, einen Temperatursensor, einen Geräuschemissionssensor und/ oder andere Prozessdatensensoren umfassen.
Die Einzelnen Ausgangsgrößen 22, 24, 26, 28 des Ablaufprozess Y (z.B. komponentenspezifische Leistungsaufnahme, komponentenspezifische Vibrationsdaten, komponentenspezifische Temperaturdaten, komponentenspezifische Geräuschemissionsdaten, Lagedaten einzelner Komponenten, oder dergleichen) können für den Nutzer des Ablaufprozess Y und/ oder für die Vorrichtung 50 nicht zugänglich sein und somit für die Analyse des Ablaufprozesses Y nicht zur Verfügung stehen. Um dennoch den Ablaufprozess Y analysieren zu können, können die Prozessdaten 20, 20‘, 20“ aufgezeichnet und gemäß dem Verfahren 100 zum Analysieren eines Ablaufprozesses analysiert werden.
Fig. 2 zeigt einen schematischen Ablauf eines Verfahrens 100 zum Analysieren eines Ablaufprozesses. Das Verfahren umfasst die Schritte (a.) des Aufzeichnens 110 von Prozessdaten, optional des automatisierten Bestimmens 115 der Periodendauer des Ablaufprozesses, (b.) des Bestimmens 120 von Phasengrenzen, optional des automatisierten Bestimmens 125 der Anzahl der sich wiederholenden Teilprozesse, (c.) des Identifizierens 130 eines sich wiederholenden Teilprozesses, (d.) des Bestimmens 140 einer Referenzgröße, (e.) des Aufzeichnens 150 von Prozessdaten und (f.) des Vergleichens 160 der aufgezeichneten Prozessdaten, um Abweichungen von einem Normbetrieb festzustellen. Somit kann durch Betrachtung der Prozessdaten 20, 20‘,
20“ - auch ohne Kenntnis der Ausgangsgrößen 22, 24, 26, 28 - der Ablaufprozess Y analysiert werden.
Fig. 3 zeigt eine exemplarische Darstellung von Prozessdaten 20 eines Ablaufprozesses Y, die während eines Zeitraums Tref (Referenzeitraum) und/ oder einer Zeitdauer Tmes (Messzeitraum) aufgezeichnet wurden. Zudem zeigt Fig. 3 die Ausgangsgrößen 22 und 24, welche beispielsweise die Leistungsaufnahme einzelner Komponenten - wie einzelner Aktuatoren - einer Industrieanlage im zeitlichen Verlauf darstellen. Verfahrensgemäß werden die Prozessdaten 20, die beispielsweise den zeitlichen Verlauf der Gesamtleistungsaufnahme der Industrieanlage darstellen, aufgezeichnet.
Die Ausgangsgrößen 22 und 24, die beispielsweise je den zeitlichen Verlauf einer komponentenspezifischen Leistungsaufnahme einer Komponente der Industrieanlage darstellen, werden nicht aufgezeichnet und stehen somit für die Analyse des Ablaufprozesses Y nicht zur Verfügung. Basierend auf den während des Referenzeitraums Tref aufgezeichneten Prozessdaten 20 werden Phasengrenzen automatisiert bestimmt und sich wiederholende Teilprozesse identifiziert. Weiterhin wird zumindest eine Referenzgröße für jeden identifizierten, sich wiederholenden Teilprozess bestimmt. Entsprechend können während eines Messzeitraums Tmes, der dem Referenzeitraums Tref nachfolgt, weitere Prozessdaten aufgezeichnet werden. Auch diese Prozessdaten würden in dem obigen Beispiel den zeitlichen Verlauf der
Gesamtleistungsaufnahme der Industrieanlage darstellen. Verfahrensgemäß wird das erneute Auftreten eines identifizierten Teilprozesses erkannt. Die während des Messzeitraums Tmes aufgezeichneten Prozessdaten können dann mit einer zuvor bestimmten Referenzgröße des entsprechenden identifizierten Teilprozesses verglichen werden, um Abweichungen von einem Normbetrieb festzustellen. Insbesondere können die aufgezeichneten Prozessdaten Summensignale sein, wie beispielsweise Gesamtleistungsaufnahmedaten des Ablaufprozesses. Die Nutzung von Summensignalen ermöglicht die Analyse von Ablaufprozessen, ohne explizit Zugang zu Ausgangsgrößen 22, 24 zu haben, welche beispielsweise den zeitlichen Verlauf einer komponentenspezifischen Leistungsaufnahme einer Komponente der Industrieanlage darstellen.
Fig. 4 zeigt eine exemplarische Darstellung von Prozessdaten 20, 2o‘ eines weiteren Ablaufprozesses Y. Diese exemplarische Darstellung soll das automatische Bestimmen der Phasengrenzen basierend auf dem Change Point Detection Verfahren beispielhaft illustrieren. Dazu werden die die aufgezeichneten Prozessdaten 20, 20‘ (Signal) in
Phasen (d.h. Teilprozesse ytfc..tfc+1) eingeteilt. Die Phasengrenzen werden durch t0 ... t3 beschrieben. Zur Bestimmung der Phasengrenzen muss die Summe aller Kosten c(yto .. tz ) des Signalverlaufs
Figure imgf000018_0001
durch Variierung der Phasengrenzen tk minimiert werden. Die Kostenfunktionen messen beispielsweise die Abweichung des Signals zu seinem Mittelwert (hier y0 ref, yi,ref, y2, ref) zwischen zwei benachbarten Phasengrenzen. Kostenfunktionen für weitere Merkmale oder deren Kombination können ebenfalls genutzt werden. Die Phasengrenzen ergeben sich durch die Minimierung der Funktion V(t; y). In Fig. 4 ist in ein Signal dargestellt, das die Prozessdaten 20, die während eines Referenzeitraums Tref aufgezeichnet wurden, repräsentiert. Ebenso kann das dargestellte Signal Prozessdaten 20‘ repräsentieren, die während eines Messzeitraums Tmes aufgezeichnet wurden. Das dargestellte Signal 20, 20‘nimmt in dem gezeigten Beispiel der Figur 4 drei Werte an. Wenn die Kostenfunktionen die Abweichungen zum Mittelwert zwischen zwei benachbarten Phasengrenzen messen, wird ein Minimum der Funktion V(t; y ) angenommen, wenn die Grenzen tk so gewählt werden, dass sie genau bei den
Zeitpunkten liegen, an denen das Signal seinen Wert ändert. Dies ist der Fall zwischen t0 und G für yt,0..t, 1, ref zwischen G und t2 für yt,i..t,2,ref und zwischen t2 und T (bzw. t3) für yt,2..t,o+T,ref· Die automatisch bestimmten Phasengrenzen sind somit t0, G, und t2. Die Fig.5A bis 5C zeigen jeweils eine exemplarische Darstellung von Prozessdaten 20 eines weiteren Ablaufprozesses Y. Die Prozessdaten 20 können beispielsweise den zeitlichen Verlauf der Gesamtleistungsaufnahme einer Industrieanlage während des Ablaufprozesses Y repräsentieren. Jeweils links ist das Rohsignal der aufgezeichneten Prozessdaten dargestellt. Rechts sind die Prozessdaten nach der Analyse gemäß der Verfahrensschritte (b.) und (c.), d.h. nach dem automatischen Bestimmen 120 der Phasengrenzen t0, tk und dem Identifizieren 130 zumindest eines sich wiederholenden Teilprozesses yt,k..t,k+i dargestellt. Die jeweiligen (Roh-)signale sind verrauschte Signale, wobei Fig. 5A ein Signal mit sprunghaften Änderungen des
Mittelwerts, Fig. 5B ein zackenartiges Signal und Fig. 5C ein gemischtes Signal zeigt. Diese Signale sind als Eingangsdaten (Prozessdaten) zur Analyse des Ablaufprozesses geeignet.
Fig. 6 zeigt ein exemplarisches Beispiel für die der automatisierten Bestimmung der Anzahl der sich wiederholenden Teilprozesse zugrundeliegende Berechnung einer Differenz zwischen einer Referenzverteilung und einem normalisieren Gain-Werts gain^orm, wie er bereits oben beschrieben wurde.
Die Fig. Abis 7D zeigen jeweils eine exemplarische Darstellung eines zeitlichen Verlaufs der Prozessstabilität S für die Teilprozesse yt,o..t,i, y ..t,2 , yt,2..t,o+T. Die Prozessstabilität kann beispielsweise auf einer Skala von o bis 1 bewertetet werden. Der Wert 1 entspricht in diesem Fall einer Soll-Prozessstabilität, die initial, beispielsweise bei der Aufnahme der Prozessdaten im Referenzeitraum Tref, bestimmt wurde. Wird eine Abweichung vom Normbetrieb festgestellt, beispielsweise durch Vergleich der Vergleichsgröße mit der entsprechenden Referenzgröße, kann die Prozessstabilität für den entsprechenden und zu bewertenden Teilprozess mit einem Wert kleiner 1 bewertet werden.
Die in den Figuren 7A bis 7D dargestellten zeitlichen Verläufe der Prozessstabilität S für die Teilprozesse yt,o..t,i, yt,i..t,2 , yt,2..t,o+T sind über einen langen Zeitraum t>>T aufgenommen. Jeder Punkt eines zeitlichen Verlaufs repräsentiert die Prozessstabilität eines entsprechenden Teilprozesses yt,0..t,i, yt,i..t,2 , yt,2..t,o+T, wie sie nach Durchlaufen (und Erkennen) des jeweiligen Teilprozesses bewertet wurde.
Zudem ist in den Figuren 7A bis 7D ein unterer Schwellenwert Smin der Prozessstabilität S eingezeichnet. Wird die Prozessstabilität S nach Durchlaufen (und Erkennen) des jeweiligen Teilprozesses größer bewertet als Smin, so liegt keine Abweichung bzw. eine tolerierbare Abweichung vom Normbetrieb vor. Unterschreitet die Prozessstabilität S des Ablaufprozesses und/oder Teilprozesses diesen vordefinierten unteren Schwellenwert Smin, kann beispielsweise der Ablaufprozess und/oder Teilprozess gestoppt, eine Wartung veranlasst und/oder ein Wartungsintervall angepasst werden. In Fig. 7A liegt die Prozessstabilität S für alle Teilprozesse yt,0.. , yt,i..t,2 , yt,2..t,o+T oberhalb des unteren Schwellenwert Smin. Folglich weicht keiner der Teilprozesse yt,0..t,i, yt,i..t,2 , yt,2..t,o+T vom Normbetrieb ab bzw. es hegt allenfalls eine tolerierbare Abweichung vom Normbetrieb vor. Die (Teil-)Prozessqualität und (Teil-)Prozessstabilität kann mit gut bewertet werden.
In Fig. 7B weicht die Prozessstabilität S für den Teilprozess yt,i..t,2 vom Normbetrieb ab, d.h. die Prozessstabilität S hegt zumindest teilweise unterhalb des Schwellenwertes Smin. Insbesondere sinkt die Prozessstabilität S für den Teilprozess yt,i..t,2 mit fortlaufender Beobachtungsdauer t. Die Art der Abweichung (hier: Drift) kann klassifiziert und an den Nutzer ausgegeben werden. Das Auftreten einer Abweichung der Art „Drift“ kann beispielsweise auf den Verschleiß einer Komponente hindeuten, welche während des Teilprozesses yt,i..t,2 in Betrieb ist.
Auch in Fig. 7C weicht die Prozessstabilität S für den Teilprozess yt,2..t,o+T vom Normbetrieb ab. Hier kommt es zu keinem langsamen abdriften der Prozessstabilität S (wie bei Fig. 7B) , sondern es tritt eine plötzliche Änderung auf. Die Art der Abweichung (hier: Shift) kann klassifiziert und an den Nutzer ausgegeben werden. Das Auftreten einer Abweichung der Art „Shift“ kann beispielsweise auf eine plötzliche Beschädigung einer Komponente hindeuten, welche während des Teilprozesses yt,2..t,o+T in Betrieb ist.
In Fig. 7D zeigt einen beispielhaften vierten Fall. Hier tritt eine „Anomalie“ bei der Bewertung der Prozessstabilität S für den Teilprozess yt,2..t,o+Tauf. Die Art der Abweichung (hier: Anomalie) kann klassifiziert und an den Nutzer ausgegeben werden. Das Auftreten einer Abweichung der Art „Anomalie“ kann beispielsweise auf einen nicht optimal eingestellten Ablauf- bzw. Teilprozess hindeuten. Beispielsweise kommt es zu einer Kollision oder einem „verhaken“ von beteiligten Komponenten. Ebenso kann eine Abweichung der Art „Anomalie“ auf einen baldigen Ausfall einer Komponente hindeuten.
Typischerweise wird eine erkannte Abweichung und/oder die Art der erkannten Abweichung an den Nutzer des Ablaufprozesses ausgegeben. Dieser kann dann die Interpretation der Prozessdaten, der Vergleichsgröße und/oder der Prozessstabilität, insbesondere des zeitlichen Verlaufs der Prozessstabilität vornehmen, um Rückschlüsse auf die Abweichung vom Normbetrieb, die Art der Abweichung vom Normbetrieb und/oder die Ursache für die Abweichung vom Normbetrieb für den gesamten Ablaufprozess und/ oder einzelne Teilprozesse ziehen zu können.
Die Beurteilung der (Teil-)Prozessqualität und -Stabilität kann durch die vorliegende Erfindung vereinfacht werden. Dies kann separat für jeden Teilprozess und/oder für den gesamten Ablaufprozess erfolgen. Insbesondere müssen zur Beurteilung der (Teil- )Prozessqualität keine rohen Sensordaten interpretiert werden.
BEZUGSZEICHENLISTE
Y Ablaufprozesses yt, ..t,k+i Teilprozess to; * * * j tk Phasengrenzen yt,k..t,k+i,nef Referenzgröße yt,k..t,k+i,comp Vergleichsgröße s Prozessstabilität
Smi n unterer Schwellenwert der Prozessstabilität
Tref Referenzeitraum
Tmes Messzeitraum
T Periodendauer
20, 20‘, 20“ Prozessdaten
22, 24, 26, 28 Ausgangsgrößen 50 Vorrichtung
52 Sensoranordnung
100 Verfahren
110 Aufzeichnen von Prozessdaten
115 Automatisiertes Bestimmen der Periodendauer
120 Bestimmen von Phasengrenzen
125 Automatisiertes Bestimmen der Anzahl der sich wiederholenden
Teilprozesse
130 Identifizieren eines sich wiederholenden Teilprozesses
140 Bestimmen einer Referenzgröße
150 Aufzeichnen von Prozessdaten
160 Vergleichen der aufgezeichneten Prozessdaten

Claims

ANSPRÜCHE l. Verfahren (ioo) zum Analysieren eines Ablaufprozesses (Y), wobei der Ablaufprozess (Y) zumindest einen sich wiederholenden Teilprozess (ya-..a-+i) aufweist, und wobei das Verfahren (too) die folgenden Schritte umfasst: a. Aufzeichnen (no) von Prozessdaten (20) des Ablaufprozesses (Y), über einen Referenzzeitraum (Tref); b. Automatisches Bestimmen (120) von Phasengrenzen (t0, ΐk) basierend auf den aufgezeichneten Prozessdaten (20), c. Identifizieren (130) zumindest eines sich wiederholenden Teilprozesses (yt,k..t,k+i), welcher durch zwei benachbarte Phasengrenzen (tk, tk+0 in seiner Dauer zeitlich begrenzt ist; d. Bestimmen (140), zumindest einer Referenzgröße (ya-..a-+i,ief) für jeden identifizierten, sich wiederholenden Teilprozess (yt,k..t,k+i) aus den im Zeitraum (Tref) aufgezeichneten Prozessdaten (20); e. Aufzeichnen (150) von Prozessdaten (20’, 20”) des Ablaufprozesses (Y), über einen dem Referenzzeitraum (Tref) nachfolgenden Zeitraum (Tmes) und wiederholen der Schritte b. und c., um das erneute Auftreten eines identifizierten Teilprozesses zu erkennen; f. Vergleichen (160) der aufgezeichneten Prozessdaten (20’, 20”) des erkannten Teilprozesses (yt,k..t,k+i) mit der zumindest einen Referenzgröße (yt,k..t,k+i,ref) des entsprechenden identifizierten Teilprozesses, um Abweichungen von einem Normbetrieb festzustellen.
2. Verfahren (100) nach Anspruch 1, wobei der Ablaufprozesses (Y) ein zyklischer
Ablaufprozess ist, und wobei der Referenzzeitraum (Tref) zumindest eine, bevorzugt zumindest zwei, Periodendauern (T) des zyklischen Ablaufprozesses (Y) umfasst, wobei das Verfahren insbesondere zusätzlich den folgenden Schritt umfasst:
Automatisiertes Bestimmen (115) der Periodendauer (T).
3. Verfahren (100) nach Anspruch 1 oder 2, wobei das Verfahren zusätzlich den folgenden Schritt umfasst:
Automatisiertes Bestimmen (125) der Anzahl der sich wiederholenden Teilprozesse (yt,k..t,k+i) während einer Periodendauer (T) oder einer Ablaufdauer des Ablaufprozesses. der Anzahl der sich wiederholenden Teilprozesse (yt,k..t,k+i) zumindest die Berechnung einer Differenz zwischen einer Referenzverteilung und einem normalisieren Gain- Werts und/ oder die Auswertung zumindest einer Kostenfunktion umfasst.
5. Verfahren (100) nach einem der vorhergehenden Ansprüche, wobei das Steuerprogramm des Ablaufprozesses (Y) und/oder genaue Prozessphasen des Ablaufprozesses (Y) zu Beginn der Analyse des Ablaufprozesses für eine Vorrichtung, welche zum Analysieren des Ablaufprozesses eingerichtet ist, unbekannt sind.
6. Verfahren (100) nach einem der vorhergehenden Ansprüche, wobei die Prozessdaten (20, 20’, 20”) Sensordaten, insbesondere Summensignale von Sensorsignalen, insbesondere bevorzugt ausschließlich, Gesamtleistungsaufnahmedaten des Ablaufprozesses und/ oder Vibrationsdaten einer Industrieanlage sind.
7. Verfahren (100) nach einem der vorhergehenden Ansprüche, wobei zum automatischen Bestimmen (120) von Phasengrenzen eines Ablaufprozesses (Y) und zum Identifizieren (130) zumindest eines sich wiederholenden Teilprozesses (yt,k..t,k+i) des Ablaufprozesses (Y) unterschiedliche Suchmethoden und Kostenfunktionen genutzt werden.
8. Verfahren (100) nach einem der vorhergehenden Ansprüche, wobei der Schritt des automatischen Bestimmens von Phasengrenzen (120) mit Hilfe von Change Point
Detection Verfahren durchgeführt wird.
9. Verfahren (100) nach einem der vorhergehenden Ansprüche, wobei die zumindest eine Referenzgröße eines Teilprozesses zumindest eine der folgenden Größen aufweist: Mittelwert, Standardabweichung, Varianz.
10. Verfahren (100) nach einem der vorhergehenden Ansprüche, wobei das Identifizieren (130) zumindest eines sich wiederholenden Teilprozesses (ya-..a-+i) das Identifizieren ähnlicher Kurvenverläufe der Prozessdaten umfasst, wobei ähnliche Kurvenverläufe vorzugsweise eine bestimmte Abfolge von positiven und/ oder negativen Anstiegen innerhalb vorbestimmter Toleranzbereiche aufweisen.
11. Verfahren (100) nach einem der vorhergehenden Ansprüche, wobei das Verfahren weiterhin das Bestimmen zumindest einer Vergleichsgröße (ya-..a-+i,comp) für Teilprozesses mit der zumindest einen Referenzgröße (yt,k..t,k+i,ref) eines entsprechenden Teilprozesses umfasst, und wobei die Vergleichsgröße (yt,k..t,k+i,comP) eines Teilprozesses zumindest eine der folgenden Größen aufweisen kann: Mittelwert, Standardabweichung, Varianz.
12. Verfahren (100) nach dem vorhergehenden Anspruch, wobei das Vergleichen (160) ein Vergleichen des Werts der zumindest einen Vergleichsgröße (ya-..a-+i,comp) zum aktuellen Zeitpunkt mit einem Wert der entsprechenden Referenzgröße (yt,k..t,k+i,ref) zu einem früheren Zeitpunkt beinhaltet und/oder ein Vergleichen des Werts der zumindest einen Vergleichsgröße (ya-..a-+i,comp) des erkannten Teilprozesses (yt,k..t,k+i) mit dem Wert dieser Vergleichsgröße eines weiteren entsprechenden Teilprozesseses (yt,k..t,k+i) während derselben Periode des Ablaufprozesses (Y).
13. Verfahren (100) nach einem der vorhergehenden Ansprüche, wobei der Normbetrieb durch die Referenzgröße (yt,k..t,k+i, ref) und einen vorbestimmten Toleranzbereich der Referenzgröße (yt,k..t,k+i) für jeden identifizierten Teilprozesses bestimmt wird.
14. Verfahren (100) nach einem der vorhergehenden Ansprüche, weiterhin aufweisend:
Bewertung der Prozessstabilität (S), des Ablaufprozesses und/ oder zumindest eines Teilprozesses, basierend auf einer Ermittelten Abweichung vom Normbetrieb.
15. Verfahren (100) nach einem der vorhergehenden Ansprüche, weiterhin aufweisend:
Darstellen der Ergebnisse des Vergleichs auf einer Benutzerschnittstelle und/ oder Weiterleiten dieser Ergebnisse an eine weitere Steuerung.
16. Verfahren (100) nach einem der vorhergehenden Ansprüche, weiterhin aufweisend:
Identifizieren der Art der Abweichung vom Normbetrieb.
17. Vorrichtung (50), zum Analysieren eines Ablaufprozesses (Y), wobei die Vorrichtung (50) zumindest eine Sensoranordnung (52) zum Aufzeichnen von Prozessdaten (20, 20’, 20”) des Ablaufprozesses (Y) umfasst, und wobei die Vorrichtung (50) dazu eingerichtet ist, ein Verfahren gemäß einem der Ansprüche 1 bis 16 auszuführen. Stromsensor, einen Leistungsaufnahmesensor und/oder ein Vibrationssensor umfasst. 19. Computerprogram, umfassend Programmanweisungen, die von zumindest einem Prozessor ausgeführt werden können, und die den Prozessor dazu veranlassen eine Vorrichtung gemäß einem Verfahren gemäß einem der Ansprüche 1 bis 16 zu steuern.
PCT/EP2020/074138 2019-08-29 2020-08-28 Verfahren und vorrichtung zum analysieren eines ablaufprozesses WO2021038079A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP20764974.0A EP4022408A1 (de) 2019-08-29 2020-08-28 Verfahren und vorrichtung zum analysieren eines ablaufprozesses
CN202080060298.9A CN114341755A (zh) 2019-08-29 2020-08-28 用于分析流程过程的方法和设备
US17/682,845 US20220179402A1 (en) 2019-08-29 2022-02-28 Method and device for analyzing a sequential process

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019213019.4 2019-08-29
DE102019213019.4A DE102019213019A1 (de) 2019-08-29 2019-08-29 Verfahren und vorrichtung zum analysieren eines ablaufprozesses

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/682,845 Continuation US20220179402A1 (en) 2019-08-29 2022-02-28 Method and device for analyzing a sequential process

Publications (1)

Publication Number Publication Date
WO2021038079A1 true WO2021038079A1 (de) 2021-03-04

Family

ID=72322437

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/074138 WO2021038079A1 (de) 2019-08-29 2020-08-28 Verfahren und vorrichtung zum analysieren eines ablaufprozesses

Country Status (5)

Country Link
US (1) US20220179402A1 (de)
EP (1) EP4022408A1 (de)
CN (1) CN114341755A (de)
DE (1) DE102019213019A1 (de)
WO (1) WO2021038079A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021116520A1 (de) 2021-06-25 2022-12-29 Lenze Se Verfahren zur Qualitätsüberwachung von elektrischen Antrieben
DE102022120182A1 (de) 2022-08-10 2024-02-15 Liebherr-Werk Nenzing Gmbh System, Verfahren und Computerprogrammprodukt zur automatischen Erkennung von Arbeitszyklen einer Tiefbaumaschine

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140379301A1 (en) * 2013-06-24 2014-12-25 Infosys Limited Systems and methods for data-driven anomaly detection
US20180232338A1 (en) * 2016-02-09 2018-08-16 Omron Corporation Monitoring device, method and computer-readable recording medium for controlling monitoring device

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1920300B1 (de) * 2005-04-28 2010-07-28 Netstal-Maschinen AG Verfahren und vorrichtung zur automatischen überwachung von repetitiven abläufen einer spritzgiessmaschine
US7917362B2 (en) * 2006-04-19 2011-03-29 Mediatek Inc. Method and apparatus for determining a bit boundary of a repetition-coded signal
EP2172820A1 (de) * 2008-10-06 2010-04-07 Basf Se Verfahren und System zur automatisierten Analyse von Prozessdaten
US20130159756A1 (en) * 2010-03-17 2013-06-20 Daniel P.W. Ellis Methods And Systems For Blind Analysis of Resource Consumption
US8880203B2 (en) * 2010-05-21 2014-11-04 Fisher-Rosemount Systems, Inc. On-line alignment of a process analytical model with actual process operation
CN101885230B (zh) * 2010-07-22 2014-03-12 华中科技大学 注射成形工序周期自动识别方法
US20120283885A1 (en) * 2011-05-04 2012-11-08 General Electric Company Automated system and method for implementing statistical comparison of power plant operations
EP2746884B1 (de) * 2012-12-24 2015-04-15 Air Products And Chemicals, Inc. Vorrichtung und Verfahren zur Überwachung und Steuerung zyklischer Verarbeitungseinheiten in einer stationären Anlagenumgebung
CN106464988B (zh) * 2014-04-09 2020-02-18 斯迈皮股份有限公司 能量管理系统
US10248097B2 (en) * 2016-05-09 2019-04-02 Yokogawa Electric Corporation Method and apparatus for optimizing process control systems
CN106840686B (zh) * 2017-01-20 2018-10-23 湖南大学 一种发动机变工况下控制参数的在线检测装置和检测方法
CN108931967A (zh) * 2017-05-22 2018-12-04 大隈株式会社 运行监控装置及其控制程序
DE102017219549A1 (de) * 2017-11-03 2019-05-09 Volkswagen Aktiengesellschaft Verfahren zur Zustandsüberwachung einer Fertigungsanlage
JP6703017B2 (ja) * 2018-01-22 2020-06-03 ファナック株式会社 計測結果分析装置、計測結果分析方法及びプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140379301A1 (en) * 2013-06-24 2014-12-25 Infosys Limited Systems and methods for data-driven anomaly detection
US20180232338A1 (en) * 2016-02-09 2018-08-16 Omron Corporation Monitoring device, method and computer-readable recording medium for controlling monitoring device

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LU GUOLIANG ET AL: "A novel framework of change-point detection for machine monitoring", MECHANICAL SYSTEMS AND SIGNAL PROCESSING, ELSEVIER, AMSTERDAM, NL, vol. 83, 5 July 2016 (2016-07-05), pages 533 - 548, XP029721745, ISSN: 0888-3270, DOI: 10.1016/J.YMSSP.2016.06.030 *

Also Published As

Publication number Publication date
DE102019213019A1 (de) 2021-03-04
US20220179402A1 (en) 2022-06-09
CN114341755A (zh) 2022-04-12
EP4022408A1 (de) 2022-07-06

Similar Documents

Publication Publication Date Title
DE102017011290B4 (de) Vorrichtung für maschinelles Lernen, CNC-Vorrichtung und maschinelles Lernverfahren zum Erkennen eines Anzeichens eines Auftretens von Rattern im Werkzeug einer Werkzeugmaschine
DE60211002T2 (de) Verfahren und system zum analysieren der steuerschaltungsleistungsfähigkeit in einem industriellen prozess
DE102018203280A1 (de) Zustandsdiagnosevorrichtung
EP1543394A1 (de) Vorrichtung und verfahren zur überwachung einer mehrere systeme umfassenden technischen anlage, insbesondere einer kraftwerksanlage
DE102017211737B4 (de) Überwachungsvorrichtung und Verfahren zur Überwachung eines Systems
WO2021038079A1 (de) Verfahren und vorrichtung zum analysieren eines ablaufprozesses
WO2019137760A1 (de) Verfahren und vorrichtung zur steuerung und/oder überwachung eines sich wiederholenden prozessablaufs
DE10241746B4 (de) Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen
DE102021124253A1 (de) Maschinelles Lernverfahren zur Anomaliedetektion in einem elektrischen System
EP3796117B1 (de) Diagnoseverfahren und diagnosesystem für eine verfahrenstechnische anlage
EP3942376B1 (de) Verfahren zum bestimmen einer eigenschaft einer maschine, insbesondere einer werkzeugmaschine, ohne messtechnisches erfassen der eigenschaft
DE4124501C2 (de) Neuronales Netz mit automatischer Installation von Zwischenneuronen
DE102011075231A1 (de) Verfahren und Vorrichtung zum Betrieb einer Anlage
EP3151072B1 (de) Verfahren und system zur fehlererkennung und überwachung bei einem elektronisch geregelten oder gesteuerten maschinenteil
DE102018006035A1 (de) Verfahren zur automatisierten Erzeugung von Einstellmarametern und zur Prozessüberwachung bei zyklischen Produktionsprozessen
EP2928157A1 (de) Verfahren zur Analyse und/oder Evaluierung von mindestens einem Ereignis einer technischen Anlage
WO2008019634A1 (de) Modellbasiertes verfahren zur überwachung eines energieversorgungsnetzes und system zur durchführung des verfahrens
EP1431927A1 (de) Verfahren zur Schätzung der Restlebensdauer einer Vorrichtung
DE102016215871A1 (de) Verfahren und Vorrichtung zur Bewertung eines Diagnoseergebnisses
WO2022029137A1 (de) Überwachungsvorrichtung und verfahren zur anomaliedetektion
DE102019131456A1 (de) Verfahren zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft
DE102020128648A1 (de) Analysator
DE102014009305B4 (de) Verfahren zur Diagnose eines Katalysators
DE102019125873B4 (de) Verfahren sowie sensor- und auswerteinrichtung zur dezentralen ermittlung von diagnoseinformationen über elektrische verbraucher einer maschinenanlage
DE102013209800A1 (de) Verfahren zur Parametrierung eines Bildverarbeitungssystems für die Überwachung einer Werkzeugmaschine

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: 20764974

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020764974

Country of ref document: EP

Effective date: 20220329