WO2022073699A1 - Categorizing method and method for preventing a disruption of a paper machine, in particular a web break - Google Patents

Categorizing method and method for preventing a disruption of a paper machine, in particular a web break Download PDF

Info

Publication number
WO2022073699A1
WO2022073699A1 PCT/EP2021/074080 EP2021074080W WO2022073699A1 WO 2022073699 A1 WO2022073699 A1 WO 2022073699A1 EP 2021074080 W EP2021074080 W EP 2021074080W WO 2022073699 A1 WO2022073699 A1 WO 2022073699A1
Authority
WO
WIPO (PCT)
Prior art keywords
category
production
disruption
categories
signal
Prior art date
Application number
PCT/EP2021/074080
Other languages
German (de)
French (fr)
Inventor
Jürgen KÄSER
Christian Paleani
Original Assignee
Voith Patent Gmbh
PerfectPattern GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Voith Patent Gmbh, PerfectPattern GmbH filed Critical Voith Patent Gmbh
Priority to EP21769321.7A priority Critical patent/EP4225992A1/en
Publication of WO2022073699A1 publication Critical patent/WO2022073699A1/en

Links

Classifications

    • D—TEXTILES; PAPER
    • D21—PAPER-MAKING; PRODUCTION OF CELLULOSE
    • D21G—CALENDERS; ACCESSORIES FOR PAPER-MAKING MACHINES
    • D21G9/00—Other accessories for paper-making machines
    • D21G9/0009—Paper-making control systems

Definitions

  • the invention relates to a method for categorizing production disruptions in a paper machine, in particular web breaks, and it relates to a method for avoiding production disruptions in a paper machine, in particular web breaks, using a method for the above-mentioned categorization. Furthermore, it relates to a computer program product for executing one of these methods on a computer unit.
  • All machines for the production and/or processing of fibrous webs are regarded here as paper machines, in addition to machines for the production of paper webs also, for example, so-called board machines, pulp machines, coating machines or paper processing machines.
  • the object of the invention is now to develop a method that contributes or is suitable to avoiding disruptions in production, in particular web breaks on a paper machine, with a higher probability and thus leading to higher productivity of the paper machine. Furthermore, the task is to provide a corresponding computer program product for carrying out this method.
  • the object is achieved by a method according to claim 1 or by a method according to claim 8. Furthermore, it is solved by a computer program product according to claim 7 or according to claim 13. Further advantageous features are specified in the respective dependent claims. According to the invention, the method according to claim 1 is characterized in that the following steps are carried out:
  • DCS process control system
  • QCS quality control system
  • steps 1.2.1 and 1.2.2 can be repeated in parallel with the first execution and do not have to be executed one after the other.
  • a significant advantage of the method according to the invention is that it allows production faults of the same type to be recognized as such and combined into one category.
  • a separate predictive model is created for each category of production disruption, which can indicate a signifier for the category-specific disruption risk.
  • the production control system (DCS) or the operator thus receives important information on how to improve the setting of the production parameters, since a separate risk of occurrence can be determined for each category of production disruption, in particular for each type of web break. This helps prevent future production disruptions by changing production settings in a timely manner.
  • the method offers the possibility of using data from the production system without complex synchronization and without complex data cleansing. Not necessary for the categorization or not usable signal values are simply not reused. In particular, they can be assigned to a remaining amount.
  • the signals that are provided in the first data set from the production system can come from sensors or measuring devices, for example, they can be control signals or status values from motors or valves, or they can be actual values or setpoint values from control loops. Furthermore, signals can also be state values that are available in the system and are discontinuously assigned to specific points in time, such as laboratory values for paper reels or the running time of fabrics. And the signals can also be image data or data determined from images, or acoustic data. These signal values can also originate from several process control systems (DCS) and from several quality control systems of the production system. Because signals are used not only from a DCS but also from a QCS, quality changes are also detected, which significantly improves segmentation into different categories and model building. For example, quality changes can indicate changes in raw material quality or incorrect production settings that increase the risk of disruption.
  • DCS process control systems
  • the data can be made available, for example, by reading in or transferring or storing the data.
  • the paper machine with the associated stock preparation, raw material preparation and raw material supply and the existing further processing, as well as the existing ancillary units and laboratories, is regarded as a production system. Or part of it.
  • the first data volume can include all or a large part of the available signals of the production system.
  • the efficiency of the method can be improved if the number of signals provided in the first data volume is already reduced via a process model. For this purpose, for example, correlations between signals can be evaluated and/or it Only the signals that are relevant to the production disruptions to be categorized can be used.
  • Signal values that describe the production in a certain period of time in the past are referred to as historical signal values. For example, over several weeks or months.
  • the data can originate from a data memory of the production system or can be specifically recorded over a certain period of time.
  • the disruption times at which a production disruption, in particular a web break, occurred can be selected by manual input or by entering lists of disruption times. This selection can preferably take place automatically in the method by using a single signal or a plurality of signals from the first data volume as a detection for a fault.
  • a fault sensor in particular a breakage sensor or a quality sensor, can be used for this.
  • Signals that are indirectly coupled to the production disruption can also be used, such as the speeds of certain drives or pumps or spray pipes on a pulper, which are activated in the event of a break.
  • the characteristic numerical value can be assigned to a signal change using an algorithm, supported in particular by methods of artificial intelligence.
  • time intervals of different lengths before the observed disturbance time can also be used for different signals.
  • the gradient of the change or other variables that can be derived from the course of time are taken into account in the assignment.
  • a weighting factor for a signal can be used when assigning the characteristic numerical values.
  • the weighting factors can preferably be generated from a process model that takes into account the correlations between different signals.
  • Each characteristic numerical value represents the change in a specific signal and is also uniquely assigned to it.
  • the series of characteristic numerical values each describe the state change of the production system before a disruption.
  • the rows can be some kind of vectors or ordered lists or matrices.
  • Various match criteria can be used to determine the essential match of the characteristic numerical values in rows (R1...Rn).
  • mathematical methods for calculating the distance between the rows are used for this purpose. Such mathematical methods are well known. If the distance is small, i.e. if there is a substantial match, the rows are assigned to the same category. Similar changes in certain signals and/or changes in the same signals thus result in rows being combined into one category. This means that faults are grouped together in which similar status changes occurred before the fault.
  • the similarity between rows of characteristic numerical values can preferably be determined using methods of artificial intelligence for pattern recognition or for segmentation.
  • the number of categories into which the segmentation is to be made can be specified.
  • the criterion for the match can be adjusted in such a way that the desired number of categories is created.
  • preferably only part of the characteristic numerical values i.e. only part of the underlying signals, can be used when combining the characteristic numerical values into rows and/or when determining the similarity between rows.
  • Which characteristic numerical values and thus which signals are used can be specified via a process model, as described above.
  • one or more measures are preferably assigned to each category (K1 ... Km) of production disruption and stored, with the measures each representing a change in the production settings such that a reduction in the corresponding risk of disruption in the category is to be expected.
  • measures each representing a change in the production settings such that a reduction in the corresponding risk of disruption in the category is to be expected.
  • Any display device or storage device can serve as the end device for the output.
  • the output can also take place in the DCS and/or in the QCS.
  • the output can be displayed directly or stored for later display or use. It is advantageous if the proposed measures for reducing the risk of occurrence associated with a particular category are also output.
  • the formation of the predictive models takes place with mathematical methods.
  • the target value for these models is a so-called signifier.
  • the signifier represents a value that describes the risk of disruption in the corresponding category.
  • the signifier can be a single numerical value and in particular can be between 0 and 1. The closer it comes to 1, the more likely it is that a production disruption will occur, in particular a web break, in this category.
  • the predictive models are preferably created using machine learning methods, in particular neural networks.
  • quality deviations i.e. that certain quality parameters are outside of the specification.
  • quality deviations can include basis weight fluctuations, moisture fluctuations, optical or paper-related quality parameters.
  • proper production is interrupted if the relevant quality parameters are outside the permissible limits for the product.
  • the method for avoiding production disruptions according to claim 8 is characterized in that the following steps are carried out:
  • An essential advantage of the implementation of the method according to the invention is that the current, ongoing production is monitored and imminent production disruptions are recognized in good time and clearly assigned to a category of production disruptions. This is possible through the category-specific output of the respective risk of disruption.
  • the current signal values mean the data from the current production. These are not only the actual values at the current time, but also the signal values from production that was a little earlier, i.e. from a period of a few hours or a few days before the current time. This is the only way to record the signal values as time series and thus evaluate changes in the system's status.
  • a process model for reducing the number of required signals can preferably be used for the provision of the second volume of data.
  • the second data volume particularly preferably contains the signal values of the signals that are used at least in a predictive model of one of the categories formed.
  • the evaluation of the second data volume using the respective predictive models can in turn be carried out using machine learning methods.
  • the target value of the evaluations is a signifier for each category.
  • the signifier indicates the current risk of disruption for a certain category, based on the second data set with signal values from the current production. The higher the corresponding current disruption risk, the more likely it is that a production disruption will occur in the respective category.
  • the signifier is exactly one value.
  • the signifiers are advantageously normalized in such a way that they assume values between 0 and 1. The closer the signifier is to 1, the higher the risk of interference in this category.
  • a threshold value can be defined for each signifier. Different threshold values can be defined for different categories. If the signifier has reached or exceeded the threshold value of the associated category, the signifier is output. This indicates an increased risk of interference in the corresponding category. All signifiers can also be output, and, for example, the signifiers that have reached the threshold value can be highlighted. Furthermore, the development of the signifiers over time can be output, so the development of the disruption risks for the various categories of the current production can be observed.
  • steps 8.2 and 8.3 not only the time series of the signal values but also signal changes in a time interval and/or the gradient and/or other derived variables of the signal value time series are used. It is also advantageous if, in step 8.4, additional measures that are assigned to the category for which a signifier has reached or exceeded the threshold value are output.
  • the additional advantage is that the operator receives suitable suggestions for changing the current production directly for the respective situation.
  • the current risk of disruption and suitable remedial measures are given separately for each category of production disruption.
  • step 8.1 In order to improve the method and to be able to adapt it to changed production conditions, it is advantageous if one or more repetitions of step 8.1 are provided in order to update the categories and/or the predictive models and/or the measures after a certain production time.
  • This computer unit can be an independent unit or a separate computer, it can also be part of a process control system (DCS) or a quality control system (QCS).
  • DCS process control system
  • QCS quality control system
  • the paper machine 1 is a machine for the production and/or processing of fibrous webs, in particular a machine for the production of paper or cardboard webs, for example a so-called cardboard machine, or a pulp machine, a coating machine or a paper processing machine.
  • the further processing 3 can be a reeling, a re-reeling or a slitting machine or a packaging machine. In particular, it can also be a coating machine or paper processing machine if the paper machine is a machine for producing paper or cardboard webs.
  • Stock preparation 2, paper machine 1 and further processing 3 can also consist of several subsystems.
  • the production system 10 includes the ancillary units 4.5 and possibly laboratories, as well as at least the process control system (DCS) 20 and at least the quality control system (QCS) 21.
  • DCS process control system
  • QCS quality control system
  • the various signals Sx of the production system 10 are received, processed and regulated in the process control system (DCS) 20 and in the quality control system (QCS) 21 in order to control the production system as is known in the prior art.
  • DCS process control system
  • QCS quality control system
  • the first data volume D1 comprising signal values of different signals Sx as time series Sx(t), is transmitted to a computer unit 22. If necessary, these signal values can be stored beforehand on a data memory 23 and can be retrieved as required.
  • the first data set D1 includes historical signal values that describe a period of time in which at least a number of production disruptions occurred. Signal values from a period of several weeks or several months are usually used.
  • the computer unit 22 can be a separate computer or part of the DCS or the QCS.
  • the process for categorizing production disturbances is carried out on the computer unit 22 and the results are output.
  • Results here are in particular the determined categories K1 . . . Km and/or the predictive models P1 . . . Pm formed for the various categories.
  • the output can be done on different devices.
  • the output A1 can be transmitted to the DCS 20 and/or the output A2 to the QCS and/or the output A3 to the terminal 24.
  • the terminal 24 can be a screen or another computer, for example a tablet.
  • a further output A4 to the QCS or also an output to the DCS can take place from the terminal 24 .
  • a second data volume D2 with current signal values of the signals Sx is transmitted to the computer unit 22 as a time series Sx(t).
  • the computer unit 22 applies the predictive models P1 . . . Pm and evaluates the second data set D2 accordingly.
  • the results of the method are again output as A1, A2, A3 and/or A4 as previously described.
  • the results of this procedure are the signifiers XI ...Xm, each of which indicates the category-specific risk of disruption.
  • the sequence of a method for categorization according to the invention is shown schematically in FIGS. 2a and 2b.
  • 2a describes the formation of the rows R1...Rn from the characteristic numerical values ZW1...ZWq.
  • the first data volume D1 includes the signal values of numerous signals Sx of the production system 10 as time series Sx(t).
  • Various disruption times t1, t2, t3, . . . tn are selected and/or determined automatically.
  • the signal changes ASx(tn) that occurred in a time interval before the fault time tn are determined for the different signals. Different time intervals can also be used for different signals.
  • shorter time intervals can be relevant for drive data, while time intervals of several hours may have an influence for raw material data, and several days can even be used for clothing data, such as felt age.
  • a selection can be made of signals Sx that are actually provided in the first data set D1 and/or for which the signal changes ASx(tn) are determined.
  • Characteristic numerical values ZW are assigned to the signal changes ASx(tn) and combined to form rows, in particular vectors.
  • Each numerical value ZW1...ZWq belongs to a specific signal S1...Sx.
  • each row belongs to a certain disturbance time t1...tn.
  • the series R1 formed here from ZW2, ZW1, ZW3, ZWx..., for the disruption time t2, the series R2 and so on up to the series Rn for the disruption time tn.
  • the rows can be formed as some kind of vectors or ordered rows or matrices.
  • the change in the signal value in a time interval is used to determine the respective characteristic numerical value ZWx for a signal Sx. Not only the absolute change, but also the dynamics of the change, the gradient and other mathematical characteristics of the time course are taken into account. In addition, a weighting factor can also be used for different signals. For example, already known relationships can be taken into account.
  • 2b describes the segmentation of the rows into different categories and the formation of the respective predictive models.
  • the rows R1 ... Rn are examined for similarity.
  • the series are assumed to be similar if there is a substantial agreement between the characteristic numerical values ZW1 . . . ZWq contained therein.
  • This essential agreement can be achieved in particular by mathematically determining the distance. If the distance is less than a specified value, the rows become the same assigned category. The distance is determined using known mathematical methods.
  • mathematical methods for pattern recognition or segmentation can be used for segmenting the rows into different categories K1 . . . Km.
  • Rows R1...Rn recognized as similar are assigned to the same category K1...Km.
  • the number of categories K1 . . . Km can be predetermined. However, it can also be created accordingly by the evaluation algorithm. Rows that are not similar to other rows are assigned a remaining quantity L and are not further considered for the evaluation. This can be, for example, production disruptions caused by external influences that cannot be detected in the signal values. For example, when impurities come loose on the paper machine and a chunk falls into the paper web, causing a tear.
  • a predictive model P1 . . . Pm is then formed within each category by evaluating the rows assigned to the category. Artificial intelligence methods, in particular for machine learning, such as neural networks, can be used for this purpose.
  • a separate predictive model P1 ... Pm is created for each category K1 ... Km, which is a major advantage of the method and offers greater reliability.
  • the predictive models P1 . . . Pm are designed in such a way that they can each output a signifier X1 . So how high is the risk for the second data volume D2 that a production disruption of the respective category will occur.
  • the segmentation can then distinguish web breaks that are announced by fluctuations in the stock preparation or by noticeable changes in the state of the drive data of the paper machine or by changes in the moisture cross profile or by other special abnormalities in the data.
  • the schematic representation in FIG. 3 shows the course of a method for avoiding production disruptions.
  • the second data set D2 includes numerous signal values as time series Sx(t) from the current production operation. If necessary, the number of included signals can be reduced by using a process model to select only the relevant signals for the types of production disturbance that are considered.
  • Each predictive model P1...Px supplies a signifier X1...Xm, which describes the risk of failure of the respective category.
  • the signifier is a single value and is preferably between 0 and 1. The closer it is to 1, the higher the risk that a production disruption of this category will occur.
  • other standardizations for the signifier are also conceivable.
  • the particular advantage of the method according to the invention is, among other things, that a separate signifier is output for each category. This allows very good monitoring of the production process and better conclusions in the event of imminent faults.
  • Each signifier X1...Xm is now compared with the associated threshold value G1...Gm. If the threshold value G1 . . . Gm is reached or exceeded, there is a high risk that the corresponding production disruption can occur. At least the signifiers that exceed the respective threshold value are output. All signifiers X1...Xm can also be output, and those that have reached the threshold value are specially marked or highlighted.
  • One or more measures to reduce the risk of disruption can be assigned to each category of production disruption.
  • Measures M1 and M2 are assigned to category K1 and measure M2 to category K2.
  • these are proposed changes to production settings. For example, the web tension can be increased if a category with fluttering web edges has been formed. Or a change in the drainage settings in the forming section can be assigned if a category with poorer drainage of the stock has been created.
  • the measures M1 . . . Mq that are assigned to the respective category are preferably also output, at least for the signifiers that have reached the threshold value. In this way, the operator or the process control system can initiate category-specific remedial measures in a timely and targeted manner and thus more reliably avoid impending production disruptions.
  • DCS process control system
  • QCS Quality Control System

Abstract

The invention relates to a categorizing method and to a method based thereon for preventing production disruptions of a paper machine (1), in particular a web break, and to a computer program product for carrying out such a method. The following steps are carried out: 1.1 providing a first data quantity (D1) of historical signal values; 1.2.1 selecting a disruption time (t1...tn) for a plurality of the signals from the first data quantity (D1), in particular for each signal, determining the change (ΔSx…ΔSx) of each signal value during a period of time prior to the selected disruption time, and allocating a respective characteristic number value (ZW1…ZWx) to each signal change; 1.2.2 combining the individual characteristic number values (ZW1…ZWx) for the selected disruption time in order to form a series (R1…Rn); 1.3 repeating steps 1.2.1 and 1.2.2 multiple times for each additional selected disruption time (t1…tn); 1.4 segmenting the series (R1…Rn) obtained in this manner into different categories (K1…Km), each category (K1...Km) representing a type of disruption, in particular a type of web break; 1.5 outputting (A1, A2, A3, A4) the formed categories (K1...Km) and/or the series (R1...Rn) assigned to each category on a terminal (24) and/or in the DCS and/or in the QCS; and 1.6 forming a respective predictive model (P1...Pm) for each of the categories (K1...Km) in that the series (R1...Rn) assigned to each category (K1...Km) is analyzed, wherein a suitable predictive model (P1...Pm) is formed for each category, and such that the predictive models (P1...Pm) are suitable for analyzing a second data quantity (D2) of signal values as time series and for specifying a signifier for each corresponding category (K1...Km), said signifier describing a category-specific risk of disruption.

Description

Verfahren zur und Verfahren zur
Figure imgf000003_0002
von
Figure imgf000003_0001
an einer Papiermaschine, insbesondere von Bahnabrissen Procedures for and procedures for
Figure imgf000003_0002
from
Figure imgf000003_0001
on a paper machine, especially web breaks
Die Erfindung betrifft ein Verfahren zur Kategorisierung von Produktionsstörungen an einer Papiermaschine, insbesondere von Bahnabrissen und sie betrifft ein Verfahren zur Vermeidung von Produktionsstörungen an einer Papiermaschine, insbesondere von Bahnabrissen unter Verwendung eines Verfahrens zur obengenannten Kategorisierung. Weiterhin betrifft sie ein Computerprogrammprodukt zur Ausführung eines dieser Verfahren auf einer Computereinheit. The invention relates to a method for categorizing production disruptions in a paper machine, in particular web breaks, and it relates to a method for avoiding production disruptions in a paper machine, in particular web breaks, using a method for the above-mentioned categorization. Furthermore, it relates to a computer program product for executing one of these methods on a computer unit.
Als Papiermaschine werden hier alle Maschinen zur Herstellung und/oder Verarbeitung von Faserstoffbahnen angesehen, neben Maschinen zur Herstellung von Papierbahnen auch beispielsweise sogenannte Kartonmaschinen, Zellstoffmaschinen, Streichmaschinen oder Papier-Verarbeitungsmaschinen. All machines for the production and/or processing of fibrous webs are regarded here as paper machines, in addition to machines for the production of paper webs also, for example, so-called board machines, pulp machines, coating machines or paper processing machines.
Auf Papiermaschinen werden die Faserstoffbahnen, teilweise mit sehr geringer Festigkeit, durch die Maschine transportiert. Trotz hochentwickelter Anlagentechnik kommt es immer wieder zu Produktionsstörungen, wodurch die ordnungsgemäße Produktion unterbrochen wird, insbesondere zu Bahnabrissen. Dadurch entstehen unerwünschte Ausfallzeiten, was hohe Kosten verursacht. Neben Bahnabrissen kann eine Produktionsstörung auch eine Qualitätsabweichung sein, die außerhalb des zulässigen Rahmens für die Produktqualität liegt, und so zu einer Unterbrechung der ordnungsgemäßen Produktion führt. In vielen Fällen muss zudem die Papiermaschine nach einer Produktionsstörung erst aufwändig gereinigt werden, bevor die Produktion fortgesetzt werden kann. Solche Produktionsausfallzeiten verursachen hohe Kosten und müssen deshalb möglichst gering gehalten werden. Solche Störungen und insbesondere Bahnabrisse sind für die Bediener meist unvorhersehbare Ereignisse. So gibt es zwar allgemeine Maßnahmen, wie zum Beispiel regelmäßige vorbeugende Reinigung der Anlage und stabilere Regelungen, um die Störungshäufigkeit zu reduzieren, es gibt aber bisher keine zuverlässigen Verfahren, um Störungen, insbesondere Bahnabrisse vorausschauend zu vermeiden. On paper machines, the fibrous webs are transported through the machine, sometimes with very little strength. Despite the highly developed system technology, production disruptions occur again and again, which interrupts proper production, in particular web breaks. This results in unwanted downtime, which causes high costs. In addition to web breaks, a production disruption can also be a quality deviation that is outside the permissible range for product quality, thus leading to an interruption in orderly production. In many cases, the paper machine also has to be laboriously cleaned after a production disruption before production can be continued. Such production downtimes cause high costs and must therefore be kept as short as possible. Such disturbances and web breaks in particular are mostly unforeseeable events for the operator. Although there are general measures, such as regular preventative cleaning of the system and more stable controls to reduce the frequency of faults, there are no reliable methods to prevent faults, especially web breaks, in advance.
Im Stand der Technik sind Verfahren bekannt, die mit Hilfe von Datenauswertung auf eine erhöhte Abrissgefahr hinweisen. Allerdings sind diese Verfahren sehr aufwändig und noch unzuverlässig und nicht so weit entwickelt, dass dadurch die Bahnabrisse wirklich vermieden werden können. In der US 2002/0052699 A1 und in der US 2002/0038197 A1 werden beispielsweise Verfahren zur Vorhersage von Bahnabrissen an einer Papiermaschine offenbart. Mit aufwändigen Algorithmen, die u.a. auf Regressionsanalysen in Datensätzen früherer Abrisse beruhen, wird zum einen eine Abriss-Sensitivität ermittelt und zum anderen wird eine Zeit bis zum nächsten Abriss angegeben. Ziel ist bei diesem Verfahren, ein sogenanntes „predictive model“ zu erstellen, mit Hilfe dessen vor zukünftigen Abrissen gewarnt werden kann. Ein Nachteil an diesen bekannten Verfahren ist, dass sie einen hohen Aufwand zur Filterung der Daten und zur Datenbereinigung voraussetzen, bevor die Regressionsanalysen überhaupt angewandt werden können und dass sie dennoch nur ungenaue Vorhersagen ergeben. Methods are known in the prior art which use data analysis to indicate an increased risk of tearing. However, these methods are very complex and still unreliable and not developed to such an extent that web breaks can really be avoided. US 2002/0052699 A1 and US 2002/0038197 A1, for example, disclose methods for predicting web breaks on a paper machine. With complex algorithms, which are based, among other things, on regression analyzes in data sets from previous demolitions, a demolition sensitivity is determined on the one hand and a time until the next demolition is given on the other. The aim of this method is to create a so-called "predictive model" that can be used to warn of future breaks. A disadvantage of these known methods is that they require a high level of effort for filtering the data and for data cleansing before the regression analyzes can be applied at all and that they still only result in imprecise predictions.
Die Aufgabe der Erfindung ist es nun, ein Verfahren zu entwickeln, dass dazu beiträgt beziehungsweise geeignet ist, Störungen der Produktion, insbesondere Bahnabrisse an einer Papiermaschine mit höherer Wahrscheinlichkeit zu vermeiden und so zu einer höheren Produktivität der Papiermaschine führt. Weiterhin besteht die Aufgabe darin, ein entsprechendes Computerprogrammprodukt zur Ausführung dieses Verfahrens zur Verfügung zu stellen. The object of the invention is now to develop a method that contributes or is suitable to avoiding disruptions in production, in particular web breaks on a paper machine, with a higher probability and thus leading to higher productivity of the paper machine. Furthermore, the task is to provide a corresponding computer program product for carrying out this method.
Die Aufgabe wird durch ein Verfahren gemäß Anspruch 1 oder durch ein Verfahren nach Anspruch 8 gelöst. Weiterhin wird sie durch ein Computerprogrammprodukt gemäß Anspruch 7 oder nach Anspruch 13 gelöst. Weitere vorteilhafte Merkmale sind in den jeweiligen abhängigen Ansprüchen genannt. Erfindungsgemäß zeichnet sich das Verfahren nach Anspruch 1 dadurch aus, dass folgende Schritte ausgeführt werden: The object is achieved by a method according to claim 1 or by a method according to claim 8. Furthermore, it is solved by a computer program product according to claim 7 or according to claim 13. Further advantageous features are specified in the respective dependent claims. According to the invention, the method according to claim 1 is characterized in that the following steps are carried out:
1.1 Bereitstellen einer ersten Datenmenge (D1 ) von historischen Signalwerten zahlreicher verschiedener Signale (S1 ... Sx) aus einem Produktionssystem einer Papiermaschine als Zeitreihen, wobei die Signale zumindest zum Teil aus einem Prozessleitsystem (DCS), insbesondere aus einem Antriebssteuerungssystem, und zumindest zum Teil aus einem Qualitätsleitsystem (QCS) des Produktionssystems stammen. 1.1 Provision of a first data set (D1) of historical signal values of numerous different signals (S1 ... Sx) from a production system of a paper machine as time series, the signals at least partly coming from a process control system (DCS), in particular from a drive control system, and at least partly Part come from a quality control system (QCS) of the production system.
1 .2.1 Auswählen eines Störungszeitpunktes, an dem eine Produktionsstörung, insbesondere ein Bahnabriss aufgetreten ist; für eine Vielzahl der Signale aus der ersten Datenmenge, insbesondere für jedes Signal, Bestimmen der Änderung (ASx...ASz) des jeweiligen Signalwertes in einer Zeitspanne vor dem ausgewählten Störungszeitpunkt; und Zuweisen jeweils eines charakteristischen Zahlenwertes (ZW1 ...ZWx) zu jeder Signaländerung, wobei dieser Zahlenwert (ZW1 ...ZWx) umso höher ist, je signifikanter die Signaländerung ist, und wobei jeder Zahlenwert (ZW1 ...ZWx) einem Signal (S1 ... Sx) zugeordnet ist. 1 .2.1 Selecting a disruption time at which a production disruption, in particular a web break, occurred; for a large number of signals from the first data volume, in particular for each signal, determining the change (ASx...ASz) in the respective signal value in a time period before the selected fault time; and assigning a characteristic numerical value (ZW1...ZWx) to each signal change, this numerical value (ZW1...ZWx) being higher the more significant the signal change is, and each numerical value (ZW1...ZWx) being a signal (S1...Sx).
1.2.2 Zusammenfassen der einzelnen charakteristischen Zahlenwerte (ZW1 ...ZWx) für den ausgewählten Störungszeitpunkt zu einer Reihe (R1 ... Rn),1.2.2 Combining the individual characteristic numerical values (ZW1 ...ZWx) for the selected fault time into a series (R1 ... Rn),
1.3 Mehrmaliges Wiederholen der Schritte 1.2.1 und 1.2.2, jeweils für weitere ausgewählte Störungszeitpunkte (t1 ...tn), so dass weitere Reihen (R1... Rn) von charakteristischen Zahlenwerten (ZW1 ...ZWx), zu den jeweiligen Störungszeitpunkten zugeordnet, gebildet werden. 1.3 Repeating steps 1.2.1 and 1.2.2 several times, each for further selected fault times (t1 ... tn), so that further rows (R1 ... Rn) of characteristic numerical values (ZW1 ... ZWx) to the assigned to the respective fault times.
1.4 Segmentieren der so erhaltenen Reihen (R1 ... Rn) in verschiedene Kategorien (K1 ... Km), indem ähnliche Reihen (R1 ... Rn) jeweils derselben Kategorien (K1 ... Km) zugeordnet werden, wobei Reihen (R1 ... Rn) als ähnlich angesehen werden, wenn sie in den charakteristischen Zahlenwerten (ZW1 ...ZWx) wesentliche Übereinstimmung aufweisen; jede Kategorie (K1... Km) repräsentiert dabei eine Art von Produktionsstörung, insbesondere eine Art von Bahnabriss. Insbesondere werden Reihen, die zu keiner Kategorie zugeordnet werden können, einer Restmenge zugeschlagen. 1 .5 Ausgabe der gebildeten Kategorien (K1 ... Km) und/oder der für die jeweilige Kategorie zugeordneten Reihen (R1... Rn) auf ein Endgerät (24) und/oder im DCS und/oder QCS. 1.4 Segment the rows (R1...Rn) thus obtained into different categories (K1...Km) by assigning similar rows (R1...Rn) to the same categories (K1...Km) respectively, where rows ( R1 ... Rn) are considered to be similar if they show significant agreement in the characteristic numerical values (ZW1 ... ZWx); each category (K1... Km) represents a type of production disruption, in particular a type of web break. In particular, rows that cannot be assigned to any category are added to a remaining quantity. 1 .5 Output of the categories formed (K1 ... Km) and/or the rows (R1 ... Rn) allocated for the respective category to a terminal (24) and/or in the DCS and/or QCS.
1 .6 Bilden jeweils eines Prädiktiven Modells (P1 ... Pm) für jede der Kategorien (K1 ... Km), indem die der jeweiligen Kategorie (K1 ... Km) zugeordneten Reihen (R1 ... Rn) ausgewertet werden, wobei für jede Kategorie ein eigenes Prädiktives Modell (P1 ... Pm) gebildet wird, derart dass die Prädiktiven Modelle (P1 ... Pm) geeignet sind, eine zweite Datenmenge von Signalwerten als Zeitreihen auszuwerten und jeweils für die zugehörige Kategorie (K1..Km) einen Signifikator anzugeben, der ein kategorie-spezifisches Störungsrisiko beschreibt. 1 .6 Forming a predictive model (P1 ... Pm) for each of the categories (K1 ... Km) by evaluating the rows (R1 ... Rn) assigned to the respective category (K1 ... Km). , with a separate predictive model (P1 ... Pm) being formed for each category, such that the predictive models (P1 ... Pm) are suitable for evaluating a second data set of signal values as time series and for the associated category (K1 ..Km) to specify a signifier that describes a category-specific risk of disruption.
Die Schritte müssen dabei nicht notwendigerweise in der angegebenen Reihenfolge ausgeführt werden, sondern können auch in veränderter Reihenfolge durchgeführt werden. Zudem können einzelne Schritte auch parallel ausgeführt werden. The steps do not necessarily have to be carried out in the order given, but can also be carried out in a different order. In addition, individual steps can also be executed in parallel.
Insbesondere können die Wiederholungen der Schritte 1.2.1 und 1.2.2 bereits parallel zur ersten Ausführung erfolgen und müssen nicht nacheinander ausgeführt werden. In particular, steps 1.2.1 and 1.2.2 can be repeated in parallel with the first execution and do not have to be executed one after the other.
Ein wesentlicher Vorteil des erfindungsgemäßen Verfahrens ist, dass damit gleichartige Produktionsstörungen als solche erkannt und zu einer Kategorie zusammengefasst werden. Zusätzlich wird für jede Kategorie von Produktionsstörung jeweils ein eigenes Prädiktives Modell gebildet, das einen Signifikator für das kategorie-spezifische Störungsrisiko angeben kann. Das Produktionsleitsystem (DCS) beziehungsweise der Bediener bekommt so wichtige Hinweise zur verbesserten Einstellung der Produktionsparameter, indem für jede Kategorie von Produktionsstörung, insbesondere für jede Art von Bahnabriss, ein eigenes Eintrittsrisiko ermittelt werden kann. Das trägt dazu bei, zukünftige Produktionsstörungen durch rechtzeitige Änderung der Produktionseinstellungen zu verhindern. Insbesondere bietet das Verfahren die Möglichkeit, Daten des Produktionssystems ohne aufwändige Synchronisierung und ohne aufwändige Datenbereinigung zu verwenden. Für die Kategorisierung nicht nötige oder nicht brauchbare Signalwerte werden einfach nicht weiterverwendet. Insbesondere können sie einer Restmenge zugeordnet werden. A significant advantage of the method according to the invention is that it allows production faults of the same type to be recognized as such and combined into one category. In addition, a separate predictive model is created for each category of production disruption, which can indicate a signifier for the category-specific disruption risk. The production control system (DCS) or the operator thus receives important information on how to improve the setting of the production parameters, since a separate risk of occurrence can be determined for each category of production disruption, in particular for each type of web break. This helps prevent future production disruptions by changing production settings in a timely manner. In particular, the method offers the possibility of using data from the production system without complex synchronization and without complex data cleansing. Not necessary for the categorization or not usable signal values are simply not reused. In particular, they can be assigned to a remaining amount.
Die Signale, die in der ersten Datenmenge aus dem Produktionssystem bereitgestellt werden, können beispielsweise von Sensoren oder Messeinrichtungen stammen, sie können Steuersignale oder Zustandswerte von Motoren oder Ventilen sein oder sie können insbesondere Istwerte oder Sollwerte von Regelkreisen sein. Weiterhin können Signale auch Zustandswerte sein, die im System verfügbar sind und diskontinuierlich bestimmten Zeitpunkten zugeordnet werden, wie beispielsweise Laborwerte zu Papiertambouren oder die Laufzeit von Bespannungen. Und die Signale können auch Bilddaten oder Daten, die aus Bilder bestimmt wurden, oder Akustikdaten sein. Dabei können diese Signalwerte auch aus mehreren Prozessleitsystemen (DCS) und aus mehreren Qualitätsleitsystemen des Produktionssystems stammen. Dadurch, dass Signale nicht nur aus einem DCS sondern auch aus einem QCS verwendet werden, werden auch Qualitätsänderungen erkannt, was die Segmentierung in verschiedene Kategorien und die Modellbildung deutlich verbessert. Beispielsweise können Qualitätsänderungen auf Veränderungen der Rohstoffqualität oder auf fehlerhafte Produktionseinstellungen hinweisen, die das Störungsrisiko erhöhen. The signals that are provided in the first data set from the production system can come from sensors or measuring devices, for example, they can be control signals or status values from motors or valves, or they can be actual values or setpoint values from control loops. Furthermore, signals can also be state values that are available in the system and are discontinuously assigned to specific points in time, such as laboratory values for paper reels or the running time of fabrics. And the signals can also be image data or data determined from images, or acoustic data. These signal values can also originate from several process control systems (DCS) and from several quality control systems of the production system. Because signals are used not only from a DCS but also from a QCS, quality changes are also detected, which significantly improves segmentation into different categories and model building. For example, quality changes can indicate changes in raw material quality or incorrect production settings that increase the risk of disruption.
Die Bereitstellung der Daten kann zum Beispiel durch Einlesen oder Übertragen oder Speichern der Daten erfolgen. The data can be made available, for example, by reading in or transferring or storing the data.
Als Produktionssystem angesehen wird die Papiermaschine mit der dazugehörigen Stoffaufbereitung, Rohstoffvorbereitung und Rohstoffzuführung und der vorhandenen Weiterverarbeitung, sowie mit vorhandenen Nebenaggregaten und Laboren. Oder ein Teil davon. The paper machine with the associated stock preparation, raw material preparation and raw material supply and the existing further processing, as well as the existing ancillary units and laboratories, is regarded as a production system. Or part of it.
Die erste Datenmenge kann insbesondere alle oder einen Großteil der verfügbaren Signale des Produktionssystems umfassen. Verbessert werden kann die Effizienz des Verfahrens, wenn über ein Prozessmodell die Anzahl der Signale bereits reduziert wird, die in der ersten Datenmenge bereitgestellt wird. Dazu können beispielsweise Korrelationen zwischen Signalen ausgewertet werden und/oder es können nur die Signale verwendet werden, die für die zu kategorisierenden Produktionsstörungen relevant sind. In particular, the first data volume can include all or a large part of the available signals of the production system. The efficiency of the method can be improved if the number of signals provided in the first data volume is already reduced via a process model. For this purpose, for example, correlations between signals can be evaluated and/or it Only the signals that are relevant to the production disruptions to be categorized can be used.
Als historische Signalwerte werden hier Signalwerte bezeichnet, die die Produktion in einem gewissen Zeitraum in der Vergangenheit beschreiben. Beispielsweise über mehrere Wochen oder Monate hinweg. Die Daten können aus einem Datenspeicher des Produktionssystems stammen oder gezielt über einen gewissen Zeitraum aufgenommen werden. Signal values that describe the production in a certain period of time in the past are referred to as historical signal values. For example, over several weeks or months. The data can originate from a data memory of the production system or can be specifically recorded over a certain period of time.
Das Auswahlen der Störungszeitpunkte, an dem eine Produktionsstörung, insbesondere ein Bahnabriss aufgetreten ist, kann über eine manuelle Eingabe oder eine Eingabe von Listen mit Störungszeitpunkten erfolgen. Bevorzugt kann dieses Auswahlen automatisiert im Verfahren erfolgen, indem ein einzelnes oder mehrere Signale aus der ersten Datenmenge als Erkennung für eine Störung verwendet werden. Beispielsweise kann ein Störungssensor, insbesondere ein Abrisssensor oder ein Qualitätssensor dafür verwendet werden. Es können auch Signale, die indirekt mit der Produktionsstörung gekoppelt sind, verwendet werden, wie beispielsweise Drehzahlen bestimmter Antriebe oder Pumpen oder etwa Spritzrohre an einem Pulper, die bei Abriss aktiviert werden. The disruption times at which a production disruption, in particular a web break, occurred can be selected by manual input or by entering lists of disruption times. This selection can preferably take place automatically in the method by using a single signal or a plurality of signals from the first data volume as a detection for a fault. For example, a fault sensor, in particular a breakage sensor or a quality sensor, can be used for this. Signals that are indirectly coupled to the production disruption can also be used, such as the speeds of certain drives or pumps or spray pipes on a pulper, which are activated in the event of a break.
Die Zuweisung des charakteristischen Zahlenwertes zu einer Signaländerung kann über einen Algorithmus, insbesondere unterstützt durch Methoden der Künstlichen Intelligenz, erfolgen. Für die Bewertung der Relevanz einer Signaländerung können für verschiedene Signale auch verschieden lange Zeitintervalle vor dem betrachteten Störungszeitpunkt verwendet werden. Insbesondere werden bei der Zuweisung nicht nur die Größe der Änderung, sondern auch die Dynamik der Änderung, der Gradient der Änderung oder weitere aus dem Zeitverlauf ableitbare Größen berücksichtigt. Zusätzlich kann noch jeweils ein Gewichtungsfaktor für ein Signal bei der Zuweisung der charakteristischen Zahlenwerte verwendet werden. Die Gewichtungsfaktoren können bevorzugt aus einem Prozessmodell generiert werden, welches die Korrelationen zwischen verschiedenen Signalen berücksichtigt. Jeder charakteristische Zahlenwert bildet die Änderung eines bestimmten Signals ab und ist diesem auch eindeutig zugeordnet. Die Reihen von charakteristischen Zahlenwerten beschreiben jeweils die Zustandsänderung des Produktionssystems vor einer Störung. Dabei können die Reihen eine Art von Vektoren oder geordnete Listen oder Matrizen sein. The characteristic numerical value can be assigned to a signal change using an algorithm, supported in particular by methods of artificial intelligence. To evaluate the relevance of a signal change, time intervals of different lengths before the observed disturbance time can also be used for different signals. In particular, not only the size of the change, but also the dynamics of the change, the gradient of the change or other variables that can be derived from the course of time are taken into account in the assignment. In addition, a weighting factor for a signal can be used when assigning the characteristic numerical values. The weighting factors can preferably be generated from a process model that takes into account the correlations between different signals. Each characteristic numerical value represents the change in a specific signal and is also uniquely assigned to it. The series of characteristic numerical values each describe the state change of the production system before a disruption. The rows can be some kind of vectors or ordered lists or matrices.
Für die Bestimmung der wesentlichen Übereinstimmung der charakteristischen Zahlenwerten in Reihen (R1...Rn) können verschiedenen Übereinstimmungskriterien herangezogen werden. Insbesondere werden dazu mathematische Verfahren zur Abstandsberechnung zwischen den Reihen verwendet. Solche mathematischen Verfahren sind allgemein bekannt. Bei geringem Abstand, das heißt bei wesentlicher Übereinstimmung, werden die Reihen derselben Kategorie zu geordnet. Gleichartige Änderungen bestimmter Signale und/oder Änderungen der gleichen Signale führen somit dazu, dass Reihen zu einer Kategorie zusammengefasst werden. Das heißt, es werden Störungen zusammengefasst, bei denen gleichartige Zustandsänderungen vor der Störung aufgetreten sind. Various match criteria can be used to determine the essential match of the characteristic numerical values in rows (R1...Rn). In particular, mathematical methods for calculating the distance between the rows are used for this purpose. Such mathematical methods are well known. If the distance is small, i.e. if there is a substantial match, the rows are assigned to the same category. Similar changes in certain signals and/or changes in the same signals thus result in rows being combined into one category. This means that faults are grouped together in which similar status changes occurred before the fault.
Die Bestimmung der Ähnlichkeit zwischen Reihen aus charakteristischen Zahlenwerten kann bevorzugt mit Hilfe Methoden der künstlichen Intelligenz zur Mustererkennung oder zur Segmentierung erfolgen. The similarity between rows of characteristic numerical values can preferably be determined using methods of artificial intelligence for pattern recognition or for segmentation.
Optional kann die Anzahl von Kategorien vorgegeben werden, in die segmentiert werden soll. Dabei kann beispielsweise das Kriterium für die Übereinstimmung angepasst werden, derart dass die gewünschte Anzahl von Kategorien entsteht. Optionally, the number of categories into which the segmentation is to be made can be specified. In this case, for example, the criterion for the match can be adjusted in such a way that the desired number of categories is created.
Von Vorteil ist es, wenn mindestens 5 verschiedene, bevorzugt mindestens 10 verschiedene Kategorien von Produktionsstörungen, insbesondere von Bahnabrissen verwendet werden. So kann feinteilig genug zwischen unterschiedlichen Gründen für eine Produktionsstörung unterschieden werden. Bei zu wenigen Kategorien wären die zugehörigen Reihen noch immer so verschieden, dass kein zuverlässiges Prädiktives Modell gebildet werden kann. Oder es würden zu viele Reihen der Restmenge zugordnet und würden für die Auswertung nicht herangezogen. Weiterhin ist es von Vorteil, wenn höchstens 20 verschiedene, bevorzugt höchstens 30 verschiedene Kategorien von Produktionsstörungen, insbesondere von Bahnabrissen verwendet werden. Dadurch wird vermieden, dass zu kleine Kategorien mit zu wenigen zugehörigen Reihen gebildet werden, deren Auswertung unzuverlässigere Prädiktive Modelle ergeben würde. It is advantageous if at least 5 different, preferably at least 10 different, categories of production disruptions, in particular web breaks, are used. In this way, a finely divided distinction can be made between different reasons for a production disruption. With too few categories, the associated series would still be so different that no reliable predictive model can be formed. Or too many rows would be assigned to the remaining quantity and would not be used for the evaluation. Furthermore, it is advantageous if at most 20 different, preferably at most 30 different, categories of production disturbances, in particular web breaks, are used. This avoids the formation of categories that are too small with too few associated series, the evaluation of which would result in less reliable predictive models.
Um den Rechenaufwand zu reduzieren und die Qualität der Prädiktiven Modelle zu verbessern, können beim Zusammenfassen der charakteristische Zahlenwerte zu Reihen und/oder bei der Bestimmung der Ähnlichkeit zwischen Reihen bevorzugt nur ein Teil der charakteristischen Zahlenwerte, also nur ein Teil der zugrundeliegenden Signale verwendet werden. Welche charakteristischen Zahlenwerte und damit welche Signale verwendet werden, kann über ein Prozessmodell, wie oben beschrieben, festgelegt werden. In order to reduce the computational effort and to improve the quality of the predictive models, preferably only part of the characteristic numerical values, i.e. only part of the underlying signals, can be used when combining the characteristic numerical values into rows and/or when determining the similarity between rows. Which characteristic numerical values and thus which signals are used can be specified via a process model, as described above.
Bevorzugt werden im Verfahren zu jeder Kategorie (K1 ... Km) von Produktionsstörung eine oder mehrere Maßnahmen (M1... Mq) zugeordnet und abgespeichert, wobei die Maßnahmen jeweils eine Änderung der Produktionseinstellungen darstellen, derart dass eine Reduzierung des entsprechenden Störungsrisikos der Kategorie zu erwarten ist. So wird nicht nur eine Kategorie dargestellt, sondern zusätzlich auch eine oder mehrere Abhilfemaßnahmen zur Reduzierung des Eintrittsrisikos dieser Art von Produktionsstörung. In the method, one or more measures (M1 ... Mq) are preferably assigned to each category (K1 ... Km) of production disruption and stored, with the measures each representing a change in the production settings such that a reduction in the corresponding risk of disruption in the category is to be expected. In this way, not only a category is shown, but also one or more remedial measures to reduce the risk of occurrence of this type of production disruption.
Als Endgerät für die Ausgabe kann ein beliebiges Anzeigegerät oder Speichergerät dienen. Die Ausgabe kann auch im DCS und/oder im QCS erfolgen. Die Ausgabe kann direkt angezeigt werden oder für eine spätere Anzeige oder Verwendung abrufbar hinterlegt werden. Es ist vorteilhaft, wenn die zu einer jeweiligen Kategorie zugehörigen, vorgeschlagenen Maßnahmen zur Reduzierung des Eintrittsrisikos ebenfalls ausgeben werden. Any display device or storage device can serve as the end device for the output. The output can also take place in the DCS and/or in the QCS. The output can be displayed directly or stored for later display or use. It is advantageous if the proposed measures for reducing the risk of occurrence associated with a particular category are also output.
Die Bildung der Prädiktiven Modelle erfolgt mit mathematischen Methoden. Zielwert für diese Modelle ist jeweils ein sogenannter Signifikator. Dieser soll für eine zweite Datenmenge von Signalwerten als Zahlenreihen aus einer aktuellen Produktion mit Hilfe des jeweiligen Prädiktiven Modells bestimmt werden können. Wobei der Signifikator einen Wert darstellt, der das Störungsrisiko in der entsprechenden Kategorie beschreibt. Beispielsweise kann der Signifikator ein einziger Zahlenwert sein und insbesondere zwischen 0 und 1 liegen. Je näher er an 1 kommt, umso wahrscheinlicher wird der Eintritt einer Produktionsstörung, insbesondere eines Bahnabrisses, dieser entsprechenden Kategorie. The formation of the predictive models takes place with mathematical methods. The target value for these models is a so-called signifier. This should be used for a second data set of signal values as rows of numbers from a current production can be determined using the respective predictive model. Where the signifier represents a value that describes the risk of disruption in the corresponding category. For example, the signifier can be a single numerical value and in particular can be between 0 and 1. The closer it comes to 1, the more likely it is that a production disruption will occur, in particular a web break, in this category.
Bevorzugt werden die Prädikativen Modelle mit Hilfe von Methoden des maschinellen Lernens, insbesondere Neuronaler Netze erstellt. The predictive models are preferably created using machine learning methods, in particular neural networks.
Weitere Produktionsstörungen, die neben Bahnabrissen mit diesem Verfahren kategorisiert werden können, sind beispielsweise Qualitätsabweichungen, also dass bestimmte Qualitätsparameter außerhalb der Spezifikation liegen. Das können unter anderem Flächengewichtsschwankungen, Feuchteschwankungen, optische oder papiertechnisches Qualitätsparameter sein. Auch hierbei wird die ordnungsgemäße Produktion unterbrochen, wenn die entsprechenden Qualitätsparameter außerhalb der zulässigen Grenzen für das Produkt liegen. Other production disruptions that can be categorized with this method, in addition to web breaks, are, for example, quality deviations, i.e. that certain quality parameters are outside of the specification. These can include basis weight fluctuations, moisture fluctuations, optical or paper-related quality parameters. Here, too, proper production is interrupted if the relevant quality parameters are outside the permissible limits for the product.
Erfindungsgemäß zeichnet sich das Verfahren zur Vermeidung von Produktionsstörungen nach Anspruch 8 dadurch aus, dass folgende Schritte ausgeführt werden: According to the invention, the method for avoiding production disruptions according to claim 8 is characterized in that the following steps are carried out:
8.1 Bereitstellen von Kategorien (K1..Km), gebildet unter Verwendung eines Verfahrens gemäß einem der Ansprüche 1 bis 6, mit jeweils einem zugehörigen Prädiktivem Modell (P1 ... Pm). 8.1 Provision of categories (K1..Km), formed using a method according to any one of claims 1 to 6, each with an associated predictive model (P1 ... Pm).
8.2 Bereitstellen einer zweiten Datenmenge (D2) von aktuellen Signalwerten zahlreicher verschiedener Signale (S1 ... Sx) aus einem Produktionssystem (10) einer Papiermaschine als Zeitreihen. 8.2 Providing a second data set (D2) of current signal values of numerous different signals (S1 ... Sx) from a production system (10) of a paper machine as time series.
8.3 Bestimmen von jeweils einem Signifikator (X1 ...Xm) für jede der Kategorien (K1 ... Km), indem die zweite Datenmenge (D2) jeweils mit den verschiedenen Prädiktiven Modelle (P1 ... Pm) für die verschiedenen Kategorien ausgewertet wird, wobei jeder Signifikator (X1 ...Xm) jeweils ein kategorie-spezifisches Störungsrisiko beschreibt. 8.4 Ausgabe (A1 ,A2,A3,A4) zumindest derjenigen Signifikatoren (X1 ...Xm), die einen zugehörigen Schwellwert (G1 ... Gm) erreichen oder überschreiten, auf ein Endgerät (24) und/oder im DCS (20) und/oder im QCS (21 ). 8.3 Determining a signifier (X1...Xm) for each of the categories (K1...Km) by evaluating the second data volume (D2) with the different predictive models (P1...Pm) for the different categories where each signifier (X1...Xm) describes a category-specific risk of disruption. 8.4 Output (A1,A2,A3,A4) of at least those signifiers (X1...Xm) that reach or exceed an associated threshold value (G1...Gm) to a terminal (24) and/or in the DCS (20th ) and/or in the QCS (21 ).
8.5 Wiederholen der Schritte 8.2 bis 8.4 zu einem weiteren Zeitpunkt, um die Produktion laufend zu überwachen. Diese Wiederholung kann bevorzugt immer wieder in kurzen Abständen erfolgen. 8.5 Repeat steps 8.2 to 8.4 at another point in time to continuously monitor production. This repetition can preferably take place again and again at short intervals.
Ein wesentlicher Vorteil der erfindungsgemäßen Ausführung des Verfahrens ist, dass die aktuelle, die laufende Produktion überwacht wird und sich anbahnende Produktionsstörungen rechtzeitig erkannt und eindeutig einer Kategorie von Produktionsstörungen zugeordnet werden. Das ist möglich durch die kategoriespezifische Ausgabe des jeweiligen Störungsrisikos. An essential advantage of the implementation of the method according to the invention is that the current, ongoing production is monitored and imminent production disruptions are recognized in good time and clearly assigned to a category of production disruptions. This is possible through the category-specific output of the respective risk of disruption.
Die Schritte müssen dabei nicht alle notwendigerweise in der angegebenen Reihenfolge ausgeführt werden, sondern können auch in veränderter Reihenfolge durchgeführt werden. Zudem können einzelne Schritte auch parallel ausgeführt werden. Die oben bereits beschriebenen Merkmale zur Ausführung einzelner Schritte und zu den Daten des Verfahrens zur Kategorisierung können auch in den hier genannten Schritten vorteilhaft angewandt werden, ohne dass sie nochmals explizit aufgezählt werden. Genauso können die nachfolgend beschriebenen Merkmale zur Ausführung auch vorteilhaft für das Verfahren zur Kategorisierung eingesetzt werden. The steps do not necessarily all have to be carried out in the specified order, but can also be carried out in a different order. In addition, individual steps can also be executed in parallel. The features already described above for carrying out individual steps and for the data of the method for categorization can also be used advantageously in the steps mentioned here, without them being explicitly listed again. In exactly the same way, the features described below for execution can also be used advantageously for the method for categorization.
Unter aktuellen Signalwerten werden die Daten aus der aktuellen Produktion verstanden. Das sind nicht nur die Istwerte direkt zum aktuellen Zeitpunkt, sondern auch die Signalwerte aus der etwas zurückliegenden Produktion, das heißt aus einem Zeitraum von einige Stunden oder einigen Tagen vor dem aktuellen Zeitpunkt. Nur so können die Signalwerte als Zeitreihen erfasst und damit Zustandsveränderungen des Systems bewertet werden. The current signal values mean the data from the current production. These are not only the actual values at the current time, but also the signal values from production that was a little earlier, i.e. from a period of a few hours or a few days before the current time. This is the only way to record the signal values as time series and thus evaluate changes in the system's status.
Für die Bereitstellung der zweiten Datenmenge kann bevorzugt, wie beim Bereitstellen der ersten Datenmenge, ein Prozessmodell zur Reduktion der Anzahl von benötigten Signalen verwendet werden. Besonders bevorzugt enthält die zweite Datenmenge die Signalwerte der gleichen Signale, die in der ersten Datenmenge ebenfalls enthalten waren. Besonders bevorzugt enthält die zweite Datenmenge die Signalwerte der Signale, die zumindest in einem Prädiktiven Modell einer der gebildeten Kategorien verwendet werden. As with the provision of the first data volume, a process model for reducing the number of required signals can preferably be used for the provision of the second volume of data. Particularly preferably contains the second data set the signal values of the same signals that were also included in the first data set. The second data volume particularly preferably contains the signal values of the signals that are used at least in a predictive model of one of the categories formed.
Die Auswertung der zweiten Datenmenge mit Hilfe der jeweiligen Prädiktiven Modelle kann wiederum mit Methoden des maschinellen Lernens erfolgen. Zielwert der Auswertungen ist jeweils ein Signifikator für jede Kategorie. Dabei gibt der Signifikator das aktuelle Störungsrisiko für eine bestimmte Kategorie an, basierend auf der zweiten Datenmenge mit Signalwerten aus der aktuellen Produktion. Je höher das entsprechende aktuelle Störungsrisiko, desto wahrscheinlicher ist der Eintritt einer Produktionsstörung der jeweiligen Kategorie. The evaluation of the second data volume using the respective predictive models can in turn be carried out using machine learning methods. The target value of the evaluations is a signifier for each category. The signifier indicates the current risk of disruption for a certain category, based on the second data set with signal values from the current production. The higher the corresponding current disruption risk, the more likely it is that a production disruption will occur in the respective category.
Insbesondere ist der Signifikator genau ein Wert. Vorteilhafterweise sind die Signifikatoren so normiert, dass sie Werte zwischen 0 und 1 annehmen. Je näher der Signifikator an 1 ist, umso höher ist das Störungsrisiko dieser Kategorie. In particular, the signifier is exactly one value. The signifiers are advantageously normalized in such a way that they assume values between 0 and 1. The closer the signifier is to 1, the higher the risk of interference in this category.
Zu jedem Signifikator kann ein Schwellwert festgelegt werden. Dabei können verschiedene Schwellwerte für verschiedene Kategorien festgelegt werden. Wenn der Signifikator den Schwellwert der dazugehörigen Kategorie erreicht oder überschritten hat, erfolgt eine Ausgabe des Signifikators. Dadurch wird auf ein erhöhtes Störungsrisiko in der entsprechenden Kategorie hingewiesen. Es können auch alle Signifikatoren ausgegeben werden, und beispielsweise die Signifikatoren besonders hervorgehoben werden, die den Schwellwert erreicht haben. Weiterhin kann die zeitliche Entwicklung der Signifikatoren ausgegeben werden, so lässt sich die Entwicklung der Störungsrisiken für die verschiedenen Kategorien zur aktuellen Produktion beobachten. A threshold value can be defined for each signifier. Different threshold values can be defined for different categories. If the signifier has reached or exceeded the threshold value of the associated category, the signifier is output. This indicates an increased risk of interference in the corresponding category. All signifiers can also be output, and, for example, the signifiers that have reached the threshold value can be highlighted. Furthermore, the development of the signifiers over time can be output, so the development of the disruption risks for the various categories of the current production can be observed.
Ganz besonders vorteilhaft ist es, wenn in Schritt 8.2 und 8.3 nicht nur die Zeitreihen der Signalwerte, sondern auch Signaländerungen in einem Zeitintervall und/oder der Gradient und/oder andere abgeleitete Größen der Signalwerte-Zeitreihen verwendet werden. Weiterhein vorteilhaft ist es, wenn in Schritt 8.4 zusätzlich Maßnahmen, welche der Kategorie zugeordnet sind, zu der ein Signifikator den Schwellwert erreicht oder überschritten hat, ausgegeben werden. It is particularly advantageous if, in steps 8.2 and 8.3, not only the time series of the signal values but also signal changes in a time interval and/or the gradient and/or other derived variables of the signal value time series are used. It is also advantageous if, in step 8.4, additional measures that are assigned to the category for which a signifier has reached or exceeded the threshold value are output.
Der zusätzliche Vorteil ist, dass der Bediener direkt auf die jeweilige Situation passende Vorschläge zur Veränderung der laufenden Produktion bekommt. Wobei für jede Kategorie von Produktionsstörung getrennt, das momentane Störungsrisiko und geeignete Abhilfemaßnahmen angegeben werden. So kann durch rechtzeitiges und vor allem gezieltes Verändern der Produktionseinstellungen eine Vielzahl von Produktionsstörungen, insbesondere von Bahnabrissen vermieden werden. The additional advantage is that the operator receives suitable suggestions for changing the current production directly for the respective situation. The current risk of disruption and suitable remedial measures are given separately for each category of production disruption. By changing the production settings in a timely and, above all, targeted manner, a large number of production disruptions, in particular web breaks, can be avoided.
Um das Verfahren zu verbessern und an veränderte Produktionsbedingungen anpassen zu können, ist es von Vorteil wenn eine oder mehrere Wiederholungen des Schrittes 8.1 vorgesehen werden, um nach einer gewissen Produktionszeit die Kategorien und/oder die Prädiktiven Modelle und/oder die Maßnahmen zu aktualisieren. In order to improve the method and to be able to adapt it to changed production conditions, it is advantageous if one or more repetitions of step 8.1 are provided in order to update the categories and/or the predictive models and/or the measures after a certain production time.
Weiterhin wird die Aufgabe durch ein Computerprogrammprodukt zur Ausführung eines der erfindungsgemäßen Verfahren auf einer Computereinheit gelöst. Diese Computereinheit kann dabei eine selbständige Einheit oder ein separater Computer sein, sie kann auch ein Teil eines Prozessleitsystems (DCS) oder eines Qualitätsleitsystems (QCS) sein. Furthermore, the object is achieved by a computer program product for executing one of the methods according to the invention on a computer unit. This computer unit can be an independent unit or a separate computer, it can also be part of a process control system (DCS) or a quality control system (QCS).
Anhand von Ausführungsbeispielen werden weitere vorteilhafte Merkmale der Erfindung erläutert unter Bezugnahme auf die Zeichnungen. Further advantageous features of the invention are explained on the basis of exemplary embodiments with reference to the drawings.
Fig.1 Schematische Darstellung eines Produktionssystems mit einer Papiermaschine und dazugehöriger Steuer- und Regelsysteme sowie mit einer Computereinheit zur Durchführung eines erfindungsgemäßen Verfahrens 1 Schematic representation of a production system with a paper machine and associated control and regulation systems and with a computer unit for carrying out a method according to the invention
Fig.2a/b Symbolische Darstellung eines erfindungsgemäßen Verfahrens zur Klassifizierung von Produktionsstörungen Fig.3 Symbolische Darstellung einer erfindungsgemäßen Verfahrens zur Vermeidung von Produktionsstörungen 2a/b Symbolic representation of a method according to the invention for classifying production faults 3 Symbolic representation of a method according to the invention for avoiding production disruptions
Die Fig.1 zeigt das Produktionssystem 10 mit der Papiermaschine 1 , mit der Stoffaufbereitung 2 und der Weiterverarbeitung 3. Die Papiermaschine 1 ist eine Maschine zur Herstellung und/oder Verarbeitung von Faserstoffbahnen, insbesondere eine Maschine zur Herstellung von Papier- oder Kartonbahnen, beispielsweise eine sogenannte Kartonmaschine, oder eine Zellstoffmaschine, eine Streichmaschine oder eine Papier-Verarbeitungsmaschine. Die Weiterverarbeitung 3 kann eine Aufrollung, eine Umrollung oder Rollenschneidmaschine oder eine Verpackungsmaschine sein. Sie kann insbesondere auch eine Streichmaschine oder Papier-Verarbeitungsmaschine sein, wenn die Papiermaschine eine Maschine zur Herstellung von Papier- oder Kartonbahnen ist. Stoffaufbereitung 2, Papiermaschine 1 und Weiterverarbeitung 3 können zudem noch aus mehreren Teilsystemen bestehen. Weiterhin umfasst das Produktionssystem 10 die Nebenaggregate 4,5 und gegebenenfalls Labore, sowie zumindest das Prozessleitsystem (DCS) 20 und zumindest das Qualitätsleitsystem (QCS) 21. 1 shows the production system 10 with the paper machine 1, with the stock preparation 2 and the further processing 3. The paper machine 1 is a machine for the production and/or processing of fibrous webs, in particular a machine for the production of paper or cardboard webs, for example a so-called cardboard machine, or a pulp machine, a coating machine or a paper processing machine. The further processing 3 can be a reeling, a re-reeling or a slitting machine or a packaging machine. In particular, it can also be a coating machine or paper processing machine if the paper machine is a machine for producing paper or cardboard webs. Stock preparation 2, paper machine 1 and further processing 3 can also consist of several subsystems. Furthermore, the production system 10 includes the ancillary units 4.5 and possibly laboratories, as well as at least the process control system (DCS) 20 and at least the quality control system (QCS) 21.
Die verschieden Signale Sx des Produktionssystems 10 werden im Prozessleitsystem (DCS) 20 und im Qualitätsleitsystem (QCS) 21 empfangen, verarbeitet und geregelt, um das Produktionssystem wie im Stand der Technik bekannt zu steuern. The various signals Sx of the production system 10 are received, processed and regulated in the process control system (DCS) 20 and in the quality control system (QCS) 21 in order to control the production system as is known in the prior art.
Um das Verfahren zur Kategorisierung von Produktionsstörungen auszuführen, wird die erste Datenmenge D1 , umfassend Signalwerte von verschiedenen Signalen Sx als Zeitreihen Sx(t), auf eine Computereinheit 22 übertragen. Gegebenenfalls können diese Signalwerte zuvor auf einem Datenspeicher 23 gespeichert werden und bei Bedarf abgerufen werden. Die erste Datenmenge D1 umfasst dabei historische Signalwerte, die einen Zeitraum beschreiben, in dem zumindest mehrere Produktionsstörungen aufgetreten sind. Üblicherweise werden Signalwerte aus einem Zeitraum von mehreren Wochen oder mehreren Monaten verwendet. Die Computereinheit 22 kann ein separater Computer sein oder ein Teil des DCS oder des QCS sein. In order to carry out the method for categorizing production disturbances, the first data volume D1, comprising signal values of different signals Sx as time series Sx(t), is transmitted to a computer unit 22. If necessary, these signal values can be stored beforehand on a data memory 23 and can be retrieved as required. The first data set D1 includes historical signal values that describe a period of time in which at least a number of production disruptions occurred. Signal values from a period of several weeks or several months are usually used. The computer unit 22 can be a separate computer or part of the DCS or the QCS.
Das Verfahren zur Kategorisierung von Produktionsstörungen wird auf der Computereinheit 22 ausgeführt und die Ergebnisse werden ausgegeben. Ergebnisse sind hier insbesondere die ermittelten Kategorien K1 ... Km und/oder die gebildeten Prädiktiven Modelle P1 ... Pm für die verschiedenen Kategorien. Die Ausgabe kann auf verschiedene Geräte erfolgen. So kann die Ausgabe A1 zum DCS 20 übermittelt werden und/oder die Ausgabe A2 zum QCS und/oder die Ausgabe A3 zum Endgerät 24. Das Endgerät 24 kann ein Bildschirm oder auch ein weiterer Computer, insbesondere zum Beispiel ein Tablet sein. Vom Endgerät 24 kann eine weitere Ausgabe A4 zum QCS oder auch eine Ausgabe zum DCS erfolgen. The process for categorizing production disturbances is carried out on the computer unit 22 and the results are output. Results here are in particular the determined categories K1 . . . Km and/or the predictive models P1 . . . Pm formed for the various categories. The output can be done on different devices. The output A1 can be transmitted to the DCS 20 and/or the output A2 to the QCS and/or the output A3 to the terminal 24. The terminal 24 can be a screen or another computer, for example a tablet. A further output A4 to the QCS or also an output to the DCS can take place from the terminal 24 .
Bei der Anwendung des Verfahrens zur Vermeidung von Produktionsstörungen wird eine zweite Datenmenge D2 mit aktuellen Signalwerten der Signale Sx als Zeitreihen Sx(t) an die Computereinheit 22 übermittelt. Die Computereinheit 22 wendet die Prädiktiven Modell P1 ... Pm an und wertet die zweite Datenmenge D2 entsprechend aus. Die Ergebnisse des Verfahrens werden wiederum wie zuvor beschrieben als A1 ,A2,A3 und/oder A4 ausgegeben. Ergebnisse dieses Verfahrens sind die Signifikatoren XI ...Xm, die jeweils das kategorie-spezifische Störungsrisiko angeben. When using the method for avoiding production disruptions, a second data volume D2 with current signal values of the signals Sx is transmitted to the computer unit 22 as a time series Sx(t). The computer unit 22 applies the predictive models P1 . . . Pm and evaluates the second data set D2 accordingly. The results of the method are again output as A1, A2, A3 and/or A4 as previously described. The results of this procedure are the signifiers XI ...Xm, each of which indicates the category-specific risk of disruption.
In Fig.2a und 2b ist der Ablauf eines erfindungsgemäßen Verfahrens zur Kategorisierung schematisch dargestellt. Fig.2a beschreibt die Bildung der Reihen R1... Rn aus den charakteristischen Zahlenwerten ZW1...ZWq. Die erste Datenmenge D1 umfasst die Signalwerte zahlreicher Signale Sx des Produktionssystems 10 als Zeitreihen Sx(t). Es werden verschiedene Störungszeitpunkte t1 , t2, t3, ... tn ausgewählt und/oder automatisch ermittelt. Zu jedem dieser ausgewählten Störungszeitpunkte werden jeweils für die verschiedenen Signale die Signaländerungen ASx(tn) bestimmt, die in einem Zeitintervall vor dem Störungszeitpunkt tn aufgetreten sind. Dabei können für verschiedene Signale auch verschiedene Zeitintervalle herangezogen werden. Beispielsweise können für Antriebsdaten kürzere Zeitintervalle relevant sein, während für Rohstoffdaten unter Umständen Zeitintervalle von mehreren Stunden Einfluss haben, und für Bespannungsdaten, wie etwa das Filzalter, können sogar mehrere Tage herangezogen werden. Weiterhin kann mit Hilfe eines Prozessmodells eine Auswahl an Signale Sx getroffen werden, die in der ersten Datenmenge D1 überhaupt bereitgestellt werden und/oder für die die Signaländerungen ASx(tn) ermittelt werden. The sequence of a method for categorization according to the invention is shown schematically in FIGS. 2a and 2b. 2a describes the formation of the rows R1...Rn from the characteristic numerical values ZW1...ZWq. The first data volume D1 includes the signal values of numerous signals Sx of the production system 10 as time series Sx(t). Various disruption times t1, t2, t3, . . . tn are selected and/or determined automatically. At each of these selected fault times, the signal changes ASx(tn) that occurred in a time interval before the fault time tn are determined for the different signals. Different time intervals can also be used for different signals. For example, shorter time intervals can be relevant for drive data, while time intervals of several hours may have an influence for raw material data, and several days can even be used for clothing data, such as felt age. Furthermore, with the aid of a process model, a selection can be made of signals Sx that are actually provided in the first data set D1 and/or for which the signal changes ASx(tn) are determined.
Den Signaländerungen ASx(tn) werden jeweils charakteristische Zahlenwerte ZW zugeordnet und zu Reihen, insbesondere zu Vektoren zusammengefasst. Jeder Zahlenwert ZW1...ZWq gehört zu einem bestimmten Signal S1 ... Sx. Und jede Reihe gehört zu einem bestimmten Störungszeitpunkt t1 ...tn. Characteristic numerical values ZW are assigned to the signal changes ASx(tn) and combined to form rows, in particular vectors. Each numerical value ZW1...ZWq belongs to a specific signal S1...Sx. And each row belongs to a certain disturbance time t1...tn.
Für den Störungszeitpunkt t1 wird die Reihe R1 , hier aus ZW2, ZW1 , ZW3, ZWx... gebildet, für den Störungszeitpunkt t2 die Reihe R2 und so weiter bis zur Reihe Rn für den Störungszeitpunkt tn. Die Reihen können insbesondere als eine Art von Vektoren oder geordnete Reihen oder Matrizen gebildet werden. For the disruption time t1, the series R1, formed here from ZW2, ZW1, ZW3, ZWx..., for the disruption time t2, the series R2 and so on up to the series Rn for the disruption time tn. In particular, the rows can be formed as some kind of vectors or ordered rows or matrices.
Für die Festlegung des jeweiligen charakteristischen Zahlenwertes ZWx zu einem Signal Sx wird die Änderung des Signalwertes in einem Zeitintervall herangezogen. Dabei werden nicht nur die absolute Änderung, sondern auch die Dynamik der Änderung, der Gradient und andere mathematischen Kennwerte des Zeitverlaufs berücksichtigt. Zusätzlich kann auch noch ein Gewichtungsfaktor für verschiedene Signale verwendet werden. So können beispielsweise schon bekannte Zusammenhänge berücksichtigt werden. The change in the signal value in a time interval is used to determine the respective characteristic numerical value ZWx for a signal Sx. Not only the absolute change, but also the dynamics of the change, the gradient and other mathematical characteristics of the time course are taken into account. In addition, a weighting factor can also be used for different signals. For example, already known relationships can be taken into account.
Fig. 2b beschreibt die Segmentierung der Reihen in verschiedene Kategorien und die Bildung der jeweiligen Prädiktiven Modelle. Dazu werden die Reihen R1 ... Rn auf Ähnlichkeit untersucht. Eine Ähnlichkeit der Reihen wird angenommen, wenn eine wesentliche Übereinstimmung der darin enthaltenen charakteristischen Zahlenwerte ZW1...ZWq besteht. Diese wesentliche Übereinstimmung kann insbesondere über eine mathematische Bestimmung des Abstandes erfolgen. Ist der Abstand geringer als ein festgelegter Wert, werden die Reihen derselben Kategorie zugeteilt. Die Abstandsermittlung erfolgt mit bekannten mathematischen Methoden. Weiterhin können für die Segmentierung der Reihen in verschiedene Kategorien K1 ... Km mathematische Methoden zur Mustererkennung oder Segmentierung verwendet werden. 2b describes the segmentation of the rows into different categories and the formation of the respective predictive models. For this purpose, the rows R1 ... Rn are examined for similarity. The series are assumed to be similar if there is a substantial agreement between the characteristic numerical values ZW1 . . . ZWq contained therein. This essential agreement can be achieved in particular by mathematically determining the distance. If the distance is less than a specified value, the rows become the same assigned category. The distance is determined using known mathematical methods. Furthermore, mathematical methods for pattern recognition or segmentation can be used for segmenting the rows into different categories K1 . . . Km.
Als ähnlich erkannte Reihen R1 ... Rn werden derselben Kategorie K1 ... Km zugeordnet. Dabei kann die Anzahl von Kategorien K1 ... Km vorgegeben sein. Sie kann aber auch entsprechend passend vom Auswerte-Algorithmus erstellt werden. Nicht zu anderen Reihen ähnliche Reihen werden eine Restmenge L zugewiesen und für die Auswertung nicht weiter berücksichtigt. Das können beispielsweise Produktionsstörungen sein, die durch äußere Einflüsse verursacht werden, die sich nicht in den Signalwerten erkennen lassen. Etwa wenn sich Verunreinigungen an der Papiermaschine lösen und ein Batzen in die Papierbahn fällt und so einen Abriss verursacht. Rows R1...Rn recognized as similar are assigned to the same category K1...Km. The number of categories K1 . . . Km can be predetermined. However, it can also be created accordingly by the evaluation algorithm. Rows that are not similar to other rows are assigned a remaining quantity L and are not further considered for the evaluation. This can be, for example, production disruptions caused by external influences that cannot be detected in the signal values. For example, when impurities come loose on the paper machine and a chunk falls into the paper web, causing a tear.
Innerhalb jeder Kategorie wird dann ein Prädiktives Modell P1 ... Pm gebildet, indem die der Kategorie zuordneten Reihen ausgewertet werden. Dazu können Methoden der künstlichen Intelligenz, insbesondere zum maschinellen Lernen, beispielsweise Neuronale Netze verwendet werden. Für jede Kategorie K1 ... Km wird ein eigenes Prädiktives Modell P1 ... Pm erstellt, das ist ein wesentlicher Vorteil des Verfahrens und bietet ein höhere Zuverlässigkeit. Die Prädiktiven Modelle P1 ... Pm sind so gestaltet, dass sie für eine zweite Datenmenge D2 jeweils einen Signifikator X1...Xm ausgeben können, der das kategorie-spezifische Störungsrisiko angibt. Also wie hoch das Risiko ist für die zweite Datenmenge D2, dass eine Produktionsstörung der jeweiligen Kategorie auftritt. A predictive model P1 . . . Pm is then formed within each category by evaluating the rows assigned to the category. Artificial intelligence methods, in particular for machine learning, such as neural networks, can be used for this purpose. A separate predictive model P1 ... Pm is created for each category K1 ... Km, which is a major advantage of the method and offers greater reliability. The predictive models P1 . . . Pm are designed in such a way that they can each output a signifier X1 . So how high is the risk for the second data volume D2 that a production disruption of the respective category will occur.
Als Kategorien können beispielsweise verschiedene Arten von Bahnabrissen ermittelt werden. Die Segmentierung kann dann Bahnabrisse, die sich durch Schwankungen in der Stoffaufbereitung oder durch auffällige Zustandsänderungen in den Antriebsdaten der Papiermaschine oder durch Veränderungen im Feuchtequerprofil oder durch andere spezielle Auffälligkeiten in den Daten sich ankündigen, unterscheiden. Die schematische Darstellung in Fig.3 zeigt den Ablauf eines Verfahrens zur Vermeidung von Produktionsstörungen. Die zweite Datenmenge D2 umfasst zahlreiche Signalwerte als Zeitreihen Sx(t) aus dem aktuellen Produktionsbetrieb. Gegebenenfalls kann die Anzahl der umfassten Signale reduziert werden, in dem mit einem Prozessmodell nur die relevanten Signale für die Arten von Produktionsstörung, die betrachtet werden, ausgewählt werden. For example, different types of web breaks can be determined as categories. The segmentation can then distinguish web breaks that are announced by fluctuations in the stock preparation or by noticeable changes in the state of the drive data of the paper machine or by changes in the moisture cross profile or by other special abnormalities in the data. The schematic representation in FIG. 3 shows the course of a method for avoiding production disruptions. The second data set D2 includes numerous signal values as time series Sx(t) from the current production operation. If necessary, the number of included signals can be reduced by using a process model to select only the relevant signals for the types of production disturbance that are considered.
Mit Hilfe der verschiedenen Prädiktiven Modelle P1 ... Pm werden diese Zeitreihen für jede der verschiedenen Kategorien ausgewertet. Das kann für die Kategorien nacheinander oder parallel erfolgen. These time series are evaluated for each of the different categories with the aid of the various predictive models P1...Pm. This can be done for the categories one after the other or in parallel.
Jedes Prädiktive Modell P1 ... Px liefert eine Signifikator X1...Xm, der das Störungsrisiko der jeweiligen Kategorie beschreibt. Insbesondere ist der Signifikator ein einzelner Wert und liegt bevorzugt zwischen 0 und 1 . Je näher er an 1 ist, umso höher ist das Risiko, dass eine Produktionsstörung dieser Kategorie eintritt. Selbstverständlich sind aber auch andere Normierungen für den Signifikator denkbar. Each predictive model P1...Px supplies a signifier X1...Xm, which describes the risk of failure of the respective category. In particular, the signifier is a single value and is preferably between 0 and 1. The closer it is to 1, the higher the risk that a production disruption of this category will occur. Of course, other standardizations for the signifier are also conceivable.
Der besondere Vorteil des erfindungsgemäßen Verfahrens besteht unter anderem darin, dass für jede Kategorie ein eigener Signifikator ausgegeben wird. Das lässt eine sehr gute Überwachung des Produktionsprozesses und bessere Schlussfolgerungen bei sich ankündigenden Störungen zu. The particular advantage of the method according to the invention is, among other things, that a separate signifier is output for each category. This allows very good monitoring of the production process and better conclusions in the event of imminent faults.
Jeder Signifikator X1 ...Xm wird nun mit dem zugehörigen Schwellwert G1 ... Gm verglichen. Wird der Schwellwert G1 ... Gm erreicht oder überschritten, besteht ein hohes Risiko, dass die entsprechende Produktionsstörung eintreten kann. Zumindest die Signifikatoren, die den jeweiligen Schwellwert überschreiten, werden ausgegeben. Es können auch alle Signifikatoren X1 ...Xm ausgegeben werden, und diejenigen die den Schwellwert erreicht haben, werden besonders gekennzeichnet oder hervorgehoben. Each signifier X1...Xm is now compared with the associated threshold value G1...Gm. If the threshold value G1 . . . Gm is reached or exceeded, there is a high risk that the corresponding production disruption can occur. At least the signifiers that exceed the respective threshold value are output. All signifiers X1...Xm can also be output, and those that have reached the threshold value are specially marked or highlighted.
Jeder Kategorie von Produktionsstörungen können eine oder mehrere Maßnahmen zur Reduzierung des Störungsrisikos zugeordnet werden. Hier sind beispielsweise der Kategorie K1 die Maßnahmen M1 und M2 und der Kategorie K2 die Maßnahme M2 zugeordnet. In der Produktion sind das vorgeschlagene Änderungen der Produktionseinstellungen. Beispielsweise kann die Bahnspannung erhöht werden, wenn eine Kategorie mit flatternden Bahnrändern gebildet wurde. Öder es kann eine Änderung der Entwässerungseinstellungen in der Formierpartie zugeordnet werden, wenn eine Kategorie mit schlechterer Entwässerbarkeit des Rohstoffs gebildet wurde. One or more measures to reduce the risk of disruption can be assigned to each category of production disruption. Here are example Measures M1 and M2 are assigned to category K1 and measure M2 to category K2. In production, these are proposed changes to production settings. For example, the web tension can be increased if a category with fluttering web edges has been formed. Or a change in the drainage settings in the forming section can be assigned if a category with poorer drainage of the stock has been created.
Bevorzugt werden die Maßnahmen M1 ... Mq, die der jeweiligen Kategorie zugeordnet sind mit ausgegeben, zumindest für die Signifikatoren, die den Schwellwert erreicht haben. So kann der Bediener oder das Prozessleitsystem rechtzeitig und zielsicher kategorie-spezifische Abhilfemaßnahmen einleiten und damit drohende Produktionsstörungen zuverlässiger vermeiden. The measures M1 . . . Mq that are assigned to the respective category are preferably also output, at least for the signifiers that have reached the threshold value. In this way, the operator or the process control system can initiate category-specific remedial measures in a timely and targeted manner and thus more reliably avoid impending production disruptions.
1 Papiermaschine 1 paper machine
2 Stoffaufbereitung 2 stock preparation
3 Weiterverarbeitung 3 further processing
4, 5 Nebenaggregate 4, 5 auxiliary units
10 Produktionssystem 10 production system
20 Prozessleitsystem (DCS)20 process control system (DCS)
21 Qualitätsleitsystem (QCS)21 Quality Control System (QCS)
22 Computereinheit 22 computer unit
23 Datenspeicher 23 data storage
24 Endgerät 24 terminal
A1 ,A2,A3,A4 Ausgabe A1 ,A2,A3,A4 output
D1 erste Datenmenge D1 first dataset
D2 zweite Datenmenge D2 second dataset
S1 ,S2...Sx Signalwerte S1 ,S2...Sx signal values
ASx...z Signaländerungen t1 ... n StörungszeitpunkteASx...z signal changes t1 ... n disturbance times
ZWa,b,c...q charakteristische Zahlenwerte ZWa,b,c...q characteristic numerical values
R1 ,R2... Rn Reihen R1 ,R2... Rn rows
P1 ,P2... Pm Prädikitve Modelle P1 ,P2... Pm Predictive models
K1 ,K2... m Kategorien K1 ,K2... m categories
L Restmenge L remaining amount
M1...q Massnahmen M1...q Measures
X1 , X2...Xm Signifikatoren X1 , X2...Xm signifiers
G1 ,G2...Gm Schwellwerte G1 ,G2...Gm Thresholds

Claims

Patentansprüche patent claims
1. Verfahren zur Kategorisierung von Produktionsstörungen an einer Papiermaschine (1 ), insbesondere von Bahnabrissen, wobei folgende Schritte ausgeführt werden: 1. A method for categorizing production disruptions on a paper machine (1), in particular web breaks, the following steps being carried out:
1.1 Bereitstellen einer ersten Datenmenge (D1 ) von historischen Signalwerten zahlreicher verschiedener Signale (S1... Sx) aus einem Produktionssystem (10) einer Papiermaschine als Zeitreihen (S1 (t)... Sx(t)), wobei die Signale zumindest zum Teil aus einem Prozessleitsystem (DCS) (20), insbesondere aus einem Antriebssteuerungssystem, und zumindest zum Teil aus einem Qualitätsleitsystem (QCS) (21 ) des Produktionssystems (10) stammen. 1.1 Providing a first data volume (D1) of historical signal values of numerous different signals (S1...Sx) from a production system (10) of a paper machine as time series (S1(t)...Sx(t)), the signals at least for Part of a process control system (DCS) (20), in particular from a drive control system, and at least partly from a quality control system (QCS) (21) of the production system (10).
1.2.1 Auswahlen eines Störungszeitpunktes (t1...tn), an dem eine Produktionsstörung, insbesondere ein Bahnabriss aufgetreten ist; für eine Vielzahl der Signale aus der ersten Datenmenge (D1 ), insbesondere für jedes Signal, Bestimmen der Änderung (ASx...ASz) des jeweiligen Signalwertes in einer Zeitspanne vor dem ausgewählten Störungszeitpunkt; und Zuweisen jeweils eines charakteristischen Zahlenwertes (ZW1...ZWx) zu jeder Signaländerung, wobei dieser Zahlenwert (ZW1 ...ZWx) umso höher ist, je signifikanter die Signaländerung ist, und wobei jeder Zahlenwert (ZW1 ...ZWx) einem Signal (S1 ... Sx) zugeordnet ist. 1.2.1 Selection of a disruption time (t1...tn) at which a production disruption, in particular a web break, occurred; for a large number of signals from the first data set (D1), in particular for each signal, determining the change (ASx...ASz) in the respective signal value in a time period before the selected fault time; and assigning a characteristic numerical value (ZW1...ZWx) to each signal change, this numerical value (ZW1...ZWx) being higher the more significant the signal change is, and each numerical value (ZW1...ZWx) being a signal (S1...Sx).
1.2.2 Zusammenfassen der einzelnen charakteristischen Zahlenwerte (ZW1 ...ZWx) für den ausgewählten Störungszeitpunkt zu einer Reihe (R1... Rn). 1.2.2 Combining the individual characteristic numerical values (ZW1...ZWx) for the selected fault time into a series (R1...Rn).
1.3 Mehrmaliges Wiederholen der Schritte 1.2.1 und 1.2.2, jeweils für weitere ausgewählte Störungszeitpunkte (t1 ...tn), so dass weitere Reihen (R1... Rn) von charakteristischen Zahlenwerten (ZW1 ...ZWx), zu den jeweiligen Störungszeitpunkten zugeordnet, gebildet werden. 1.3 Repeating steps 1.2.1 and 1.2.2 several times, each for further selected fault times (t1 ... tn), so that further rows (R1 ... Rn) of characteristic numerical values (ZW1 ... ZWx) to the assigned to the respective fault times.
1.4 Segmentieren der so erhaltenen Reihen (R1... Rn) in verschiedene Kategorien (K1... Km), indem ähnliche Reihen (R1... Rn) jeweils derselben Kategorien (K1... Km) zugeordnet werden, wobei Reihen (R1... Rn) als ähnlich angesehen werden, wenn sie in den charakteristischen Zahlenwerte (ZW1 ...ZWx) wesentliche Übereinstimmung aufweisen; jede Kategorie (K1... Km) repräsentiert dabei eine Art von Produktionsstörung, insbesondere eine Art von Bahnabriss. 1 .5 Ausgabe (A1 ,A2,A3,A4) der gebildeten Kategorien (K1 ... Km) und/oder der für die jeweilige Kategorie zugeordneten Reihen (R1... Rn) auf ein Endgerät (24) und/oder im DCS und/oder im QCS. 1.4 Segment the rows (R1...Rn) thus obtained into different categories (K1...Km) by assigning similar rows (R1...Rn) to the same categories (K1...Km) respectively, where rows ( R1...Rn) are considered to be similar if they show substantial agreement in the characteristic numerical values (ZW1...ZWx); each category (K1... Km) represents a type of production disruption, in particular a type of web break. 1 .5 Output (A1, A2, A3, A4) of the categories formed (K1 ... Km) and/or the rows (R1 ... Rn) allocated for the respective category to a terminal (24) and/or im DCS and/or in the QCS.
1 .6 Bilden jeweils eines Prädiktiven Modells (P1 ... Pm) für jede der Kategorien (K1 ... Km), indem die der jeweiligen Kategorie (K1... Km) zugeordneten Reihen (R1 ... Rn) ausgewertet werden, wobei für jede Kategorie ein eigenes Prädiktives Modell (P1 ... Pm) gebildet wird, und derart, dass die Prädiktiven Modelle (P1 ... Pm) geeignet sind, eine zweite Datenmenge (D2) von Signalwerten als Zeitreihen auszuwerten und jeweils für die zugehörige Kategorie (K1..Km) einen Signifikator anzugeben, der ein kategorie-spezifisches Störungsrisiko beschreibt. 1 .6 Forming a predictive model (P1 ... Pm) for each of the categories (K1 ... Km) by evaluating the rows (R1 ... Rn) assigned to the respective category (K1 ... Km). , with a separate predictive model (P1 ... Pm) being formed for each category, and in such a way that the predictive models (P1 ... Pm) are suitable for evaluating a second data set (D2) of signal values as time series and each for the associated category (K1..Km) to specify a signifier that describes a category-specific risk of disruption.
2. Verfahren nach Anspruch 1 dadurch gekennzeichnet, dass zu jeder Kategorie (K1 ... Km) von Produktionsstörung eine oder mehrere Maßnahmen (M1 ... Mq) zugeordnet und abgespeichert werden, die jeweils eine Änderung der Produktionseinstellungen darstellen, derart dass eine Reduzierung des entsprechenden Störungsrisikos der Kategorie zu erwarten ist. 2. The method according to claim 1, characterized in that for each category (K1 ... Km) of production disruption one or more measures (M1 ... Mq) are assigned and stored, each representing a change in the production settings, such that a reduction of the corresponding risk of interference of the category is to be expected.
3. Verfahren nach Anspruch 2 dadurch gekennzeichnet, dass die Maßnahmen (M1 ... Mq) zu jeder Kategorie (K1 ... Km) auf ein Endgerät (24) und/oder im DCS und/oder QCS ausgegeben (A1 ,A2,A3,A4) werden. 3. The method according to claim 2, characterized in that the measures (M1 ... Mq) for each category (K1 ... Km) are output to a terminal (24) and/or in the DCS and/or QCS (A1, A2, A3,A4).
4. Verfahren nach einem der vorherigen Ansprüche dadurch gekennzeichnet, dass mindestens 5 verschiedene, bevorzugt mindestens 10 verschiedene Kategorien (K1 ... Km) von Produktionsstörungen, insbesondere von Bahnabrissen verwendet werden, und/oder dass höchstens 20 verschiedene, bevorzugt höchstens 30 verschiedene Kategorien (K1... Km) von Produktionsstörungen, insbesondere von Bahnabrissen verwendet werden. 4. The method according to any one of the preceding claims, characterized in that at least 5 different, preferably at least 10 different categories (K1 ... Km) of production disruptions, in particular web breaks, are used, and/or that at most 20 different, preferably at most 30 different categories (K1... Km) of production disruptions, especially web breaks.
5. Verfahren nach einem der vorherigen Ansprüche dadurch gekennzeichnet, dass das Auswahlen eines Störungszeitpunktes (t1...tn), an dem eine Produktionsstörung, insbesondere ein Bahnabriss aufgetreten ist, automatisiert erfolgt, indem ein einzelnes oder mehrere Signale aus der ersten Datenmenge (D1 ) als Erkennung für eine Produktionsstörung verwendet werden. 5. The method according to any one of the preceding claims, characterized in that the selection of a disruption time (t1...tn) at which a production disruption, in particular a web break, occurred is automated, in that a single signal or multiple signals from the first data set (D1 ) can be used to identify a production disruption.
6. Verfahren nach einem der vorherigen Ansprüche dadurch gekennzeichnet, dass die Bildung der Prädiktiven Modelle (P1... Pm) mit Hilfe von Methoden des maschinellen Lernens, insbesondere Neuronaler Netze erfolgt. 6. The method as claimed in one of the preceding claims, characterized in that the predictive models (P1... Pm) are formed using methods of machine learning, in particular neural networks.
7. Computerprogrammprodukt zur Ausführung eines Verfahrens nach einem der vorherigen Ansprüche auf einer Computereinheit (20,21 ,22). 7. Computer program product for executing a method according to one of the preceding claims on a computer unit (20, 21, 22).
8. Verfahren zur Vermeidung von Produktionsstörungen an einer Papiermaschine (1 ), insbesondere von Bahnabrissen, unter Verwendung einer Kategorisierung (K1 ... Km), welche mit Hilfe eines Verfahrens nach einem der Ansprüche 1 bis 6 erstellt wurde, wobei folgende Schritte ausgeführt werden: 8. Method for avoiding production disruptions on a paper machine (1), in particular web breaks, using a categorization (K1 ... Km) which was created with the aid of a method according to one of claims 1 to 6, the following steps being carried out :
8.1 Bereitstellen von Kategorien (K1..Km), gebildet unter Verwendung eines Verfahrens gemäß einem der Ansprüche 1 bis 6, mit jeweils einem zugehörigen Prädiktivem Modell (P1 ... Pm). 8.1 Provision of categories (K1..Km), formed using a method according to any one of claims 1 to 6, each with an associated predictive model (P1 ... Pm).
8.2 Bereitstellen einer zweiten Datenmenge (D2) von aktuellen Signalwerten zahlreicher verschiedener Signale (S1 ... Sx) aus einem Produktionssystem (10) einer Papiermaschine als Zeitreihen. 8.2 Providing a second data set (D2) of current signal values of numerous different signals (S1 ... Sx) from a production system (10) of a paper machine as time series.
8.3 Bestimmen von jeweils einem Signifikator (X1 ...Xm) für jede der Kategorien (K1 ... Km), indem die zweite Datenmenge (D2) jeweils mit den verschiedenen Prädiktiven Modelle (P1 ... Pm) für die verschiedenen Kategorien ausgewertet wird, wobei der Signifikator (X1 ...Xm) das kategorie-spezifische Störungsrisiko beschreibt. 8.4 Ausgabe (A1 ,A2,A3,A4) zumindest derjenigen Signifikatoren (X1 ...Xm), die einen zugehörigen Schwellwert (G1 ... Gm) erreichen oder überschreiten, auf ein Endgerät (24) und/oder im DCS (20) und/oder im QCS (21 ). 8.3 Determining a signifier (X1...Xm) for each of the categories (K1...Km) by evaluating the second data volume (D2) with the different predictive models (P1...Pm) for the different categories where the signifier (X1 ...Xm) describes the category-specific risk of interference. 8.4 Output (A1,A2,A3,A4) of at least those signifiers (X1...Xm) that reach or exceed an associated threshold value (G1...Gm) to a terminal (24) and/or in the DCS (20th ) and/or in the QCS (21 ).
8.5 Wiederholen der Schritte 8.2 bis 8.4, um die Produktion laufend zu überwachen. 8.5 Repeat steps 8.2 through 8.4 to continuously monitor production.
9. Verfahren nach Anspruch 8 unter Verwendung einer Kategorisierung, welche mit Hilfe eines Verfahrens nach einem der Ansprüche 2 bis 6 erstellt wurde, dadurch gekennzeichnet, dass die Signifikatoren so normiert sind, dass sie Werte zwischen 0 und 1 annehmen. 9. Method according to claim 8 using a categorization which was created with the aid of a method according to one of claims 2 to 6, characterized in that the signifiers are normalized in such a way that they assume values between 0 and 1.
10. Verfahren nach Anspruch 8 oder 9 dadurch gekennzeichnet, dass in Schritt 8.2 und 8.3 nicht nur die Zeitreihen der Signalwerte, sondern auch die Signaländerungen in einem Zeitintervall und/oder der Gradient und/oder andere abgeleitete Größen der Signalwerte-Zeitreihen verwendet werden. 10. The method according to claim 8 or 9, characterized in that in step 8.2 and 8.3 not only the time series of the signal values but also the signal changes in a time interval and/or the gradient and/or other derived variables of the signal value time series are used.
11. Verfahren nach einem der Ansprüche 8 bis 10 unter Verwendung einer Kategorisierung, welche mit Hilfe eines Verfahrens nach Anspruch 5 erstellt wurde, dadurch gekennzeichnet, dass in Schritt 8.4 zusätzlich Maßnahmen (M1... Mq), welche der Kategorie (K1 ... Km) zugeordnet sind, zu der ein Signifikator (X1...Xm) den Schwellwert (G1 ... Gm) erreicht oder überschritten hat, ausgegeben (A1 ,A2,A3,A4) werden. 11. The method according to any one of claims 8 to 10 using a categorization which was created with the aid of a method according to claim 5, characterized in that in step 8.4 additional measures (M1...Mq) belonging to the category (K1... . Km) at which a signifier (X1...Xm) has reached or exceeded the threshold value (G1...Gm) can be output (A1,A2,A3,A4).
12. Verfahren nach einem der Ansprüche 8 bis 11 dadurch gekennzeichnet, dass eine oder mehrere Wiederholungen des Schrittes 8.1 vorgesehen werden, um nach einer gewissen Produktionszeit die Kategorien (K1 ... Km) und/oder die Prädiktiven Modelle (P1... Pm) und/oder die Maßnahmen (M1... Mq) zu aktualisieren. 12. The method according to any one of claims 8 to 11, characterized in that one or more repetitions of step 8.1 are provided in order to determine the categories (K1 ... Km) and/or the predictive models (P1 ... Pm ) and/or update the measures (M1... Mq).
13. Computerprogrammprodukt zur Ausführung eines Verfahrens nach einem der Ansprüche 8 bis 11 auf einer Computereinheit (20,21 ,22). 13. Computer program product for executing a method according to any one of claims 8 to 11 on a computer unit (20, 21, 22).
PCT/EP2021/074080 2020-10-06 2021-09-01 Categorizing method and method for preventing a disruption of a paper machine, in particular a web break WO2022073699A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP21769321.7A EP4225992A1 (en) 2020-10-06 2021-09-01 Categorizing method and method for preventing a disruption of a paper machine, in particular a web break

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020126072.5A DE102020126072A1 (en) 2020-10-06 2020-10-06 Method for categorization and method for avoiding malfunctions in a paper machine, in particular web breaks
DE102020126072.5 2020-10-06

Publications (1)

Publication Number Publication Date
WO2022073699A1 true WO2022073699A1 (en) 2022-04-14

Family

ID=77821722

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/074080 WO2022073699A1 (en) 2020-10-06 2021-09-01 Categorizing method and method for preventing a disruption of a paper machine, in particular a web break

Country Status (3)

Country Link
EP (1) EP4225992A1 (en)
DE (1) DE102020126072A1 (en)
WO (1) WO2022073699A1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020038197A1 (en) 1999-09-15 2002-03-28 General Electric Company System and method for paper web time-to-break prediction
US20020052699A1 (en) 2000-05-30 2002-05-02 General Electric Company Paper web breakage prediction using bootstrap aggregation of classification and regression trees
JP2005299028A (en) * 2004-04-13 2005-10-27 Oji Paper Co Ltd Apparatus for estimating break of paper machine, method for estimating break of paper machine and computer program

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6405140B1 (en) 1999-09-15 2002-06-11 General Electric Company System and method for paper web time-break prediction
EP3699356A1 (en) 2019-02-25 2020-08-26 Siemens Aktiengesellschaft Method and device for detecting a tear in a fibrous web, industrial equipment and computer program product

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020038197A1 (en) 1999-09-15 2002-03-28 General Electric Company System and method for paper web time-to-break prediction
US20020052699A1 (en) 2000-05-30 2002-05-02 General Electric Company Paper web breakage prediction using bootstrap aggregation of classification and regression trees
JP2005299028A (en) * 2004-04-13 2005-10-27 Oji Paper Co Ltd Apparatus for estimating break of paper machine, method for estimating break of paper machine and computer program

Also Published As

Publication number Publication date
EP4225992A1 (en) 2023-08-16
DE102020126072A1 (en) 2022-04-07

Similar Documents

Publication Publication Date Title
DE102016011525B4 (en) Machine learning apparatus and coil production apparatus
EP3282399B1 (en) Method for the improved detection of process anomalies of a technical installation and corresponding diagnostic system
DE102018002781B4 (en) Circuit configuration optimizing device and machine learning device
EP3634896B1 (en) Method and device for monitoring a yarn tension of a running yarn
EP3876060B1 (en) Method and computing unit for analyzing the reason for an anomalous state of a machine
EP3737943A1 (en) Method and device for monitoring a texturing process
WO2019037919A1 (en) Method and device for texturing a synthetic thread
DE102014223810A1 (en) Method and assistance system for detecting a fault in a system
DE112017001022T5 (en) METHOD, SYSTEM AND COMPUTER PROGRAM PRODUCT FOR STATE MONITORING OF A CONSISTENT ELEMENT MOVING IN A FIBERGLASS OR PAPER FINISHING MACHINE
EP4225992A1 (en) Categorizing method and method for preventing a disruption of a paper machine, in particular a web break
EP3796117B1 (en) Diagnostic method and diagnostic system for a technical installation
DE112011103293T5 (en) Energy benchmark method and system for gap analysis for a paper industry factory
EP3825796A1 (en) Method and device for ki-based operation of an automation system
WO2022029137A1 (en) Monitoring device and method for detecting anomalies
AT519777B1 (en) Method for recognizing the normal operating state of a work process
EP1755013A2 (en) Method for verifying manufactured parts
WO2021094101A1 (en) Control and monitoring of a machine arrangement
DE102019127545A1 (en) Method for a model-based determination of model parameters
EP3699701A1 (en) Method and device for determining or forecasting a position of a sheet break, computer program and industrial plant
DE102022121211B4 (en) Method for operating a sensor arrangement and sensor arrangement as well as data processing device and device
DE4230615C2 (en) Process for the safe storage of data in non-volatile, overwritable memories and installation for carrying out the process
EP3734385B1 (en) Method for computer-controlled processing of condition messages in an automation system
DE102021134315A1 (en) Method for training an artificial intelligence and a field device system and a method for detecting at least one field device from at least one cluster of field devices
DE102022207447A1 (en) Method and device for monitoring the condition of winding machines
DE102021116167A1 (en) Apparatus for additive manufacturing of a product and method for monitoring additive manufacturing of a product

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: 21769321

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021769321

Country of ref document: EP

Effective date: 20230508