WO2021219389A1 - Detektieren von störungen in roboteranordnungen - Google Patents

Detektieren von störungen in roboteranordnungen Download PDF

Info

Publication number
WO2021219389A1
WO2021219389A1 PCT/EP2021/059733 EP2021059733W WO2021219389A1 WO 2021219389 A1 WO2021219389 A1 WO 2021219389A1 EP 2021059733 W EP2021059733 W EP 2021059733W WO 2021219389 A1 WO2021219389 A1 WO 2021219389A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
robot
disturbances
artificial
neural network
Prior art date
Application number
PCT/EP2021/059733
Other languages
English (en)
French (fr)
Inventor
Jonas SCHWINN
Original Assignee
Kuka Deutschland Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kuka Deutschland Gmbh filed Critical Kuka Deutschland Gmbh
Publication of WO2021219389A1 publication Critical patent/WO2021219389A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Definitions

  • the present invention relates to a method for detecting faults in a robot arrangement that has at least one robot, using fault detection, in an embodiment of at least one artificial neural network and / or other machine learning algorithm, method for machine learning or training, in particular by means of distance and / or clustering-based machine learning and / or with or without the use of at least one artificial neural network, for example random forests, Arma / Arima models, gradient boosting or the like, fault detection, in particular an artificial neural network, and a system and Computer program product for carrying out at least one of the methods.
  • fault detection in an embodiment of at least one artificial neural network and / or other machine learning algorithm
  • method for machine learning or training in particular by means of distance and / or clustering-based machine learning and / or with or without the use of at least one artificial neural network, for example random forests, Arma / Arima models, gradient boosting or the like
  • fault detection in particular an artificial neural network
  • a system and Computer program product for carrying out at least one of the methods.
  • the fault detection used or learned by machine thus has one or more artificial neural networks in one embodiment.
  • other machine learning algorithms can also be used, preferably distance-based and / or clustering-based machine learning, in particular random forests, Arma / Arima models, gradient boosting or the like can be used.
  • Distance-based clustering methods that can advantageously be combined with at least one neural network are particularly suitable.
  • the used or machine-learned fault detection has one or more, in particular this, machine learning algorithms or uses these or is based on them.
  • the object of the present invention is to improve the operation of a robot arrangement.
  • a method for machine learning of fault detection in one embodiment for training an artificial neural network, for detecting faults in a robot arrangement which has one or more robots, comprises the step:
  • this provision includes capturing, in particular measuring, and / or filtering data from the first robot arrangement. Additionally or alternatively, the provision can also include, in particular, a retrieval of stored, in particular measured and / or filtered, data of the first robot arrangement.
  • the time series are, in particular, assessed as being undisturbed manually or by at least one person. Additionally or alternatively, they can also be (partially or fully) automatically evaluated as undisturbed.
  • the method comprises the multiple alternating steps:
  • the discriminator is monitored or supervised, in particular on the basis of the artificial disturbances, trained to detect times and / or dimensions, in particular amplitudes, of disturbances; and the generator is trained to generate time series with artificial disturbances, the extent of which the discriminator underestimates, in particular which the discriminator does not detect or assesses as less than the artificial disturbances of the time series generated.
  • the (trained) discriminator itself is used or (for this) provided subsequently, in or for, in one embodiment as, fault detection.
  • At least one other artificial neural network and / or another machine learning algorithm based on at least part of the provided time series evaluated as undisturbed can also use the generated time series artificial disturbances and / or the artificial disturbances are trained or machine-learned and, subsequently in an embodiment, in or for, in an embodiment as, disturbance detection are used or (for this purpose) provided.
  • the machine-learned fault detection has the discriminator of the GAN, the other artificial neural network and / or the other machine learning algorithm.
  • the machine learning or training, in particular the discriminator, on the basis of at least part of the provided time series evaluated as undisturbed and on the basis of the generated time series with artificial disturbances comprises in one embodiment the supply or input of this part of the provided time series evaluated as undisturbed and this generated time series with artificial disturbances, in particular to or in the discriminator.
  • the training, in particular the discriminator, on the basis of the artificial disturbances includes, in one embodiment, a corresponding labeling with the artificial disturbances.
  • provided time series evaluated as undisturbed on the basis of which the disturbance detection or the discriminator is trained; at least partially match.
  • provided time series evaluated as undisturbed can be used both for generating time series of data with artificial disturbances by means of the generator and for training, in particular the discriminator.
  • the amount of data available for training can advantageously be increased.
  • a part of the provided time series evaluated as undisturbed is only used to generate time series of data with artificial disturbances by means of the generator, i.e. not (also) used for training the disturbance detection and / or the discriminator; and or
  • a part of the provided time series evaluated as undisturbed is only used for training, in particular the discriminator, i.e. not (also) used to generate time series of data with artificial disturbances by means of the generator.
  • the training can be improved in one embodiment.
  • the GAN (“Generative Adversarial Network” or “generating generic network”) has a generator, which has at least one artificial neural network, and a discriminator, which has at least one artificial neural network, in one embodiment Carry out a zero-sum game.
  • Robot arrangements often have few malfunctions - assessed as such. This makes detection by means of machine-learned fault detections, in particular artificial neural networks, or training or machine learning of fault detection, in particular artificial neural networks, problematic. Since the fault detection, in particular the discriminator, is trained on the basis of artificially generated time series with (artificial) faults, fault detections, in particular artificial neural networks, can advantageously be trained or used to detect faults in robot arrangements in one embodiment. Since the disturbance detection or the discriminator is trained on the basis of the artificial disturbances in an execution of its (known or predetermined by the generator) times and / or dimensions, disturbance detections, in particular artificial neural networks,
  • Detect disturbances in robot arrangements advantageously, in particular detect their times and / or dimensions.
  • a particularly advantageous fault detection or a corresponding artificial neural network can be provided, with this in one embodiment faults in robot arrangements can be particularly advantageously detected and the operation of the robot arrangements improved. in particular, safety can be increased and / or an error rate and / or downtime can be reduced.
  • the artificial disturbances are generated on the basis of noise and / or a predetermined scaling, in one embodiment of a one-dimensional or multi-dimensional scaling parameter. Additionally or alternatively, in one embodiment the artificial disturbances (from the generator) are added to the time series provided and assessed as undisturbed.
  • the generator in one embodiment, in particular in combination can particularly advantageously generate time series with artificial disturbances, and vary these particularly advantageously in one embodiment, in particular in order to deceive the discriminator.
  • the discriminator, the other artificial neural network and / or the other machine learning algorithm for fault detection is trained, in particular additionally or also on the basis of stochastically generated time series that are independent of time series evaluated as undisturbed, in particular apart from those provided , time series evaluated as undisturbed and the generated time series with artificial disturbances also generated stochastically, in an execution of independent time series evaluated as undisturbed, time series used to train the disturbance detection or the discriminator.
  • time series with artificial disturbances generated are stored and the discriminator, the other artificial neural network and / or the other machine learning algorithm for disturbance detection are repeatedly trained with these stored time series.
  • the generation process of the faults in particular the generation of time series of data with artificial faults on the basis of at least part of the provided time series evaluated as undisturbed by means of the generator, and the machine learning of the fault detection or anomaly detection, in particular the Training of the discriminator, other artificial neural network or other machine learning algorithm, in particular on the basis of the generated time series with artificial disturbances, the artificial disturbances and at least part of the provided, in particular also stored, time series assessed as undisturbed, decoupled.
  • the training, the fault detection, the trained artificial neural network and / or the detection of faults can be improved.
  • a method for machine learning of fault detection in one embodiment for training one or more artificial neural networks, for detecting faults in a robot arrangement which has at least one robot, comprises the step:
  • machine learning comprises one or more distance- and / or clustering-based machine learning methods and / or the use or non-use of at least one artificial neural network, for example random forests method, Arma / Arima models-based Procedure, gradient Boosting method or the like, in particular therefore in addition to or as an alternative to the at least one artificial neural network.
  • at least one artificial neural network for example random forests method, Arma / Arima models-based Procedure, gradient Boosting method or the like, in particular therefore in addition to or as an alternative to the at least one artificial neural network.
  • this provision can include, in particular, the acquisition, in particular measurement, and / or filtering of data from the first robot arrangement. Additionally or alternatively, this provision can also include, in particular, a retrieval of stored, in particular measured and / or filtered, data of the first robot arrangement.
  • the provided data have data records from one another, in one embodiment temporally assigned data, each of these data records from several of the different data channels each having a date.
  • each of these data channels has at least, in particular only, one time series of data or values, in particular of a data channel-specific parameter of the first robot arrangement.
  • a first data channel (a time series) has first data, in particular kinematic data, in particular position,
  • one or more of the further data channels each have this (r) first data, in particular time-related, further data, in one embodiment kinematic data, in particular position, speed - Or acceleration data, force or torque data, electrical data, in particular current or voltage data, error messages from a robot controller or following error data from another axis or another drive of the robot.
  • one or more further data channels each have these first data, in particular further data associated with time, in one embodiment kinematic data, in particular position data , Speed or acceleration data, force or torque data, electrical data, in particular current or voltage data, error messages from a robot controller or following error data from another axis or another drive of the robot.
  • each of the data records in one embodiment has at least
  • a first datum for example a position of an axis or a drive of the robot, at or for a specific point in time;
  • a date of another data channel for example a torque of this axis or this drive of the robot, at or for this specific point in time;
  • a date of another data channel for example a position of another axis or another drive of the robot, at or for this specific point in time; on.
  • the data provided by the first robot arrangement in one embodiment has several time series of data associated with each other in time for different parameters of the robot arrangement, with each of the data channels in one embodiment having one of these time series and each of the data records each having the data from the same point in time having different parameters of the robot assembly.
  • the method has the following step: machine learning, in one embodiment using distance- and / or clustering-based machine learning and / or with or without the use of at least one artificial neural network, for example random forests, arma / Arima Models, Gradient Boosting or the like, a disturbance detection, in one embodiment training one or more artificial neural networks on the basis of this data, whereby a date of a data set is finally or according to the machine learning not classified as a date of a disturbance, if it is assigned data not at least in a predetermined number and / or not at least in one predetermined group of data channels are classified as data of a disturbance or are.
  • machine learning in one embodiment using distance- and / or clustering-based machine learning and / or with or without the use of at least one artificial neural network, for example random forests, arma / Arima Models, Gradient Boosting or the like
  • a disturbance detection in one embodiment training one or more artificial neural networks on the basis of this data, whereby a date of a data set is finally
  • the fault detection in addition to or instead of (training the) at least one artificial neural network, the fault detection can be distance-based or learned by machine.
  • This second aspect is based on the knowledge that different data channels are redundant in robots insofar as disturbances occur simultaneously in (data from) several of the data channels.
  • this knowledge is used in that a certain minimum redundancy is required for a classification as a disturbance insofar as this is or will be classified as data of a disturbance in at least a predetermined number of the data channels, in one embodiment independent of this which data channel (s) it is. It can therefore be provided, for example, that a date is only classified as a disturbance date if the data assigned to this date is or will also be classified as a disturbance in at least (any) one or at least (any) two other of the data channels.
  • this knowledge is used in that a certain minimum redundancy is required for a classification as a disturbance insofar as this is or will be classified as data of a disturbance in at least one predetermined group of (certain) of the data channels. It can therefore be provided, for example, that a date is classified as a date of a disturbance only if the data assigned to this date is or will also be classified as a disturbance in at least one or two specific or predetermined data channels.
  • the second aspect allows a particularly advantageous reaction to the detection, in particular possible errors (causes) can be better diagnosed and / or predicted, in particular in a monitoring and / or predictive maintenance.
  • machine learning on the basis of a required minimum redundancy for classification as the date of a fault
  • a particularly advantageous malfunction detection is provided, with this in one embodiment malfunctions in robot arrangements are particularly advantageously detected and the operation of the robot arrangements is improved, in particular safety is increased and / or an error rate and / or downtime can be reduced.
  • a fault detection can also be learned automatically without external evaluation of the data or without (external) labeling of the data or autonomously.
  • a channel fault detection based on the data of the respective data channel in one embodiment by means of distance- and / or clustering-based machine learning and / or with or without using at least one artificial neural network, for example Random Forests, Arma / Arima Models, Gradient Boosting or the like, learned by machine, trained in each case at least one artificial neural network.
  • the machine-learned fault detection according to the second aspect comprises, in one embodiment, one or more of these (individual or channel-specific) channel fault detections.
  • this is done at least partially in parallel.
  • the learning or training time can advantageously be reduced in one embodiment.
  • an extremal anomaly score for the date that is not yet classified as the date of a fault is automatically determined for several of the data channels on the basis of the data of the respective data channel, and then a limit value for the classification as the date of a fault in such a way compared to this extremal anomaly score, in particular increased or reduced, that (also) at least one date that is or has not (yet) been classified as a date of a fault on the basis of the extremal anomaly score, now as a date of a Disorder is classified. In this way, more false negatives are initially generated as a precaution.
  • a data record initially classified as a disruption date is / are no longer classified as a disruption date or classified again as an undisturbed datum if the other data of its data record assigned to it is not assigned to it in the first phase have been classified as data of a disturbance in at least one or the specified number or group of data channels, in particular the artificial neural networks have been (further) trained accordingly.
  • a low minimum value or a high maximum value is preferably used for the classification of a date (still) as the date of a fault, in particular a minimum value that is lower than a minimum value used in the second phase, which must be exceeded by To be classified as a date of a fault, or a maximum value which is higher than a maximum value used in the second phase, which must be exceeded in order to be classified as a date of a fault.
  • the security when detecting malfunctions in robot arrangements can advantageously be increased.
  • the number or group of data channels is specified on the basis of a user input.
  • both kinematic and force or torque data generally have or display a fault, or that a certain type of faults are always present in the data of several, in particular certain axes, corresponding groups or a corresponding number of data channels.
  • the number or group of data channels in one embodiment of the second aspect is predetermined partially or completely automatically, and varied in one embodiment. In one embodiment, a particularly favorable number or group of the data channels can thus be determined, in one embodiment learned by machine.
  • a method for detecting faults in a robot arrangement which has at least one robot comprises the steps:
  • Detecting faults in the first and / or another robot arrangement which has at least one robot, with the help of this fault detection, in particular this or these provided artificial neural network (s), in particular detecting faults in one or more robots of this (first or other) ) Robot arrangement, especially in time series of their data.
  • this fault detection in particular this or these provided artificial neural network (s), in particular detecting faults in one or more robots of this (first or other) ) Robot arrangement, especially in time series of their data.
  • this provision includes providing, in particular using, the machine-learned fault detection or the (trained) artificial neural network (s), in one embodiment the (trained) discriminator of the GAN, other artificial neural network or others machine learning algorithm.
  • the provision can also parameterize a fault detection or one or more artificial neural networks on the basis of the machine-learned fault detection or (trained) artificial neural network (s), in one embodiment of the (trained) discriminator of the GAN, other artificial neural network or other machine learning algorithm, and / or copying of the machine-learned fault detection or (trained) artificial neural network (s), in an embodiment of the (trained) discriminator of the GAN, other artificial neural network or other machine learning algorithms, in particular be.
  • the discriminator can be trained on the basis of time series of data from the first robot arrangement evaluated as undisturbed, and then the discriminator, a copy of the (trained) discriminator or an artificial neural parameterized on the basis of the (trained) discriminator Network, in particular while he, she or it is being trained to detect faults in this first robot arrangement.
  • a fault detection based on data from the first robot arrangement can be or be learned automatically and then this fault detection, a copy of the (machine learned) fault detection or a fault detection parameterized on the basis of the (machine learned) fault detection, in particular during it is trained further to detect faults in this first robot arrangement.
  • this specific training enables faults in the first robot arrangement to be diagnosed and / or forecast particularly advantageously, in particular quickly, reliably and / or precisely.
  • the discriminator can be trained on the basis of time series of data from the first robot arrangement evaluated as undisturbed, and then the discriminator, a copy of the (trained) discriminator or an artificial one parameterized on the basis of the (trained) discriminator neural network, especially while he, she or it is being trained to detect disturbances in another robot arrangement.
  • a fault detection based on data from the first robot arrangement can be or be learned automatically and then this fault detection, a copy of the (machine learned) fault detection or a fault detection parameterized on the basis of the (machine learned) fault detection, in particular during it is trained further to detect malfunctions in another robot arrangement.
  • this transmission enables disturbances of robot arrangements to be particularly advantageous, in particular on the basis of small (er) amounts of data from these robot arrangements and / or with less Commissioning effort, in particular time, diagnosed and / or forecast.
  • the data have kinematic data, in one embodiment position data, speed data and / or acceleration data, of the first robot arrangement, in one embodiment one or more robot (s) of the robot arrangement, in particular axis position and speed and / or acceleration data and / or Cartesian pose data of at least one robot-fixed reference, in particular an end effector or TCP of the robot (s).
  • the data have force data and / or torque data of the first robot arrangement, in one embodiment of one or more robots of the robot arrangement, in particular axis and / or drive forces and / or torques and / or forces and / or torques exerted externally or on the first robot arrangement, in one embodiment one or more robots.
  • the data have electrical data, in particular current and / or voltage data of the first robot arrangement, in one embodiment of one or more robots of the robot arrangement, in particular of drives of the first robot arrangement, in one version of one or more robots.
  • the data have error messages from a robot controller and / or tracking error data or deviations between target and actual values of the first robot arrangement, in one embodiment one or more robots of the robot arrangement , in particular of controllers of the first robot arrangement, in one embodiment of one or more robot (s).
  • the data comprise temperature data of the first robot arrangement, in one embodiment one or more robot (s), in a further development robot arm / s, the robot assembly.
  • the or one or more robots of the first and / or other robot arrangement have, in one embodiment, a robot arm that is multi-axis in one embodiment, and can in particular be one.
  • faults in a robot arrangement can be diagnosed and / or forecast particularly advantageously, in particular quickly, reliably and / or precisely.
  • the data comprises data from two or more data channels.
  • a larger amount of data can be used in one embodiment and the training, the trained artificial neural network and / or the detection of faults can be improved as a result.
  • a system in particular in terms of hardware and / or software, in particular in terms of programming, is set up to carry out a method described here according to an embodiment of the first and / or second aspect.
  • the system comprises:
  • the generator is trained to generate time series with artificial disturbances, the extent of which the discriminator underestimates, in particular which the discriminator does not detect or assesses as less than the artificial disturbances of the time series generated.
  • system or its means has:
  • the system comprises:
  • Means for machine learning in an embodiment using distance- and / or clustering-based machine learning and / or with or without the use of at least one artificial neural network, for example random forests, Arma / Arima models, gradient boosting or the like, a fault detection , in particular training at least one artificial neural network on the basis of the data, a datum of a data set not being classified as a disruption date if the data assigned to it is not classified as disruption data at least in a predetermined number and / or group of data channels are or will be.
  • the system or its means has:
  • system or its means has:
  • the system comprises:
  • Means for detecting faults in the first and / or another robot arrangement which has at least one robot, with the aid of this fault detection, in particular this at least one artificial neural network.
  • a means within the meaning of the present invention can be designed in terms of hardware and / or software, in particular a processing unit, in particular a microprocessor unit (CPU), graphics card (GPU), preferably a data or signal connected to a memory and / or bus system, in particular a digital processing unit ) or similar, and / or have one or more programs or program modules.
  • the processing unit can be designed to process commands that are implemented as a program stored in a memory system, to acquire input signals from a data bus and / or to output output signals to a data bus.
  • a storage system can have one or more, in particular different, storage media, in particular optical, magnetic, solid-state and / or other non-volatile media.
  • the program can be designed in such a way that it embodies or is capable of executing the methods described here, so that the processing unit can execute the steps of such methods and thus in particular disturbances in robot arrangements that have at least one robot, with the aid of disturbance detection, in particular at least one artificial one neural network, detect or learn this fault detection machine or train this artificial neural network.
  • a computer program product can have, in particular a non-volatile, storage medium for storing a program or with a program stored thereon, execution of this program causing a system or a controller, in particular a computer, to do so to carry out the method described here or one or more of its steps.
  • one or more, in particular all, steps of the method are carried out completely or partially in an automated manner, in particular by the system or its means.
  • the system has the first and / or other robot arrangement.
  • FIG. 1 shows a system according to an embodiment of the present invention
  • FIG. 2 a generator of the system or GAN of FIG. 1;
  • FIG. 4 shows a method according to an embodiment of the present invention
  • Fig. 5 shows a system according to a further embodiment of the present invention
  • Fig. 6 shows a method according to a further embodiment of the present invention.
  • FIG. 7 shows a classification of data in two data channels in a first and second phase of a machine learning of this method.
  • FIG. 1 shows a system according to an embodiment of the present invention.
  • the system has a robot (arm) 100 and a robot controller 110 which provides time series 1 of data from the robot 100 evaluated as undisturbed (FIG. 4: step S10).
  • a generator 10 of a GAN generates on the basis of these provided time series 1, a noise 2 and a scaling parameter a> 0 time series 3 of data with artificial disturbances (FIG. 4: step S20).
  • values of the scaling parameter a are generated stochastically and, together with the noise 2 and the time series 1, are input to an artificial neural network with a plurality of layers 11.
  • a final layer 14 the (outputs of) Softmax layer 12 and Sign layer 13 are multiplied component by component or per point in time and the result is then in turn multiplied (component by component) by the scaling parameter a.
  • the artificial disturbance generated in this way is added to the respective time series provided and assessed as undisturbed.
  • the Softmax layer 12 ensures that the disturbance is never selected to be completely equal to 0, while the Sign layer 13 ensures that disturbances can occur in both the positive and negative directions in every component or at every point in time.
  • the time series 3 with artificial disturbances generated in this way by the generator 10 are made available to a discriminator 20 of the GAN together with the artificial disturbances themselves generated by the generator 10, in particular the times and associated dimensions of the disturbances of data from the robot 100 and tries to (correctly) detect times and dimensions of the disturbances.
  • the time series generated by the generator 10 are labeled with the underlying times and associated dimensions of the artificial disturbances (FIG. 4: step S30).
  • generator 10 and discriminator 20 of the GAN are now trained in that generator 10 tries to generate time series with artificial disturbances in such a way that discriminator 20 underestimates their extent, in particular that discriminator 20 does not detect or assesses it as less than the artificial disturbances generated by the generator 10 and, conversely, the discriminator 20 tries to (correctly) detect the points in time and extent of the disturbances.
  • the discriminator 20 can determine the dimensions and times of the disturbances with the same artificial neural network or can have two separate artificial neural networks for this purpose.
  • Fig. 3 shows an example of a time series of data d of the robot 100, for example a torque following error or the like, over the time t, which is assessed as undisturbed (thin in Fig. 3) and a time series generated by the generator 10 with artificial disturbances, which are highlighted in bold in FIG. 3 and, for example, have the extent A (ti) at time ti.
  • Fig. 5 shows a system according to another embodiment of the present invention.
  • the system has a robot (arm) 100 and a robot controller 110 which provides data from the robot 100 in data channels, of which two data channels 1000, 2000 are indicated by way of example in FIG. 5 (FIG. 6: step S100).
  • a date of one data channel 1000 and a date of the other data channel 2000 are assigned to one another in time. This is indicated for a date 1.1 and a date 2.1 of a data record, a date 1.2 and a date 2.2 of another data record and a date 1.3 and a date 2.3 of a further data record by different forms (data record (1.1, 2.1): square; data record ( 1.2, 2.2): triangle; data set (1.3, 2.3): cross).
  • the data 1.1, 1.2 and 1.3 can be position, speed or acceleration data of an axis of the robot 100 at or for certain (measuring) points in time (s) and the data 2.1, 2.2 and 2.3 can be force or Torque data of the robot 100, in particular this axis, at or for this (measurement) time (s), or position, speed or acceleration data of another axis of the robot 100 at or for this (measurement) time (s) , further corresponding data on or for other (measurement) points in time (s) in FIG. 5 being indicated by circles.
  • step S200 In a first phase (FIG. 6: step S200), one channel fault detection is learned automatically for each of the data channels, in particular at least partially parallelized, based on the data of the respective data channel; in the exemplary embodiment, an artificial neural network is trained in each case.
  • two artificial neural networks 30, 40 are indicated by way of example in FIG. 5.
  • the classification is learned in such a way that it is more likely to classify data as data of a disturbance that are not data of a disturbance (false positive) than that data are not classified as data of a disturbance that are data of a disturbance ( False negatives).
  • FIG. 7 (b) shows how the classification area (hatched in FIG. 7) is initially reduced for data that are not classified as data of a fault.
  • step S300 it is checked for the data classified as the date of a disturbance in the first phase whether the date classified as the date of a disturbance is assigned in a predetermined number and / or group of the other data channels Data in the first phase have also been classified as data from a fault.
  • FIG. 7 (c) shows how the classification area is modified accordingly.
  • artificial neural networks have been used above.
  • other machine learning methods or algorithms can also be used which, in one embodiment, include random forests, Arma / Arima models and / or gradient boosting. Distance- and / or clustering-based machine learning is particularly suitable.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Manipulator (AREA)

Abstract

Ein Verfahren zum maschinellen Lernen einer Störungsdetektion, insbesondere zum Trainieren eines künstlichen neuronalen Netzes (20), zum Detektieren von Störungen in einer Roboteranordnung, die wenigstens einen Roboter (100) aufweist, umfasst nach einem Aspekt die Schritte: - Bereitstellen (S10) von als ungestört bewerteten Zeitreihen (1, T) von Daten einer ersten Roboteranordnung, die wenigstens einen Roboter (100) aufweist; - Erzeugen (S20) von Zeitreihen (3) von Daten mit künstlichen Störungen auf Basis wenigstens eines Teils (1) der bereitgestellten, als ungestört bewerteten Zeitreihen mittels eines Generators (10) eines GANs; und - Trainieren (S30) eines Diskriminators (20) des GANs auf Basis der erzeugten Zeitreihen (3) mit künstlichen Störungen, der künstlichen Störungen und wenigstens eines Teils (T) der bereitgestellten, als ungestört bewerteten Zeitreihen; wobei der Diskriminator (20) trainiert wird, Zeitpunkte (ti) und/oder Ausmaße (A(ti )) von Störungen zu detektieren; und der Generator (10) trainiert wird, Zeitreihen (3) mit künstlichen Störungen zu erzeugen, deren Ausmaß der Diskriminator (20) unterschätzt, insbesondere die der Diskriminator nicht detektiert oder als geringer einschätzt als die künstlichen Störungen der erzeugten Zeitreihen. Ein Verfahren zum maschinellen Lernen, insbesondere mittels distanz- und/oder clustering-basiertem Machine Learning und/oder mit oder ohne Verwendung wenigstens eines künstlichen neuronalen Netzes, zum Beispiel Random Forests, Arma/Arima Models, Gradient Boosting oder dergleichen, einer Störungsdetektion, insbesondere zum Trainieren wenigstens eines künstlichen neuronalen Netzes (30, 40), zum Detektieren von Störungen in einer Roboteranordnung, die wenigstens einen Roboter (100) aufweist, umfasst nach einem Aspekt die Schritte: Bereitstellen (S100) von Daten einer ersten Roboteranordnung, die wenigstens einen Roboter (100) aufweist, wobei diese Daten Datensätze ((1.1, 2.1), (1.2, 2.2), (1.3, 2.3)) einander, insbesondere zeitlich, zugeordneter Daten ((1.1, 2.1, 1.2, 2.2, 1.3, 2.3) aufweisen, wobei jeder dieser Datensätze jeweils aus mehreren 30 verschiedenen Datenkanälen (1000, 2000) jeweils ein Datum aufweist; und - maschinelles Lernen (S200), insbesondere mittels distanz- und/oder clustering- basiertem Machine Learning und/oder mit oder ohne Verwendung wenigstens 2019P00112 WO 30/30 Kuka Deutschland GmbH eines künstlichen neuronalen Netzes, zum Beispiel Random Forests, Arma/Arima Models, Gradient Boosting oder dergleichen, einer Störungsdetektion, insbesondere Trainieren wenigstens eines künstlichen neuronalen Netzes (30, 40), auf Basis der Daten, wobei ein Datum eines Datensatzes final nicht als Datum einer Störung klassifiziert wird, falls die ihm zugeordneten Daten nicht wenigstens 5 in einer vorgegebenen Anzahl und/oder Gruppe der Datenkanäle als Daten einer Störung klassifiziert sind bzw. werden.

Description

Beschreibung
Detektieren von Störungen in Roboteranordnungen
Die vorliegende Erfindung betrifft ein Verfahren zum Detektieren von Störungen in einer Roboteranordnung, die wenigstens einen Roboter aufweist, mithilfe einer Störungsdetektion, in einer Ausführung wenigstens eines künstlichen neuronalen Netzes und/oder anderen maschinellen Lernalgorithmus, Verfahren zum maschinellen Lernen bzw. Trainieren, insbesondere mittels distanz- und/oder clustering-basiertem Machine Learning und/oder mit oder ohne Verwendung wenigstens eines künstlichen neuronalen Netzes, zum Beispiel Random Forests, Arma/Arima Models, Gradient Boosting oder dergleichen, der Störungsdetektion, insbesondere eines künstlichen neuronalen Netzes, sowie ein System und Computerprogrammprodukt zur Durchführung wenigstens eines der Verfahren.
Die verwendete bzw. maschinell gelernte Störungsdetektion weist somit in einer Ausführung ein oder mehrere künstliche neuronale Netze auf. Zusätzlich oder alternativ können auch andere Algorithmen des maschinellen Lernens verwendet werden, vorzugsweise distanz- und/oder clustering-basiertes Machine Learning, insbesondere können Random Forests, Arma/Arima Models, Gradient Boosting oder dergleichen verwendet werden. Besonders eignen sich distanzbasierte Clustering Verfahren, die vorteilhaft mit wenigstens einem neuronalen Netz kombiniert werden können. Entsprechend weist in einer Ausführung die verwendete bzw. maschinell gelernte Störungsdetektion einen oder mehrere, insbesondere dieser, Algorithmen des maschinellen Lernens auf bzw. verwendet diese(n) bzw. basiert hierauf.
Aufgabe der vorliegenden Erfindung ist es, einen Betrieb einer Roboteranordnung zu verbessern.
Diese Aufgabe wird insbesondere durch ein Verfahren mit den Merkmalen des Anspruchs 1, 5 bzw. 9 gelöst. Ansprüche 10, 11 stellen ein System bzw. Computerprogrammprodukt zur Durchführung eines hier beschriebenen Verfahrens unter Schutz. Die Unteransprüche betreffen vorteilhafte Weiterbildungen. Nach einem ersten Aspekt der vorliegenden Erfindung umfasst ein Verfahren zum maschinellen Lernen einer Störungsdetektion, in einer Ausführung zum Trainieren eines künstlichen neuronalen Netzes, zum Detektieren von Störungen in einer Roboteranordnung, die einen oder mehrere Roboter aufweist, den Schritt:
Bereitstellen von als ungestört bewerteten Zeitreihen von Daten einer ersten Roboteranordnung, die wenigstens einen Roboter aufweist.
Dieses Bereitstellen umfasst in einer Ausführung ein Erfassen, insbesondere Messen, und/oder Filtern von Daten der ersten Roboteranordnung. Zusätzlich oder alternativ kann das Bereitstellen auch ein Abrufen gespeicherter, insbesondere gemessener und/oder gefilterter, Daten der ersten Roboteranordnung umfassen, insbesondere sein.
Die Zeitreihen sind, insbesondere werden, in einer Ausführung manuell bzw. durch wenigstens eine Person als ungestört bewertet. Zusätzlich oder alternativ können sie auch (teil- bzw. voll)automatisiert als ungestört bewertet sein bzw. werden.
Nach einer Ausführung der vorliegenden Erfindung umfasst das Verfahren die mehrfach abwechselnden Schritte:
Erzeugen von Zeitreihen von Daten mit künstlichen Störungen auf Basis wenigstens eines Teils der bereitgestellten, als ungestört bewerteten Zeitreihen mittels eines Generators eines GANs; und
T rainieren eines Diskriminators des GANs auf Basis
• wenigstens eines Teils der bereitgestellten, als ungestört bewerteten Zeitreihen,
• der erzeugten Zeitreihen mit künstlichen Störungen und
• der künstlichen Störungen; wobei der Diskriminator, insbesondere auf Basis der künstlichen Störungen überwacht bzw. supervised, trainiert wird, Zeitpunkte und/oder Ausmaße, insbesondere Amplituden, von Störungen zu detektieren; und der Generator trainiert wird, Zeitreihen mit künstlichen Störungen zu erzeugen, deren Ausmaß der Diskriminator unterschätzt, insbesondere die der Diskriminator nicht detektiert oder als geringer einschätzt als die künstlichen Störungen der erzeugten Zeitreihen. In einer Ausführung wird der (trainierte) Diskriminator selber, in einer Ausführung anschließend, in der bzw. zur, in einer Ausführung als, Störungsdetektion verwendet bzw. (hierzu) bereitgestellt.
Zusätzlich oder alternativ kann auch, in einer Ausführung anschließend und/oder in gleicher weise wie der Diskriminator, wenigstens ein anderes künstliches neuronales Netz und/oder ein anderer maschineller Lernalgorithmus auf Basis wenigstens eines Teils der bereitgestellten, als ungestört bewerteten Zeitreihen, der erzeugten Zeitreihen mit künstlichen Störungen und/oder der künstlichen Störungen trainiert bzw. maschinell gelernt und, in einer Ausführung anschließend, in der bzw. zur, in einer Ausführung als, Störungsdetektion verwendet bzw. (hierzu) bereitgestellt werden.
Entsprechend weist in einer Ausführung die maschinell gelernte Störungsdetektion den Diskriminator des GANs, das andere künstliche neuronale Netz und/oder den anderen maschinellen Lernalgorithmus auf.
Das maschinelle Lernen bzw. Trainieren, insbesondere des Diskriminators, auf Basis wenigstens eines Teils der bereitgestellten, als ungestört bewerteten Zeitreihen und auf Basis der erzeugten Zeitreihen mit künstlichen Störungen umfasst in einer Ausführung das Zuführen bzw. Eingeben dieses Teils der bereitgestellten, als ungestört bewerteten Zeitreihen und dieser erzeugten Zeitreihen mit künstlichen Störungen, insbesondere zu dem bzw. in den Diskriminator. Das Trainieren, insbesondere des Diskriminators, auf Basis der künstlichen Störungen umfasst in einer Ausführung ein entsprechendes Labeling mit den künstlichen Störungen.
In einer Ausführung stimmen
• bereitgestellte, als ungestört bewertete Zeitreihen, auf deren Basis mittels des Generators Zeitreihen von Daten mit künstlichen Störungen erzeugt werden; und
• bereitgestellte, als ungestört bewertete Zeitreihen, auf deren Basis die Störungsdetektion bzw. der Diskriminator trainiert wird; wenigstens teilweise überein. Mit anderen Worten können bereitgestellte, als ungestört bewertete Zeitreihen sowohl zum Erzeugen von Zeitreihen von Daten mit künstlichen Störungen mittels des Generators als auch zum Trainieren, insbesondere des Diskriminators, verwendet werden. Hierdurch kann in einer Ausführung die zum Trainieren zur Verfügung stehende Datenmenge vorteilhaft vergrößert werden.
Zusätzlich oder alternativ wird in einer Ausführung
• ein Teil der bereitgestellten, als ungestört bewerteten Zeitreihen nur zum Erzeugen von Zeitreihen von Daten mit künstlichen Störungen mittels des Generators, d.h. nicht (auch) zum Trainieren der Störungsdetektion und/oder des Diskriminators verwendet; und/oder
• ein Teil der bereitgestellten, als ungestört bewerteten Zeitreihen nur zum Trainieren, insbesondere des Diskriminators, d.h. nicht (auch) zum Erzeugen von Zeitreihen von Daten mit künstlichen Störungen mittels des Generators verwendet.
Hierdurch kann in einer Ausführung das Trainieren verbessert werden.
Das GAN („Generative Adversarial Network“ bzw. „erzeugendes generisches Netzwerk“) weist in einer Ausführung einen Generator, der wenigstens ein künstliches neuronales Netzwerk aufweist, und einen Diskriminator, der wenigstens ein künstliches neuronales Netzwerk aufweist, auf, die in einer Ausführung ein Nullsummenspiel durchführen.
Durch das Trainieren des Generators und Diskriminators werden beide sukzessive besser und der Diskriminator lernt maschinell anhand der künstlich erzeugten Zeitreihen bzw. künstlichen Störungen, Zeitpunkte und/oder Ausmaße von Störungen (immer besser) zu detektieren.
Roboteranordnungen weisen oftmals wenige - als solche bewertete - Störungen auf. Dies macht ein Detektieren mittels maschinell gelernter Störungsdetektionen, insbesondere künstlicher neuronaler Netze, bzw. ein Trainieren bzw. maschinelles Lernen einer Störungsdetektion, insbesondere künstlicher neuronaler Netze, problematisch. Indem die Störungsdetektion, insbesondere der Diskriminator, auf Basis künstlich erzeugter Zeitreihen mit (künstlichen) Störungen trainiert wird, können in einer Ausführung Störungsdetektionen, insbesondere künstliche neuronale Netze, zum Detektieren von Störungen in Roboteranordnungen vorteilhaft trainiert bzw. verwendet werden. Indem die Störungsdetektion bzw. der Diskriminator, auf Basis der künstlichen Störungen, in einer Ausführung ihrer (bekannten bzw. durch den Generator vorgegebenen) Zeitpunkte und/oder Ausmaße, trainiert wird, können in einer Ausführung Störungsdetektionen, insbesondere künstliche neuronale Netze,
Störungen in Roboteranordnungen vorteilhaft detektieren, insbesondere deren Zeitpunkte und/oder Ausmaße detektieren.
Dadurch kann in einer Ausführung besonders vorteilhaft auf die Detektion reagiert, insbesondere mögliche Fehler bzw. Fehlerursachen besser diagnostiziert und/oder prognostiziert werden, insbesondere in einer Überwachung und/oder Predictive Maintanance. Entsprechend können durch das Trainieren, insbesondere des (Generators und Diskriminators des) GANs, in einer Ausführung eine besonders vorteilhafte Störungsdetektion bzw. ein entsprechendes künstliches neuronales Netz bereitgestellt, hiermit in einer Ausführung Störungen in Roboteranordnungen besonders vorteilhaft detektiert und so der Betrieb der Roboteranordnungen verbessert, insbesondere eine Sicherheit erhöht und/oder eine Fehlerrate und/oder Stillstandszeit reduziert werden.
In einer Ausführung werden die künstlichen Störungen (vom Generator) auf Basis eines Rauschens und/oder einer vorgegebenen Skalierung, in einer Ausführung eines ein- oder mehrdimensionalen Skalierungsparameters, erzeugt. Zusätzlich oder alternativ werden in einer Ausführung die künstlichen Störungen (vom Generator) auf bereitgestellte, als ungestört bewertete Zeitreihen aufaddiert.
Dadurch kann der Generator in einer Ausführung jeweils, insbesondere in Kombination, besonders vorteilhaft Zeitreihen mit künstlichen Störungen erzeugen, diese in einer Ausführung besonders vorteilhaft variieren, insbesondere, um den Diskriminator zu täuschen.
In einer Ausführung wird der Diskriminator, das andere künstliche neuronale Netz und/oder der andere maschinelle Lernalgorithmus der Störungsdetektion, insbesondere zusätzlich bzw. auch, auf Basis stochastisch erzeugter, in einer Ausführung von als ungestört bewerteten Zeitreihen unabhängigen, Zeitreihen trainiert, insbesondere außer den bereitgestellten, als ungestört bewerteten Zeitreihen und den erzeugten Zeitreihen mit künstlichen Störungen auch noch stochastisch erzeugte, in einer Ausführung von als ungestört bewerteten Zeitreihen unabhängigen, Zeitreihen zum Trainieren der Störungsdetektion bzw. des Diskriminators verwendet.
Hierdurch kann in einer Ausführung die Robustheit verbessert werden.
In einer Ausführung werden (vom Generator) erzeugte Zeitreihen mit künstlichen Störungen abgespeichert und der Diskriminator, das andere künstliche neuronale Netz und/oder der anderer maschinelle Lernalgorithmus der Störungsdetektion mit diesen abgespeicherten Zeitreihen wiederholt trainiert.
In einer Ausführung wird bzw. ist der Erzeugungsprozess der Störungen, insbesondere das Erzeugen von Zeitreihen von Daten mit künstlichen Störungen auf Basis wenigstens eines Teils der bereitgestellten, als ungestört bewerteten Zeitreihen mittels des Generators, und das maschinelle Lernen der Störungsdetektion bzw. Anomaliedetektion, insbesondere das Trainieren des Diskriminators, anderen künstlichen neuronales Netzes bzw. anderen maschineller Lernalgorithmus, insbesondere auf Basis der erzeugten Zeitreihen mit künstlichen Störungen, der künstlichen Störungen und wenigstens eines Teils der bereitgestellten, insbesondere ebenfalls abgespeicherten, als ungestört bewerteten Zeitreihen entkoppelt. Dadurch kann in einer Ausführung das Trainieren, die Störungsdetektion, das trainierte künstliche neuronale Netz und/oder das Detektieren von Störungen verbessert werden.
Nach einem zweiten Aspekt der vorliegenden Erfindung umfasst ein Verfahren zum maschinellen Lernen einer Störungsdetektion, in einer Ausführung zum Trainieren eines oder mehrerer künstlicher neuronaler Netze, zum Detektieren von Störungen in einer Roboteranordnung, die wenigstens einen Roboter aufweist, den Schritt:
Bereitstellen von Daten einer ersten Roboteranordnung, die wenigstens einen Roboter aufweist.
Das maschinelle Lernen umfasst in einer Ausführung ein oder mehrere distanz- und/oder clustering-basierte Machine Learning-Verfahren und/oder die Verwendung oder Nicht-Verwendung wenigstens eines künstlichen neuronalen Netzes, zum Beispiel Random Forests-Verfahren, Arma/Arima Models-basierte Verfahren, Gradient Boosting-Verfahren oder dergleichen, insbesondere also zusätzlich oder alternativ zu dem wenigstens einen künstlichen neuronalen Netz.
Wie bereits zum ersten Aspekt erläutert, kann dieses Bereitstellen in einer Ausführung ein Erfassen, insbesondere Messen, und/oder Filtern von Daten der ersten Roboteranordnung umfassen, insbesondere sein. Zusätzlich oder alternativ kann dieses Bereitstellen auch ein Abrufen gespeicherter, insbesondere gemessener und/oder gefilterter, Daten der ersten Roboteranordnung umfassen, insbesondere sein.
Nach einer Ausführung des zweiten Aspekts weisen die bereitgestellten Daten Datensätze aus einander, in einer Ausführung zeitlich, zugeordneten Daten auf, wobei jeder dieser Datensätze jeweils aus mehreren der verschiedenen Datenkanäle jeweils ein Datum aufweist.
In einer Ausführung weist jeder dieser Datenkanäle jeweils wenigstens, insbesondere nur, eine Zeitreihe von Daten bzw. Werten, insbesondere eines datenkanalspezifischen Parameters der ersten Roboteranordnung, auf.
In einer Ausführung weist ein erster Datenkanal (eine Zeitreihe) erste(r) Daten, insbesondere kinematische(r) Daten, insbesondere Positions-,
Geschwindigkeits- oder Beschleunigungsdaten, Kraft- oder Drehmomentdaten, elektrische(r) Daten, insbesondere Strom- oder Spannungsdaten, Fehlermeldungen aus einer Robotersteuerung oder Schleppfehlerdaten einer Achse bzw. eines Antriebs des Roboters, auf.
In einer Weiterbildung weisen ein oder mehrere weitere der Datenkanäle jeweils (eine Zeitreihe) diese(r) ersten Daten, insbesondere zeitlich, zugeordnete(r), weitere(r) Daten, in einer Ausführung kinematische(r) Daten, insbesondere Positions-, Geschwindigkeits- oder Beschleunigungsdaten, Kraft- oder Drehmomentdaten, elektrische(r) Daten, insbesondere Strom- oder Spannungsdaten, Fehlermeldungen aus einer Robotersteuerung oder Schleppfehlerdaten einer anderen Achse bzw. eines anderen Antriebs des Roboters auf. Zusätzlich oder alternativ weisen in einer Weiterbildung ein oder mehrere weitere Datenkanäle jeweils (eine Zeitreihe) diese(r) ersten Daten, insbesondere zeitlich, zugeordnete(r), weitere(r) Daten, in einer Ausführung kinematische(r) Daten, insbesondere Positions-, Geschwindigkeits- oder Beschleunigungsdaten, Kraft- oder Drehmomentdaten, elektrische(r) Daten, insbesondere Strom- oder Spannungsdaten, Fehlermeldungen aus einer Robotersteuerung oder Schleppfehlerdaten einer anderen Achse bzw. eines anderen Antriebs des Roboters auf.
Somit weist jeder der Datensätze in einer Ausführung jeweils wenigstens
• ein erstes Datum, beispielsweise eine Position einer Achse bzw. eines Antriebs des Roboters, zu bzw. für einen bestimmten Zeitpunkt; sowie
• ein Datum eines anderen Datenkanals, beispielsweise ein Drehmoment dieser Achse bzw. dieses Antriebs des Roboters, zu bzw. für diesen bestimmten Zeitpunkt; und/oder
• ein Datum eines anderen Datenkanals, beispielsweise eine Position einer anderen Achse bzw. eines anderen Antriebs des Roboters, zu bzw. für diesen bestimmten Zeitpunkt; auf.
Mit anderen Worten weisen die bereitgestellten Daten der ersten Roboteranordnung in einer Ausführung mehrere Zeitreihen von einander jeweils zeitlich zugeordneten Daten für unterschiedliche Parameter der Roboteranordnung auf, wobei jeder der Datenkanäle in einer Ausführung eine dieser Zeitreihen aufweist und jeder der Datensätze jeweils die demselben Zeitpunkt zugeordneten Daten der unterschiedlichen Parameter der Roboteranordnung aufweist.
Nach einer Ausführung des zweiten Aspekts weist das Verfahren den Schritt auf: maschinelles Lernen, in einer Ausführung mittels distanz- und/oder clustering- basiertem Machine Learning und/oder mit oder ohne Verwendung wenigstens eines künstlichen neuronalen Netzes, zum Beispiel Random Forests, Arma/Arima Models, Gradient Boosting oder dergleichen, einer Störungsdetektion, in einer Ausführung Trainieren eines oder mehrerer künstlicher neuronaler Netze, auf Basis dieser Daten, wobei ein Datum eines Datensatzes final bzw. nach dem maschinellen Lernen nicht als Datum einer Störung klassifiziert wird, falls die ihm zugeordneten Daten nicht wenigstens in einer vorgegebenen Anzahl und/oder nicht wenigstens in einer vorgegebenen Gruppe der Datenkanäle als Daten einer Störung klassifiziert sind bzw. werden.
Wie bereits erwähnt, kann in einer Ausführung zusätzlich zu oder anstelle von dem (Trainieren des) wenigstens einen künstlichen neuronalen Netzes die Störungsdetektion distanz-basiert sein bzw. maschinell gelernt werden.
Dieser zweite Aspekt basiert auf der Erkenntnis, dass bei Robotern verschiedene Datenkanäle insofern redundant sind, als Störungen zugleich in (Daten von) mehreren der Datenkanäle auftreten.
Nach einer Ausführung des zweiten Aspekts wird diese Erkenntnis genutzt, indem für eine Klassifikation als Störung eine bestimmte Mindestredundanz insofern gefordert wird, dass diese in wenigstens einer vorgegebenen Anzahl der Datenkanäle als Daten einer Störung klassifiziert sind bzw. werden, in einer Ausführung unabhängig davon, um welche (der) Datenkanäle es sich handelt. Es kann also beispielsweise vorgesehen sein, dass ein Datum nur dann als Datum einer Störung klassifiziert wird, wenn in wenigstens (irgend)einem oder wenigstens (irgend)zwei anderen der Datenkanäle die diesem Datum zugeordneten Daten ebenfalls als Störung klassifiziert sind bzw. werden.
Nach einer anderen Ausführung des zweiten Aspekts wird diese Erkenntnis genutzt, indem für eine Klassifikation als Störung eine bestimmte Mindestredundanz insofern gefordert wird, dass diese in wenigstens einer vorgegebenen Gruppe (bestimmter) der Datenkanäle als Daten einer Störung klassifiziert sind bzw. werden. Es kann also beispielsweise vorgesehen sein, dass ein Datum nur dann als Datum einer Störung klassifiziert wird, wenn in wenigstens einer oder zwei bestimmten bzw. vorgegebenen der Datenkanäle die diesem Datum zugeordneten Daten ebenfalls als Störung klassifiziert sind bzw. werden.
Durch den zweiten Aspekt kann in einer Ausführung besonders vorteilhaft auf die Detektion reagiert, insbesondere mögliche Fehler(ursachen) besser diagnostiziert und/oder prognostiziert werden, insbesondere in einer Überwachung und/oder Predictive Maintanance. Entsprechend können durch das maschinelle Lernen auf Basis einer geforderten Mindestredundanz zur Klassifikation als Datum einer Störung in einer Ausführung eine besonders vorteilhafte Störungsdetektion bereitgestellt, hiermit in einer Ausführung Störungen in Roboteranordnungen besonders vorteilhaft detektiert und so der Betrieb der Roboteranordnungen verbessert, insbesondere eine Sicherheit erhöht und/oder eine Fehlerrate und/oder Stillstandszeit reduziert werden. In einer Ausführung kann besonders vorteilhaft auch ohne externe Bewertung der Daten bzw. ohne (externe) Labelung der Daten bzw. autonom eine Störungsdetektion maschinell gelernt werden.
In einer Ausführung des zweiten Aspekts wird in einer ersten Phase des maschinellen Lernens für mehrere der Datenkanäle jeweils eine Kanal-Störungsdetektion auf Basis der Daten des jeweiligen Datenkanals, in einer Ausführung mittels distanz- und/oder clustering-basiertem Machine Learning und/oder mit oder ohne Verwendung wenigstens eines künstlichen neuronalen Netzes, zum Beispiel Random Forests, Arma/Arima Models, Gradient Boosting oder dergleichen, maschinell gelernt, in einer Ausführung jeweils wenigstens ein künstliches neuronales Netz trainiert. Die nach dem zweiten Aspekt maschinell gelernte Störungsdetektion umfasst in einer Ausführung eine oder mehrere dieser (einzelnen bzw. kanalspezifischen) Kanal-Störungsdetektionen.
In einer Ausführung erfolgt dies wenigstens teilweise parallelisiert.
Dadurch kann in einer Ausführung die Lern- bzw. Trainingszeit vorteilhaft reduziert werden.
Zusätzlich oder alternativ wird in einer Ausführung in der ersten Phase für mehrere der Datenkanäle jeweils auf Basis der Daten des jeweiligen Datenkanals maschinell ein extremaler Anomaliescore für das Datum ermittelt, das gerade noch nicht als Datum einer Störung klassifiziert wird, und anschließend ein Grenzwert für die Klassifikation als Datum einer Störung derart gegenüber diesem extremalen Anomaliescore abgeändert, insbesondere erhöht bzw. reduziert, dass (auch) wenigstens ein Datum, das auf Basis des extremalen Anomaliescores (noch) nicht als Datum einer Störung klassifiziert wird bzw. worden ist, nun als Datum einer Störung klassifiziert wird. Auf diese Weise werden zunächst vorsorglich mehr False-Negatives erzeugt. In einer anschließenden zweiten Phase des maschinellen Lernens wird/werden dann ein zunächst als Datum einer Störung klassifiziertes Datum eines Datensatzes nicht mehr als Datum einer Störung klassifiziert bzw. wieder als ungestörtes Datum klassifiziert, falls die ihm zugeordneten anderen Daten seines Datensatzes in der ersten Phase nicht wenigstens in einer bzw. der vorgegebenen Anzahl bzw. Gruppe der Datenkanäle als Daten einer Störung klassifiziert worden sind, insbesondere die künstlichen neuronalen Netze entsprechend (weiter)trainiert.
Vorzugsweise wird in der ersten Phase ein niedriger Mindestwert bzw. hoher Maximalwert für die Klassifikation eines Datums (noch) als Datum einer Störung verwendet, insbesondere ein Mindestwert, der niedriger liegt als ein in der zweiten Phase verwendeter Mindestwert, der unterschritten sein muss, um als Datum einer Störung klassifiziert zu werden, bzw. ein Maximalwert, der höher liegt als ein in der zweiten Phase verwendeter Maximalwert, der überschritten sein muss, um als Datum einer Störung klassifiziert zu werden.
Dadurch werden in der ersten Phase mehr False-Negatives und weniger False-Positives generiert bzw. (zunächst) eher Daten als Daten einer Störung klassifiziert, die eigentlich keine Daten einer Störung sind (False-Negative) als umgekehrt Daten nicht als Daten einer Störung klassifiziert, die eigentlich Daten einer Störung sind (False-Positive).
Dadurch kann in einer Ausführung die Sicherheit beim Detektieren von Störungen in Roboteranordnungen vorteilhaft erhöht werden.
In einer Ausführung des zweiten Aspekts wird die Anzahl bzw. Gruppe der Datenkanäle auf Basis einer Benutzereingabe vorgegeben.
Hierdurch kann vorteilhaft (Experten)Wissen des Benutzers über die (erforderliche) Redundanz ausgenutzt und so das maschinelle Lernen verbessert werden. Beispielsweise kann ein Benutzer auf Basis seines Wissens, dass bei einer Störung in einer Achse in der Regel sowohl kinematische als auch Kraft- bzw. Drehmomentdaten eine Störung aufweisen bzw. anzeigen, oder dass eine bestimmte Art von Störungen sich stets in den Daten mehrerer, insbesondere bestimmter, Achsen wiederspiegelt, entsprechende Gruppen bzw. eine entsprechende Anzahl der Datenkanäle vorgeben. Zusätzlich oder alternativ wird die Anzahl bzw. Gruppe der Datenkanäle in einer Ausführung des zweiten Aspekts teilweise oder vollständig automatisiert vorgegeben, in einer Ausführung variiert. In einer Ausführung kann so eine besonders günstige Anzahl bzw. Gruppe der Datenkanäle ermittelt, in einer Ausführung maschinell gelernt, werden.
Nach einer Ausführung des ersten oder zweiten Aspekts der vorliegenden Erfindung umfasst ein Verfahren zum Detektieren von Störungen in einer Roboteranordnung, die wenigstens einen Roboter aufweist, die Schritte:
Bereitstellen einer Störungsdetektion, in einer Ausführung eines oder mehrerer künstlicher neuronaler Netze, mithilfe eines hier beschriebenen Verfahrens, insbesondere einer mithilfe eines hier beschriebenen Verfahrens maschinell gelernten Störungsdetektion; und
Detektieren von Störungen in der ersten und/oder einer anderen Roboteranordnung, die wenigstens einen Roboter aufweist, mithilfe dieser Störungsdetektion, insbesondere dieses bzw. dieser bereitgestellten künstlichen neuronalen Netze(s), insbesondere Detektieren von Störungen eines oder mehrerer Roboter dieser (ersten bzw. anderen) Roboteranordnung, insbesondere in Zeitreihen von deren Daten.
Dieses Bereitstellen umfasst in einer Ausführung das Bereitstellen, insbesondere Verwenden, des bzw. der maschinell gelernten Störungsdetektion bzw. des (trainierten) künstlichen neuronalen Netze(s), in einer Ausführung des (trainierten) Diskriminators des GANs, anderen künstlichen neuronalen Netzes bzw. anderen maschinellen Lernalgorithmus.
Gleichermaßen kann das Bereitstellen auch ein Parametrieren einer Störungsdetektion bzw. eines oder mehrerer künstlicher neuronaler Netze auf Basis des bzw. der maschinell gelernten Störungsdetektion bzw. (trainierten) künstlichen neuronalen Netze(s), in einer Ausführung des (trainierten) Diskriminators des GANs, anderen künstlichen neuronalen Netzes bzw. anderen maschinellen Lernalgorithmus, und/oder ein Kopieren des bzw. der maschinell gelernten Störungsdetektion bzw. (trainierten) künstlichen neuronalen Netze(s), in einer Ausführung des (trainierten) Diskriminators des GANs, anderen künstlichen neuronalen Netzes bzw. anderen maschinellen Lernalgorithmus, umfassen, insbesondere sein. Insbesondere kann also in einer Ausführung der Diskriminator auf Basis von als ungestört bewerteten Zeitreihen von Daten der ersten Roboteranordnung trainiert werden bzw. sein und anschließend der Diskriminator, eine Kopie des (trainierten) Diskriminators bzw. ein auf Basis des (trainierten) Diskriminators parametriertes künstliches neuronales Netz, insbesondere während er, sie bzw. es weiter trainiert wird, Störungen in dieser ersten Roboteranordnung detektieren.
Gleichermaßen kann in einer Ausführung eine Störungsdetektion auf Basis von Daten der ersten Roboteranordnung maschinell gelernt werden bzw. sein und anschließend diese Störungsdetektion, eine Kopie der (maschinell gelernten) Störungsdetektion bzw. eine auf Basis der (maschinell gelernten) Störungsdetektion parametrierte Störungsdetektion, insbesondere während sie weiter trainiert wird, Störungen in dieser ersten Roboteranordnung detektieren.
Durch dieses spezifische Training können in einer Ausführung Störungen der ersten Roboteranordnung besonders vorteilhaft, insbesondere rasch, zuverlässig und/oder präzise, diagnostiziert und/oder prognostiziert werden.
Zusätzlich oder alternativ kann in einer Ausführung der Diskriminator auf Basis von als ungestört bewerteten Zeitreihen von Daten der ersten Roboteranordnung trainiert werden bzw. sein und anschließend der Diskriminator, eine Kopie des (trainierten) Diskriminators bzw. ein auf Basis des (trainierten) Diskriminators parametriertes künstliches neuronales Netz, insbesondere während er, sie bzw. es weiter trainiert wird, Störungen in einer anderen Roboteranordnung detektieren.
Gleichermaßen kann in einer Ausführung eine Störungsdetektion auf Basis von Daten der ersten Roboteranordnung maschinell gelernt werden bzw. sein und anschließend diese Störungsdetektion, eine Kopie der (maschinell gelernten) Störungsdetektion bzw. eine auf Basis der (maschinell gelernten) Störungsdetektion parametrierte Störungsdetektion, insbesondere während sie weiter trainiert wird, Störungen in einer anderen Roboteranordnung detektieren.
Durch diese Übertragung können in einer Ausführung Störungen von Roboteranordnungen besonders vorteilhaft, insbesondere auf Basis geringer(er) Datenmengen von diesen Roboteranordnungen und/oder mit geringerem/r Inbetriebnahmeaufwand, insbesondere -zeit, diagnostiziert und/oder prognostiziert werden.
In einer Ausführung des ersten oder zweiten Aspekts weisen die Daten kinematische Daten, in einer Ausführung Positionsdaten, Geschwindigkeitsdaten und/oder Beschleunigungsdaten, der ersten Roboteranordnung, in einer Ausführung eines oder mehrerer Roboter(s) der Roboteranordnung, auf, insbesondere Achsstellungs-, -geschwindigkeits- und/oder -beschleunigungsdaten und/oder kartesische Posendaten wenigstens einer roboterfesten Referenz, insbesondere eines Endeffektors bzw. TCPs des bzw. der Roboter(s).
Zusätzlich oder alternativ weisen die Daten in einer Ausführung des ersten oder zweiten Aspekts Kraftdaten und/oder Drehmomentdaten der ersten Roboteranordnung, in einer Ausführung eines oder mehrerer Roboter(s) der Roboteranordnung, auf, insbesondere Achs- und/oder Antriebskräfte und/oder -drehmomente und/oder externe bzw. auf die erste Roboteranordnung, in einer Ausführung einen oder mehrere Roboter, ausgeübte Kräfte und/oder Drehmomente.
Zusätzlich oder alternativ weisen die Daten in einer Ausführung des ersten oder zweiten Aspekts elektrische Daten, insbesondere Strom- und/oder Spannungsdaten der ersten Roboteranordnung, in einer Ausführung eines oder mehrerer Roboter(s) der Roboteranordnung, auf, insbesondere von Antrieben der ersten Roboteranordnung, in einer Ausführung eines oder mehrerer Roboter(s).
Zusätzlich oder alternativ weisen die Daten in einer Ausführung des ersten oder zweiten Aspekts Fehlermeldungen aus einer Robotersteuerung und/oder Schleppfehlerdaten bzw. Abweichungen zwischen Soll- und Ist-Werten der ersten Roboteranordnung, in einer Ausführung eines oder mehrerer Roboter(s) der Roboteranordnung, auf, insbesondere von Reglern der ersten Roboteranordnung, in einer Ausführung eines oder mehrerer Roboter(s).
Zusätzlich oder alternativ weisen die Daten in einer Ausführung des ersten oder zweiten Aspekts Temperaturdaten der ersten Roboteranordnung, in einer Ausführung eines oder mehrerer Roboter(s), in einer Weiterbildung Roboterarms/-e, der Roboteranordnung, auf.
Der bzw. einer oder mehrere Roboter der ersten und/oder anderen Roboteranordnung weisen in einer Ausführung einen, in einer Ausführung mehrachsigen, Roboterarm, auf, können insbesondere ein solcher sein.
Auf Basis solcher Daten können in einer Ausführung des ersten oder zweiten Aspekts Störungen einer Roboteranordnung besonders vorteilhaft, insbesondere rasch, zuverlässig und/oder präzise, diagnostiziert und/oder prognostiziert werden.
In einer Ausführung des ersten oder zweiten Aspekts weisen die Daten Daten von zwei oder mehr Datenkanälen auf.
Dadurch kann in einer Ausführung eine höhere Datenmenge genutzt und dadurch das Trainieren, das trainierte künstliche neuronale Netz und/oder das Detektieren von Störungen verbessert werden.
Nach einer Ausführung der vorliegenden Erfindung ist ein System, insbesondere hard- und/oder Software-, insbesondere programmtechnisch, zur Durchführung eines hier beschriebenen Verfahrens nach einer Ausführung des ersten und/oder zweiten Aspekts eingerichtet.
Nach einer Ausführung der vorliegenden Erfindung weist das System auf:
- Mittel zum Bereitstellen von als ungestört bewerteten Zeitreihen von Daten einer ersten Roboteranordnung, die wenigstens einen Roboter aufweist;
- Mittel zum mehrfach abwechselnden
- Erzeugen von Zeitreihen von Daten mit künstlichen Störungen auf Basis wenigstens eines Teils der bereitgestellten, als ungestört bewerteten Zeitreihen mittels eines Generators eines GANs; und
- Trainieren eines Diskriminators des GANs auf Basis der erzeugten Zeitreihen mit künstlichen Störungen, der künstlichen Störungen und wenigstens eines Teils der bereitgestellten, als ungestört bewerteten Zeitreihen; wobei - der Diskriminator trainiert wird, Zeitpunkte und/oder Ausmaße von Störungen zu detektieren; und
- der Generator trainiert wird, Zeitreihen mit künstlichen Störungen zu erzeugen, deren Ausmaß der Diskriminator unterschätzt, insbesondere die der Diskriminator nicht detektiert oder als geringer einschätzt als die künstlichen Störungen der erzeugten Zeitreihen.
In einer Ausführung weist das System bzw. sein(e) Mittel auf:
- Mittel zum Erzeugen der künstlichen Störungen auf Basis eines Rauschens und/oder einer vorgegebenen Skalierung und/oder zum Aufaddieren der künstlichen Störungen auf bereitgestellte, als ungestört bewertete Zeitreihen; und/oder
- Mittel zum Abspeichern erzeugter Zeitreihen mit künstlichen Störungen und wiederholten Trainieren des Diskriminators, eines anderen künstlichen neuronalen Netzes und/oder eines anderen maschinellen Lernalgorithmus der Störungsdetektion mit diesen abgespeicherten Zeitreihen; und/oder
- Mittel zum Trainieren des Diskriminators, eines anderen künstlichen neuronalen Netzes und/oder eines anderen maschinellen Lernalgorithmus der Störungsdetektion auf Basis stochastisch erzeugter Zeitreihen.
Nach einer Ausführung der vorliegenden Erfindung weist das System auf:
- Mittel zum Bereitstellen von Daten einer ersten Roboteranordnung, die wenigstens einen Roboter aufweist, wobei diese Daten Datensätze einander, insbesondere zeitlich, zugeordneter Daten aufweisen, wobei jeder dieser Datensätze jeweils aus mehreren verschiedenen Datenkanälen jeweils ein Datum aufweist; und
- Mittel zum maschinellen Lernen, in einer Ausführung mittels distanz- und/oder clustering-basiertem Machine Learning und/oder mit oder ohne Verwendung wenigstens eines künstlichen neuronalen Netzes, zum Beispiel Random Forests, Arma/Arima Models, Gradient Boosting oder dergleichen, einer Störungsdetektion, insbesondere Trainieren wenigstens eines künstlichen neuronalen Netzes, auf Basis der Daten, wobei ein Datum eines Datensatzes final nicht als Datum einer Störung klassifiziert wird, falls die ihm zugeordneten Daten nicht wenigstens in einer vorgegebenen Anzahl und/oder Gruppe der Datenkanäle als Daten einer Störung klassifiziert sind bzw. werden. In einer Ausführung weist das System bzw. sein(e) Mittel auf:
- Mittel zum, insbesondere wenigstens teilweise parallelisierten, maschinellen Lernen, insbesondere mittels distanz- und/oder clustering-basiertem Machine Learning und/oder mit oder ohne Verwendung wenigstens eines künstlichen neuronalen Netzes, zum Beispiel Random Forests, Arma/Arima Models, Gradient Boosting oder dergleichen, jeweils einer Kanal-Störungsdetektion auf Basis der Daten des jeweiligen Datenkanals in einer ersten Phase des maschinellen Lernens für mehrere der Datenkanäle, insbesondere zum Trainieren jeweils wenigstens eines künstlichen neuronalen Netzes in der ersten Phase; und
- Mittel zum Klassifizieren eines zunächst als Datum einer Störung klassifizierten Datums eines Datensatzes nicht mehr als Datum einer Störung, falls die ihm zugeordneten Daten in der ersten Phase nicht wenigstens in einer vorgegebenen Anzahl und/oder Gruppe der Datenkanäle als Daten einer Störung klassifiziert worden sind, in einer anschließenden zweiten Phase des maschinellen Lernens, insbesondere zum entsprechenden Weitertrainieren der künstlichen neuronalen Netze.
In einer Ausführung weist das System bzw. sein(e) Mittel auf:
Mittel zum Vorgeben der Anzahl bzw. Gruppe der Datenkanäle auf Basis einer Benutzereingabe und/oder wenigstens teilweise automatisiert, insbesondere zum wenigstens teilweise automatisierten Variieren.
Nach einer Ausführung der vorliegenden Erfindung weist das System auf:
- Mittel zum Bereitstellen einer Störungsdetektion, in einer Ausführung wenigstens eines künstlichen neuronalen Netzes, mithilfe eines hier beschriebenen Verfahrens bzw. Mittels; und
- Mittel zum Detektieren von Störungen in der ersten und/oder einer anderen Roboteranordnung, die wenigstens einen Roboter aufweist, mithilfe dieser Störungsdetektion, insbesondere dieses wenigstens einen künstlichen neuronalen Netzes.
Ein Mittel im Sinne der vorliegenden Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein, insbesondere eine, vorzugsweise mit einem Speicher- und/oder Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbeitungs-, insbesondere Mikroprozessoreinheit (CPU), Graphikkarte (GPU) oder dergleichen, und/oder ein oder mehrere Programme oder Programmmodule aufweisen. Die Verarbeitungseinheit kann dazu ausgebildet sein, Befehle, die als ein in einem Speichersystem abgelegtes Programm implementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangssignale an einen Datenbus abzugeben. Ein Speichersystem kann ein oder mehrere, insbesondere verschiedene, Speichermedien, insbesondere optische, magnetische, Festkörper- und/oder andere nicht-flüchtige Medien aufweisen. Das Programm kann derart beschaffen sein, dass es die hier beschriebenen Verfahren verkörpert bzw. auszuführen imstande ist, sodass die Verarbeitungseinheit die Schritte solcher Verfahren ausführen kann und damit insbesondere Störungen in Roboteranordnungen, die wenigstens einen Roboter aufweisen, mithilfe einer Störungsdetektion, insbesondere wenigstens eines künstlichen neuronalen Netzes, detektieren bzw. diese Störungsdetektion maschinell lernen bzw. dieses künstliche neuronale Netz trainieren kann. Ein Computerprogrammprodukt kann in einer Ausführung ein, insbesondere nicht-flüchtiges, Speichermedium zum Speichern eines Programms bzw. mit einem darauf gespeicherten Programm aufweisen, insbesondere sein, wobei ein Ausführen dieses Programms ein System bzw. eine Steuerung, insbesondere einen Computer, dazu veranlasst, ein hier beschriebenes Verfahren bzw. einen oder mehrere seiner Schritte auszuführen.
In einer Ausführung werden ein oder mehrere, insbesondere alle, Schritte des Verfahrens vollständig oder teilweise automatisiert durchgeführt, insbesondere durch das System bzw. sein(e) Mittel. In einer Ausführung weist das System die erste und/oder andere Roboteranordnung auf.
Weitere Vorteile und Merkmale ergeben sich aus den Unteransprüchen und den Ausführungsbeispielen. Hierzu zeigt, teilweise schematisiert:
Fig. 1 : ein System nach einer Ausführung der vorliegenden Erfindung;
Fig. 2: einen Generator des Systems bzw. GANs der Fig. 1;
Fig. 3: eine Zeitreihe von Daten;
Fig. 4: ein Verfahren nach einer Ausführung der vorliegenden Erfindung; Fig. 5: ein System nach einerweiteren Ausführung der vorliegenden Erfindung;
Fig. 6: ein Verfahren nach einerweiteren Ausführung der vorliegenden Erfindung; und
Fig. 7: eine Klassifikation von Daten in zwei Datenkanälen in einer ersten und zweiten Phase eines maschinellen Lernens dieses Verfahren.
Fig. 1 zeigt ein System nach einer Ausführung der vorliegenden Erfindung.
Das System weist einen Roboter(arm) 100 und eine Robotersteuerung 110 auf, die als ungestört bewertete Zeitreihen 1 von Daten des Roboters 100 bereitstellt (Fig. 4: Schritt S10). Ein Generator 10 eines GANs erzeugt auf Basis dieser bereitgestellten Zeitreihen 1 , einem Rauschen 2 und einem Skalierungsparameter a > 0 Zeitreihen 3 von Daten mit künstlichen Störungen (Fig. 4: Schritt S20).
Hierzu werden Werte des Skalierungsparameters a stochastisch erzeugt und zusammen mit dem Rauschen 2 und den Zeitreihen 1 einem künstlichen neuronalen Netz mit mehreren Schichten 11 eingegeben.
Dieses weist eine Softmax-Schicht 12 und eine Sign-Schicht 13 auf, die jeweils die Größe bzw. Länge der Zeitreihen aufweisen, wobei die Sign-Schicht 13 an jeder Stelle +1 oder -1 ausgibt.
In einer finalen Schicht 14 werden die (Ausgaben der) Softmax-Schicht 12 und Sign-Schicht 13 komponentenweise bzw. pro Zeitpunkt multipliziert und das Ergebnis dann wiederum (komponentenweise) mit dem Skalierungsparameter a multipliziert.
Die so erzeugte künstliche Störung wird der jeweiligen bereitgestellten, als ungestört bewerteten Zeitreihe aufaddiert. Dabei sorgt die Softmax-Schicht 12 dafür, dass die Störung nie vollständig gleich 0 gewählt wird, die Sign-Schicht 13 dafür, dass in jeder Komponente bzw. jedem Zeitpunkt sowohl in positiver als auch in negativer Richtung gestört werden kann.
Die so vom Generator 10 erzeugten Zeitreihen 3 mit künstlichen Störungen werden zusammen mit den vom Generator 10 erzeugten künstlichen Störungen selber, insbesondere den Zeitpunkten und zugehörigen Ausmaßen der Störungen, einem Diskriminator 20 des GANs zur Verfügung gestellt, der außerdem noch andere als ungestört bewertete Zeitreihen V von Daten des Roboters 100 erhält und versucht, Zeitpunkte und Ausmaße der Störungen (richtig) zu detektieren. Hierbei werden die vom Generator 10 erzeugten Zeitreihen mit den zugrundeliegenden Zeitpunkten und zugehörigen Ausmaßen der künstlichen Störungen gelabelt (Fig. 4: Schritt S30).
In an sich bekannter Weise werden nun Generator 10 und Diskriminator 20 des GANs trainiert, indem der Generator 10 versucht, Zeitreihen mit künstlichen Störungen derart zu erzeugen, dass der Diskriminator 20 deren Ausmaß unterschätzt, insbesondere die der Diskriminator 20 nicht detektiert oder als geringer einschätzt als die vom Generator 10 erzeugten künstlichen Störungen, und umgekehrt der Diskriminator 20 versucht, jeweils Zeitpunkte und Ausmaße der Störungen (richtig) zu detektieren.
Mit dem solcherart trainierten Diskriminator 20 bzw. einem entsprechend parametrierten künstlichen neuronalen Netz können dann in einem Schritt S40 Störungen des Roboters 100 oder auch eines anderen Roboters detektiert werden.
Der Diskriminator 20 kann Ausmaße und Zeitpunkte der Störungen mit demselben künstlichen neuronalen Netz ermitteln oder hierzu zwei separate künstliche neuronale Netze aufweisen.
Fig. 3 zeigt exemplarisch eine Zeitreihe von Daten d des Roboters 100, beispielsweise einen Drehmoment-Schleppfehler oder dergleichen, über der zeit t, die als ungestört bewertet ist (dünn in Fig. 3) und eine vom Generator 10 erzeugte Zeitreihe mit künstlichen Störungen, die in Fig. 3 fett hervorgehoben sind und beispielsweise im Zeitpunkt ti das Ausmaß A(ti) aufweisen. Fig. 5 zeigt ein System nach einerweiteren Ausführung der vorliegenden Erfindung.
Das System weist einen Roboter(arm) 100 und eine Robotersteuerung 110 auf, die Daten des Roboters 100 in Datenkanälen bereitstellt, von denen in Fig. 5 zwei Datenkanäle 1000, 2000 exemplarisch angedeutet sind (Fig. 6: Schritt S100).
Dabei sind jeweils ein Datum des einen Datenkanals 1000 und ein Datum des anderen Datenkanals 2000 einander zeitlich zugeordnet. Dies ist für ein Datum 1.1 und ein Datum 2.1 eines Datensatzes, ein Datum 1.2 und ein Datum 2.2 eines weiteren Datensatzes und ein Datum 1.3 und ein Datum 2.3 eines weiteren Datensatzes durch unterschiedliche Formen angedeutet (Datensatz (1.1, 2.1): Viereck; Datensatz (1.2, 2.2): Dreieck; Datensatz (1.3, 2.3): Kreuz).
Beispielsweise kann es sich bei den Daten 1.1 , 1.2 und 1.3 um Positions-, Geschwindigkeits- oder Beschleunigungsdaten einer Achse des Roboters 100 zu bzw. für bestimmte (Mess)Zeitpunkte(n) und bei den Daten 2.1, 2.2 und 2.3 um Kraft- oder Drehmomentdaten des Roboters 100, insbesondere dieser Achse, zu bzw. für diese (Mess)Zeitpunkte(n), oder um Positions-, Geschwindigkeits- oder Beschleunigungsdaten einer anderen Achse des Roboters 100 zu bzw. für diese (Mess)Zeitpunkte(n) handeln, wobei weitere entsprechende Daten zu bzw. für andere(n) (Mess)Zeitpunkte(n) in Fig. 5 durch Kreise angedeutet sind.
In einer ersten Phase (Fig. 6: Schritt S200) werden für die Datenkanäle, insbesondere wenigstens teilweise parallelisiert, jeweils eine Kanal-Störungsdetektion auf Basis der Daten des jeweiligen Datenkanals maschinell gelernt, im Ausführungsbeispiel jeweils ein künstliches neuronales Netz trainiert. Exemplarisch sind hierzu in Fig. 5 zwei künstliche neuronale Netze 30, 40 angedeutet.
Dabei wird die Klassifikation in der ersten Phase so gelernt, dass eher Daten als Daten einer Störung klassifiziert werden, die keine Daten einer Störung sind (False-Positive), als dass Daten nicht als Daten einer Störung klassifiziert werden, die Daten einer Störung sind (False-Negative). Dies ist in der Figurenfolge Fig. Fig. 7(b) schematisch angedeutet, die zeigt, wie der Klassifikationsbereich (schraffiert in Fig. 7) für Daten, die nicht als Daten einer Störung klassifiziert werden, zunächst reduziert wird.
Auf diese Weise werden zwar (wenigstens) die (meisten) Daten, die tatsächlich Daten einer Störung sind (in Fig. 5, 7 exemplarisch die durch ein ausgefülltes Kreuz angedeuteten Daten 1.3, 2.3) als Daten einer Störung klassifiziert, jedoch auch (relativ viele) Daten, die keine Daten einer Störung sind (in Fig. 5, 7 exemplarisch die durch ein leeres Viereck bzw. Dreieck angedeuteten Daten 1.1, 2.2 der beiden Datenkanäle 1000, 2000 - False-Negative).
In einer zweiten Phase (Fig. 6: Schritt S300) wird für die in der ersten Phase als Datum einer Störung klassifizierten Daten jeweils geprüft, ob in einer vorgegebenen Anzahl und/oder Gruppe der anderen Datenkanäle die dem jeweiligen als Datum einer Störung klassifizierten Datum zugeordneten Daten in der ersten Phase ebenfalls als Daten einer Störung klassifiziert worden sind.
Dies ist in Fig. 7(b) verdeutlicht: die einander zeitlich zugeordneten Daten 1.3, 2.3 sind beide als Daten einer Störung klassifiziert. Entsprechend werden diese auch in der zweiten Phase weiterhin als Daten einer Störung klassifiziert.
Bei den beiden einander zeitlich zugeordneten Daten 1.1 und 2.1 sowie bei den beiden einander zeitlich zugeordneten Daten 1.2 und 2.2 ist hingegen jeweils nur eines der beiden Daten als Datum einer Störung klassifiziert, das andere nicht.
Entsprechend werden diese Daten 1.1 , 2.2 in der zweiten Phase nicht mehr als Datum einer Störung klassifiziert.
Dies ist in der Fig. 7(c) schematisch angedeutet, die zeigt, wie der Klassifikationsbereich entsprechend modifiziert wird.
Mit der solcherart maschinell gelernten Störungsdetektion, im Ausführungsbeispiel den beiden solcherart trainierten künstlichen neuronalen Netzen 30, 40, können dann in einem Schritt S400 Störungen des Roboters 100 oder auch eines anderen Roboters detektiert werden. Obwohl in der vorhergehenden Beschreibung exemplarische Ausführungen erläutert wurden, sei darauf hingewiesen, dass eine Vielzahl von Abwandlungen möglich ist.
So wurden vorstehend künstliche neuronale Netze verwendet. Zusätzlich oder alternativ können auch andere maschinelle Lernverfahren bzw. Algorithmen verwendet werden, die in einer Ausführung, Random Forests, Arma/Arima Models und/oder Gradient Boosting umfassen. Distanz- und/oder clustering-basiertes Machine Learning ist besonders geeignet.
Außerdem sei darauf hingewiesen, dass es sich bei den exemplarischen Ausführungen lediglich um Beispiele handelt, die den Schutzbereich, die Anwendungen und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausgehende Beschreibung ein Leitfaden für die Umsetzung von mindestens einer exemplarischen Ausführung gegeben, wobei diverse Änderungen, insbesondere in Hinblick auf die Funktion und Anordnung der beschriebenen Bestandteile, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und diesen äquivalenten Merkmalskombinationen ergibt.
Bezuqszeichenliste
1 , 1 ‘ als ungestört bewertete Zeitreihen
2 Rauschen
3 Zeitreihen mit künstlichen Störungen
10 Generator
11 Schicht
12 SoftMax-Schicht
13 Sign-Schicht
14 finale Schicht
20 Diskriminator
30, 40 künstliches neuronales Netz 100 Roboter(arm)
110 Robotersteuerung
1000,
2000 Datenkanal
(11. 2.1) Datensatz
(12. 2.2) Datensatz
(13. 2.3) Datensatz
A Ausmaß d Daten t Zeit h Zeitpunkt a Skalierungsparameter

Claims

Patentansprüche
1. Verfahren zum maschinellen Lernen einer Störungsdetektion, insbesondere zum Trainieren eines künstlichen neuronalen Netzes (20), zum Detektieren von Störungen in einer Roboteranordnung, die wenigstens einen Roboter (100) aufweist, mit dem Schritt:
- Bereitstellen (S10) von als ungestört bewerteten Zeitreihen (1, T) von Daten einer ersten Roboteranordnung, die wenigstens einen Roboter (100) aufweist; und den mehrfach abwechselnden Schritten:
- Erzeugen (S20) von Zeitreihen (3) von Daten mit künstlichen Störungen auf Basis wenigstens eines Teils (1) der bereitgestellten, als ungestört bewerteten Zeitreihen mittels eines Generators (10) eines GANs; und
- T rainieren (S30) eines Diskriminators (20) des GANs auf Basis der erzeugten Zeitreihen (3) mit künstlichen Störungen, der künstlichen Störungen und wenigstens eines Teils (T) der bereitgestellten, als ungestört bewerteten Zeitreihen; wobei
- der Diskriminator (20) trainiert wird, Zeitpunkte (ti) und/oder Ausmaße (A(ti)) von Störungen zu detektieren; und
- der Generator (10) trainiert wird, Zeitreihen (3) mit künstlichen Störungen zu erzeugen, deren Ausmaß der Diskriminator (20) unterschätzt, insbesondere die der Diskriminator nicht detektiert oder als geringer einschätzt als die künstlichen Störungen der erzeugten Zeitreihen.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass die künstlichen Störungen auf Basis eines Rauschens (2) und/oder einer vorgegebenen Skalierung (a) erzeugt und/oder auf bereitgestellte, als ungestört bewertete Zeitreihen (1) aufaddiert werden
3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass erzeugte Zeitreihen mit künstlichen Störungen abgespeichert werden und der Diskriminator, ein anderes künstliches neuronales Netz und/oder ein anderer maschineller Lernalgorithmus der Störungsdetektion mit diesen abgespeicherten Zeitreihen wiederholt trainiert wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Diskriminator, ein anderes künstliches neuronales Netz und/oder ein anderer maschineller Lernalgorithmus der Störungsdetektion auf Basis stochastisch erzeugter Zeitreihen trainiert wird.
5. Verfahren zum maschinellen Lernen, insbesondere mittels distanz- und/oder clustering-basiertem Machine Learning und/oder mit oder ohne Verwendung wenigstens eines künstlichen neuronalen Netzes, zum Beispiel Random Forests, Arma/Arima Models, Gradient Boosting oder dergleichen, einer Störungsdetektion, insbesondere zum Trainieren wenigstens eines künstlichen neuronalen Netzes (30, 40), zum Detektieren von Störungen in einer Roboteranordnung, die wenigstens einen Roboter (100) aufweist, mit den Schritten:
- Bereitstellen (S100) von Daten einer ersten Roboteranordnung, die wenigstens einen Roboter (100) aufweist, wobei diese Daten Datensätze ((1.1 , 2.1), (1.2, 2.2), (1.3, 2.3)) einander, insbesondere zeitlich, zugeordneter Daten (1.1 , 2.1 , 1.2, 2.2, 1.3, 2.3) aufweisen, wobei jeder dieser Datensätze jeweils aus mehreren verschiedenen Datenkanälen (1000, 2000) jeweils ein Datum aufweist; und
- maschinelles Lernen (S200), insbesondere mittels distanz- und/oder clustering- basiertem Machine Learning und/oder mit oder ohne Verwendung wenigstens eines künstlichen neuronalen Netzes, zum Beispiel Random Forests, Arma/Arima Models, Gradient Boosting oder dergleichen, einer Störungsdetektion, insbesondere Trainieren wenigstens eines künstlichen neuronalen Netzes (30, 40), auf Basis der Daten, wobei ein Datum eines Datensatzes final nicht als Datum einer Störung klassifiziert wird, falls die ihm zugeordneten Daten nicht wenigstens in einer vorgegebenen Anzahl und/oder Gruppe der Datenkanäle als Daten einer Störung klassifiziert sind bzw. werden.
6. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass
- in einer ersten Phase (S200) des maschinellen Lernens für mehrere der Datenkanäle, insbesondere wenigstens teilweise parallelisiert, jeweils eine Kanal-Störungsdetektion auf Basis der Daten des jeweiligen Datenkanals, insbesondere mittels distanz- und/oder clustering-basiertem Machine Learning und/oder mit oder ohne Verwendung wenigstens eines künstlichen neuronalen Netzes, zum Beispiel Random Forests, Arma/Arima Models, Gradient Boosting oder dergleichen, maschinell gelernt, insbesondere jeweils wenigstens ein künstliches neuronales Netz (30, 40) trainiert, wird; und
- in einer anschließenden zweiten Phase (S300) des maschinellen Lernens ein zunächst als Datum einer Störung klassifiziertes Datum eines Datensatzes nicht mehr als Datum einer Störung klassifiziert wird, falls die ihm zugeordneten Daten in der ersten Phase nicht wenigstens in einer vorgegebenen Anzahl und/oder Gruppe der Datenkanäle als Daten einer Störung klassifiziert worden sind, insbesondere die künstlichen neuronalen Netze (30, 40) entsprechend weitertrainiert werden.
7. Verfahren nach einem der beiden vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Anzahl bzw. Gruppe der Datenkanäle auf Basis einer Benutzereingabe und/oder wenigstens teilweise automatisiert vorgegeben, insbesondere variiert wird.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Daten
- kinematische Daten, insbesondere Positions-, Geschwindigkeits- und/oder Beschleunigungsdaten;
- Kraft- und/oder Drehmomentdaten;
- elektrische Daten, insbesondere Strom- und/oder Spannungsdaten;
- Fehlermeldungen aus einer Robotersteuerung und/oder Schleppfehlerdaten; und/oder
- Temperaturdaten der ersten Roboteranordnung und/oder
- Daten wenigstens zweier Datenkanäle und/oder
- Daten von wenigstens zwei Robotern der Roboteranordnung aufweisen.
9. Verfahren zum Detektieren von Störungen in einer Roboteranordnung, die wenigstens einen Roboter (100) aufweist, mit den Schritten:
- Bereitstellen (S10-S30; S100-S300) einer Störungsdetektion, insbesondere wenigstens eines künstlichen neuronalen Netzes (20; 30, 40), mithilfe eines Verfahrens nach einem der vorhergehenden Ansprüche; und - Detektieren (S40; S400) von Störungen in der ersten und/oder einer anderen Roboteranordnung, die wenigstens einen Roboter (100) aufweist, mithilfe dieser Störungsdetektion, insbesondere dieses wenigstens einen künstlichen neuronalen Netzes.
10. System, das zur Durchführung eines Verfahrens nach einem der vorhergehenden
Ansprüche eingerichtet ist.
11. Computerprogrammprodukt mit einem Programmcode, der auf einem von einem Computer lesbaren Medium gespeichert ist, zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche.
PCT/EP2021/059733 2020-04-27 2021-04-15 Detektieren von störungen in roboteranordnungen WO2021219389A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020205265.4A DE102020205265A1 (de) 2020-04-27 2020-04-27 Detektieren von Störungen in Roboteranordnungen
DE102020205265.4 2020-04-27

Publications (1)

Publication Number Publication Date
WO2021219389A1 true WO2021219389A1 (de) 2021-11-04

Family

ID=75562747

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/059733 WO2021219389A1 (de) 2020-04-27 2021-04-15 Detektieren von störungen in roboteranordnungen

Country Status (2)

Country Link
DE (1) DE102020205265A1 (de)
WO (1) WO2021219389A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116243682A (zh) * 2023-03-15 2023-06-09 青岛澎湃海洋探索技术有限公司 基于改进生成对抗式网络的水下推进器故障检测方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021126188A1 (de) 2021-10-08 2023-04-13 Dürr Systems Ag Überwachungsverfahren für einen Roboter und zugehörige Roboteranlage

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3297794B1 (de) 2015-05-21 2021-12-01 Kastanienbaum GmbH Verfahren und vorrichtung zur steuerung/regelung eines aktorisch angetriebenen robotergelenks
JP6411964B2 (ja) 2015-07-27 2018-10-24 ファナック株式会社 工作機械とロボットのリアルタイム干渉確認システム
DE102016008987B4 (de) 2015-07-31 2021-09-16 Fanuc Corporation Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
JP6140331B1 (ja) 2016-04-08 2017-05-31 ファナック株式会社 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
JP6721563B2 (ja) 2017-11-28 2020-07-15 ファナック株式会社 数値制御装置
DE102018203234A1 (de) 2018-03-05 2019-09-05 Kuka Deutschland Gmbh Vorausschauende Beurteilung von Robotern

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GUO QINGWEN ET AL: "Intelligent Fault Diagnosis Method Based on Full 1-D Convolutional Generative Adversarial Network", IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS, IEEE SERVICE CENTER, NEW YORK, NY, US, vol. 16, no. 3, 10 August 2019 (2019-08-10), pages 2044 - 2053, XP011768082, ISSN: 1551-3203, [retrieved on 20200120], DOI: 10.1109/TII.2019.2934901 *
JIANG WENQIAN ET AL: "A GAN-Based Anomaly Detection Approach for Imbalanced Industrial Time Series", IEEE ACCESS, vol. 7, 16 October 2019 (2019-10-16), pages 143608 - 143619, XP011750297, DOI: 10.1109/ACCESS.2019.2944689 *
SHAO SIYU ET AL: "Generative adversarial networks for data augmentation in machine fault diagnosis", COMPUTERS IN INDUSTRY, vol. 106, 1 April 2019 (2019-04-01), pages 85 - 93, XP085597093, ISSN: 0166-3615, DOI: 10.1016/J.COMPIND.2019.01.001 *
VIOLA JAIRO ET AL: "FaultFace: Deep Convolutional Generative Adversarial Network (DCGAN) based Ball-Bearing Failure Detection Method", 2019 1ST INTERNATIONAL CONFERENCE ON INDUSTRIAL ARTIFICIAL INTELLIGENCE (IAI), IEEE, 23 July 2019 (2019-07-23), pages 1 - 6, XP033621486, DOI: 10.1109/ICIAI.2019.8850805 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116243682A (zh) * 2023-03-15 2023-06-09 青岛澎湃海洋探索技术有限公司 基于改进生成对抗式网络的水下推进器故障检测方法
CN116243682B (zh) * 2023-03-15 2023-09-08 青岛澎湃海洋探索技术有限公司 基于改进生成对抗式网络的水下推进器故障检测方法

Also Published As

Publication number Publication date
DE102020205265A1 (de) 2021-10-28

Similar Documents

Publication Publication Date Title
DE102016008987B4 (de) Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
DE102017107284B4 (de) Verfahren und steuergerät zum überwachen eines bordnetzes eines fahrzeugs
EP3662639B1 (de) Verfahren und vorrichtung zum ermitteln von anomalien in einem kommunikationsnetzwerk
DE102019003382A1 (de) Anomaliedetektor
WO2021219389A1 (de) Detektieren von störungen in roboteranordnungen
DE102019128177A1 (de) Vorrichtung und verfahren zur zustandsbestimmung
EP3282399B1 (de) Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem
EP3397431B1 (de) Roboter und verfahren zum betreiben eines roboters
DE102020118225A1 (de) Anomaliebestimmungsvorrichtung und Anomaliebestimmungssystem
DE102019001760A1 (de) Informationsverarbeitungsgerät, maschinelle lernvorrichtungund system
EP4100216A1 (de) Betreiben einer applikation eines robotersystems
DE102018132658A1 (de) Verfahren zur rechnergestützten Auswertung einer Messung einer elektrischen Größe in einem Hochvolt-Bordnetz eines vorgegebenen elektrisch angetriebenen Kraftfahrzeugs
AT522639A1 (de) Vorrichtung und Verfahren zum Visualisieren oder Beurteilen eines Prozesszustandes
WO2023057591A1 (de) Überwachungsverfahren für einen roboter und zugehörige roboteranlage
DE112021002975T5 (de) Werkzeugdiagnosegerät
EP3710207B1 (de) Qualitätssicherung eines prozesses
WO2021160634A1 (de) Erzeugen und optimieren eines steuerprogramms für einen robotermanipulator
EP2402832B1 (de) Verfahren und Anzeigesystem zur Kalibrierung von normierten Anzeigen von Prozessgrössen
DE112019007691T5 (de) System zum planen von roboterhandlungen, robotersystem, roboteraufgabenverifizierungssystem und verfahren zum planen von roboterhandlungen
DE102021134294B4 (de) Hybrid-Ansatz zur Schätzung und Überwachung von Reibungs- und Masseparametern in einem elektrischen Antriebssystem
DE102019203921A1 (de) Automatisierungsanordnung, Verfahren zum Betrieb der Automatisierungsanordnung sowie Computerprogramm
EP3657283A1 (de) Verfahren zur bestimmung eines fusionierten datensatzes
DE102018210520B3 (de) Verfahren und System zur Diagnose eines Maschinenprozesses
EP4033314B1 (de) Ereignisbedingte ladebeschränkungen eines servers eines leitsystems einer technischen anlage
EP1507181B1 (de) Verfahren und Vorrichtung zur mehrstufigen Datenverarbeitung, insbesondere zur Diagnose, in einer technischen Anlage

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: 21719592

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21719592

Country of ref document: EP

Kind code of ref document: A1