WO2022243035A1 - Automatically adaptive monitoring method for a device in a system - Google Patents

Automatically adaptive monitoring method for a device in a system Download PDF

Info

Publication number
WO2022243035A1
WO2022243035A1 PCT/EP2022/061931 EP2022061931W WO2022243035A1 WO 2022243035 A1 WO2022243035 A1 WO 2022243035A1 EP 2022061931 W EP2022061931 W EP 2022061931W WO 2022243035 A1 WO2022243035 A1 WO 2022243035A1
Authority
WO
WIPO (PCT)
Prior art keywords
sensor
evaluation unit
bound
measured values
value
Prior art date
Application number
PCT/EP2022/061931
Other languages
German (de)
French (fr)
Inventor
Wolfgang Ens
Ralf Huck
Original Assignee
Siemens Aktiengesellschaft
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Publication of WO2022243035A1 publication Critical patent/WO2022243035A1/en

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model

Definitions

  • the invention relates to a method for monitoring a device in a system that is suitable for automatic adaptation.
  • the invention also relates to computer program products that are designed to execute the method on a detection system for the device and/or an associated higher-level evaluation unit.
  • the invention also relates to a corresponding detection system, a corresponding higher-level evaluation unit and an automated system on which the method according to the invention is used.
  • International application WO 2017/112591 A1 discloses a method for diagnosing faults on a machine, in which a mobile terminal device is used.
  • the mobile end device is communicatively connected to a cloud server with which audio data can be exchanged.
  • the audio data is generated by capturing noises generated by the machine.
  • the audio data is analyzed on the cloud server and an analysis result is sent to the mobile device.
  • the object of the invention is to provide a way of monitoring devices in a system that offers an improvement in at least one of the aspects outlined.
  • the task is solved by a method according to the invention for monitoring a device in a plant.
  • the system can be designed as a simple application with a reduced degree of automation, such as a lifting system or a feed pump.
  • the system can also be designed as an automated system, for example as a production system for a chemical, cement, glass or food, as a production line, as a power plant or as a control system, in particular as a process control system or as a traffic control system.
  • the system includes at least one device, through which a system process is carried out on the system.
  • the device can be, for example, a valve, a robot, a machine tool, a drive, a heating element, a pump, a heat exchanger, or a cooling element.
  • the device is assigned to at least one sensor in the system during operation and can be monitored by the sensor.
  • the sensor is provided with a sensor-bound evaluation unit, through which the measured values of the sensor can be received and evaluated.
  • the method includes a first step in which the device, the sensor and the sensor-based evaluation unit are made available and put into an active operating state.
  • the active operating state at least one measured variable of the device is detected by the sensor.
  • the sensor generates measured values for the measured variable, which are forwarded to the sensor-bound evaluation unit.
  • a deviation parameter is determined using the measured values of the at least one measured variable that is recorded in the first step.
  • the measured values are entered into a prognosis model, through which an operating behavior and/or damage behavior in the plant process can be simulated and/or evaluated.
  • the prognosis model can also be used to simulate and/or evaluate an operating behavior and/or damage behavior of the device itself or of another device in the system.
  • the prognosis model is an expected damage progress in the plant process or a of the devices predictable.
  • the deviation parameter characterizes the extent to which an existing operating state of the device deviates from a desired and/or expected operating state.
  • the deviation parameter can in particular provide quantitative information.
  • the method also includes a third step, in which an operating state that conforms to the prognosis model is recognized if the deviation parameter falls below an adjustable threshold value.
  • the adjustable threshold value can be used to distinguish whether the deviation from the current operating status represents an acceptable fluctuation or whether this requires increased caution.
  • the threshold value can be set, for example, by a user so that his knowledge of the system can be included in the method according to the invention.
  • falling short is to be understood as falling short in terms of amount. If the adjustable threshold is exceeded, a fourth step is performed.
  • the measured values of the measured variable that are recorded in the first step are stored.
  • the stored measured values are transmitted to a higher-level evaluation unit in order to use this to modify the prognosis model.
  • the adjustable threshold value is exceeded by the deviation parameter, the presence of an operating situation is recognized in the method according to the invention, which requires a more detailed analysis by the prognosis model. In particular, it is recognizable that an existing operating situation is not covered with sufficient precision by the prognosis model, so that its further development is required.
  • the prognosis model is stored in an executable form on the sensor-bound evaluation unit.
  • the second and third step in which the deviation parameter is determined and compared with the adjustable threshold value, is therefore carried out on the sensor-based evaluation unit.
  • the measured values stored in the fourth step represent data that succinctly depict the recognized operating state that does not conform to the forecast model.
  • the data saved in the fourth step can easily be separated from other measured values.
  • the transmission of the measured values stored in the fourth step to the higher-level evaluation unit thus concentrates on the measured values that are required to modify the prognosis model.
  • the data traffic between the sensor-bound evaluation unit and the superordinate evaluation unit is reduced, which allows efficient data management.
  • the invention is based, among other things, on the surprising finding that operating the prognosis model on the sensor-bound evaluation unit requires less energy than frequent data traffic. In particular, an energy-intensive transmission of measured values can be avoided. In the case of sensors and/or sensor-bound processing units that are operated via an energy store, for example a battery, the energy store can be used for longer. The resulting reduction in maintenance costs allows for economical operation of recording systems with such sensors and sensor-bound evaluation units.
  • the forecast model can be automatically adapted during operation of the plant, which in turn allows reliable and cost-efficient operation.
  • a fifth step takes place, in which a modified prognosis model is created by the higher-level evaluation unit.
  • the prognosis model in the sensor-based evaluation unit is replaced by the modified prognosis model that has been created.
  • the replacement can also take place as an expansion of the prognosis model on which the method is based.
  • the higher-level evaluation unit has increased computing power and a more powerful energy supply than the sensor-based evaluation unit.
  • the time-consuming creation of modified forecast models is thus carried out in an appropriate form on the higher-level Valuation unit feasible.
  • the forecast model can be modified separately with adjustable algorithms, so that future algorithms can easily be used for the sensor-bound evaluation unit. The principle of a rolling update is realized in this way. The automatic adaptability of the claimed method is thus further increased.
  • a sampling rate for the at least one measured variable that is detected with the sensor can be reduced if the deviation parameter falls below the adjustable threshold value.
  • the claimed method if there is an operating state that conforms to the forecast model, it can be expected that this will remain constant over an extended period of time. A correspondingly unnecessary detection of the measured variable is thus avoided. This also achieves a reduction in the energy requirement, which leads to a longer service life of the energy store.
  • the sampling rate for the at least one measured variable can be increased if the adjustable threshold value is exceeded in the fourth step.
  • the fourth step it can be determined that an operating condition is present that does not conform to the forecast model and therefore requires a detailed measurement.
  • An increased sampling rate for the recorded measured variable can be used to generate measured values that are more closely spaced in terms of time, which means that operating states that do not conform to the forecast model can be displayed more precisely. The more detailed the operating state, which does not conform to the forecast model, is measured, the more purposefully the forecast model can be modified.
  • the adaptability of the claimed method is thus further increased.
  • the sampling rate for the at least one measured variable can be reduced if the deviation parameter remains essentially constant over an adjustable observation period.
  • the claimed method thereby recognizes that the operating state recognized in the fourth step is to be expected to continue and that it is not efficient due to the further collection of measured values usable gain for the forecast model can be achieved. Consequently, the claimed method avoids the generation of useless databases of measured values.
  • a warning can be issued to a user.
  • the user can intervene in the system process as appropriate to the situation, which increases the operational reliability of the system, particularly an automated system. It can also be indicated to the user that a transmission of stored measured values is imminent. Due to the warning, the stored measured values can also be transmitted in a targeted manner by reading out the sensor-bound evaluation unit using a hand-held device. Handling of the data traffic between the sensor-bound evaluation unit and the superordinate evaluation unit via the existing stationary infrastructure can thus be avoided.
  • the user can be shown that measured values are stored on the sensor-bound evaluation unit, through which an advantageous further development of the prognosis model can be expected and manual downloading of these measured values is required.
  • the measured values stored and transmitted in the fourth step can be further processed by the user, in particular categorized. The categorization makes it possible, for example, to distinguish between a good status and an error status.
  • the further processing can also be carried out by an algorithm.
  • the modification of the prognosis model can also be prevented by means of an input from the user or an algorithm in order to avoid an unintentional modification of the prognosis model. Equally, the initiated acquisition and storage of measured values can be labeled with the issuing of the warning.
  • a triggering event can be described more precisely or typified, which means that later modifications ions of the prognosis model can be carried out more specifically and appropriately.
  • the quality of the prognosis model is thus further increased over the service life of the device.
  • the sensor-bound evaluation unit is coupled to the higher-level evaluation unit via a wireless connection.
  • the wireless connection can be a wireless LAN connection, a Bluetooth connection, a Zig-Bee connection, a wireless HART connection, a cellular connection, in particular a 5G connection, an NBIoT, a LoRaWAN connection, or any be designed other wireless fieldbus connection.
  • a wireless connection to the higher-level evaluation unit the transmission of stored measured values involves an increased energy requirement.
  • the claimed method achieves energy savings which also ensure an increased service life of the energy store.
  • the deviation parameter which is determined in the second step, can correspond to a deviation of an actual state of the device from a target state.
  • the target state can be determined by the prognosis model and used to determine version of the deviation can be specified.
  • an actual temperature of the device recorded as a measured variable by the sensor in the first step can deviate from a target temperature and thus indicate a state that does not conform to the forecast model.
  • the condition that does not conform to the forecast model can be overheating or a failure of the electric motor, which remains cold due to the lack of operation.
  • the deviation parameter can also correspond to a deviation in the actual behavior of the device from a target behavior that is specified by the prognosis model.
  • a target behavior can be, for example, an increase in flow at a measuring point on a pipe when a valve upstream of the measuring point receives an open command. If there is no increase in flow, this should be taken as an indication of a failure of the valve and/or the corresponding sensor.
  • the deviation parameter can also be determined from a combination of a plurality of measured variables that represent an actual state and/or an actual behavior, either separately or in relation to one another. In particular, the deviation parameter can be determined from a plurality of measured variables and/or commands to the corresponding device.
  • the deviation parameter can be in the form of a statistical variable which is determined on the basis of the at least one measured variable during operation of the device.
  • the deviation parameter can be a root mean square value, RMS value for short, as a vRMS value, as an aRMS value, as a DKW value, the so-called diagnostic characteristic value according to A. Sturm, as a crest value, as a peak value , as a kurtosis value, as a skewness value or as a peak value.
  • the deviation parameter can be at least one of the measured variables themselves. Statistical variables can be determined with reduced computing effort and offer a large number of advise meaningful information about the previous or current operating status. This further reduces the computational effort for the claimed method.
  • the prognosis model which is used to determine the deviation parameter in the second step
  • the forecast model is modified by training the forecast model with the measured values transmitted in the fourth step.
  • the artificial intelligence can be designed in particular as a neural network, which is trained for commissioning with initial data. By using the measured values transmitted in the fourth step, an increased amount of output data can be provided, with which the artificial intelligence can be further trained.
  • the training can be done by resetting the artificial intelligence, which is retrained from initio using the increased amount of output data. Alternatively, the training can be based on the current level of artificial intelligence and use the measured values for an additional training run.
  • a prognosis model designed as artificial intelligence can be automatically modified by training using the measured values stored in the fourth step of the claimed method, which allows the prognosis model to be adapted more quickly to a changed operating situation.
  • the prognosis model can also be designed as a digital twin, also known as a digital twin.
  • the functioning of digital twins is described, for example, in the application US 2017/0286572 A1.
  • the disclosure content of US 2017/0286572 A1 is incorporated by reference into the present application.
  • a faulty sensor in the system for example, can be detected by the prognosis model, which can be executed in the superordinate evaluation unit.
  • the object is also achieved by a sensor-bound computer program product according to the invention, which is used to monitor a device in a system, in particular an external tomato plant.
  • the computer program product is set up to process measured values that are recorded by a sensor.
  • the sensor is equipped with a sensor-bound evaluation unit on which the computer program product can be executed.
  • the computer program product can be stored non-volatilely in a memory unit of the sensor-bound evaluation unit.
  • the computer program product is designed to execute at least one embodiment of the method outlined above.
  • the sensor-bound computer program product can include the prognosis model, with which a deviation parameter can be determined based on measured values of at least one measured variable that can be detected by the sensor.
  • the sensor-bound computer program product can be designed to implement the claimed method in interaction with other computer program products, for example a higher-level computer program product.
  • the task is also solved by a higher-level computer program product.
  • the higher-level computer program product is designed to monitor a device in a system, in particular an automated system.
  • the higher-level computer program product is designed to modify a prognosis model that can be used, among other things, in a method outlined above.
  • the prognosis model to be modified is designed to be executable on a higher-level evaluation unit, that is to say can be stored in a non-volatile manner in a storage unit of the higher-level evaluation unit.
  • the higher-level computer program product is designed to carry out at least one embodiment of the method described above.
  • the higher-level control unit can be designed, for example, as a master computer, a programmable logic controller, or as a computer cloud.
  • the higher-level computer program product can be designed to interact with a sensor-bound computer program product that is executably stored on a sensor-bound evaluation unit in order to implement the claimed method.
  • the task is solved by a system of computer program products, which includes a higher-level computer program product according to one of the embodiments outlined above.
  • the system also includes a sensor-linked computer program product configured in accordance with any of the embodiments presented above.
  • the object described is also achieved by a detection system according to the invention, which is designed to monitor a system, in particular an automated system.
  • the detection system includes a sensor that is suitable for detecting at least one measured variable in the system and for outputting the detected measured variable in the form of measured values.
  • a sensor-bound evaluation unit is assigned to the sensor, so that the sensor-bound evaluation unit is suitable for receiving and processing, ie evaluating, the measured values generated by the sensor.
  • the sensor-bound evaluation unit can have a memory unit on which a sensor-bound computer program product can be stored in a non-volatile manner and can be executed during operation of the detection system.
  • the detection system is designed to carry out at least one of the embodiments of the method outlined above.
  • the sensor-bound computer program product can be designed, for example, according to one of the embodiments presented above.
  • a higher-level evaluation unit which is designed to monitor a system, in particular an automated system, and can be connected to a plurality of detection systems. One device in the system can be monitored at a time by the recording systems.
  • the higher-level evaluation unit is connected to a higher-level computer program product according to one of the above described embodiments equipped.
  • the higher-level evaluation unit can have a storage unit in which the higher-level computer program product can be stored in a non-volatile manner.
  • the higher-level evaluation unit can be designed as a master computer, as a memory-programmable controller, or as a computer cloud.
  • a system according to the invention in particular an automated system, which comprises a plurality of devices with which a system process can be carried out.
  • at least one of the devices is monitored using a method according to one of the embodiments presented above.
  • FIG. 1 schematically shows a structure of a first embodiment of the claimed system
  • the structure of a first embodiment of a claimed automated system 10 is shown schematically in FIG.
  • the automated system 10 includes a plurality of devices 12 which are used to run a system process 15 on the automated system 10 .
  • Measured variables 25 also occur in a process medium 16 which is acted on by the devices 12 in the plant process 15 .
  • the measured variables 25 occurring in the process medium 16 can also be measured.
  • the automated system 10 has a detection system 55 which includes a plurality of sensors 22 .
  • the sensors 22 are each designed to detect at least one measured variable 25 which is present on one of the devices 12 or the process medium 16 .
  • Each of the sensors 22 is connected to a sensor-bound evaluation unit 24 which is designed to receive and process measured values 27 generated by the corresponding sensor 22 .
  • the sensors 22 and their respective sensor-bound evaluation units 24 are supplied with energy via energy storage devices, which are in the form of batteries.
  • the sensors 22 and the sensor-bound evaluation units 24 are also equipped with a field-side communication unit 28 which is designed to communicate wirelessly with a control-side communication unit 48 .
  • the control-side communication unit 48 is connected to a higher-level evaluation unit 40 which is also used to monitor the automated system 10 .
  • the field-side communication unit 28 is designed in particular to transmit measured values 27 to the controller-side communication unit 48, which represents data traffic 45 between them.
  • the sensor-based evaluation units 62 each have a sensor-based computer program product 62 that can be used to specify which measured values 27 are to be transmitted to the superordinate evaluation unit 40 .
  • a prognosis model 30 is executably stored in the respective sensor-bound computer program products 62, by means of which the measured values 27 generated by the sensors 27 can be evaluated, selected and stored. In particular, the prognosis model 30 can be operated based on the measured values 27 recorded by the respective sensor 22 .
  • An image of the prognosis model 30 is stored non-volatile in a memory unit 42 on the higher-level evaluation unit 40 .
  • a higher-level th computer program product 64 is stored, which is designed to modify the prognosis model 30 stored on the higher-level evaluation unit 40 .
  • the higher-level computer program product 64 is designed to process the measured values 27, which are received via the communication unit 48 on the control side.
  • the embodiment of the automated system 10 shown in FIG. 1 is in a stage in which at least a first step 110 of the method 100 according to the invention has been completed.
  • the device 12 to be monitored, a corresponding sensor 22 and an associated sensor-bound evaluation unit 24 are functionally provided.
  • the automated system 10 is in an active operating state, so that a measured variable 25 corresponding to the system process 15 is present, which is measured with the sensor 22 .
  • the measured values 27 that result in this way are to be processed by the sensor-bound evaluation unit 24 .
  • FIG. 2 A sequence of a first embodiment of the claimed method 100 for monitoring a device 12 (not shown in detail) is shown in FIG.
  • the method 100 shown in FIG. 2 assumes that the first step 110, as outlined in FIG. 1 as an example, is already in progress.
  • the flow of the first embodiment of the claimed method 100 is shown in the form of a diagram 70 .
  • Diagram 70 has a horizontal time axis 72 and a vertical size axis 74.
  • a deviation parameter 33 is determined, by which a deviation of the measured variable 25 from its setpoint value 32 is quantified. Until the occurrence of a densevent 75, the deviation parameter 33 falls below an adjustable threshold value 35. Falling below the adjustable threshold value 35 indicates that the present operating state and/or a behavior of the device 12 conforms to a prognosis model 30.
  • the prognosis model 30 is executably stored in the sensor-linked evaluation unit 24 and is also suitable for determining the deviation parameter 33 and/or for comparing it with the adjustable threshold value 35 .
  • the detection of the forecast model-compliant operating state of the device 12 and/or the automated system 10 takes place in a third step 130 of the method 100.
  • the system process 15 running in the first step 110 is impaired by the occurrence of the damaging event 75 .
  • the detected measured variable 25 increasingly deviates from its target value 32 after the damage event 75 has occurred.
  • the deviation parameter 33 increases and exceeds the adjustable threshold value 35.
  • the presence of an operating state that does not conform to the forecast model is detected in a fourth step 140.
  • a reduced inactive phase 34 ie an increased sampling rate 36, is specified for the sensor 22 in the fourth step.
  • measured values 27 after the occurrence of the damage event 75 are recorded more closely clocked, as a result of which a temporally more precise description of the state of the device 12 after the occurrence of the damage event is possible.
  • the prognosis model 30 can be modified using the measured values 27 that are stored during the fourth step 140 . As long as there is an operating state that conforms to the prognosis model, as in third step 130, transmissions of measured values 27 to a higher-level evaluation unit 40 can be minimized, and thus data traffic 45 between the sensor-bound evaluation unit 24 and the higher-level evaluation unit 40 can be reduced. If, on the other hand, an operating state that does not conform to the prognosis model is recognized in fourth step 140 , the data present in fourth step 140 are transmitted Measured values 27 to the higher-level evaluation unit 40. Using the measured values 27 thus transmitted, an image of the prognosis model 30, which is used in the sensor-bound evaluation unit 24, is stored and can be modified.
  • the prognosis model 30 stored in the higher-level evaluation unit 40 can thus be adapted to previously unknown operating situations and/or damage events.
  • the reduced data traffic 45 between the sensor-bound evaluation unit 24 and the higher-level evaluation unit 40 allows energy to be saved during operation of the detection system 20.
  • the energy stores 26, which are designed as batteries, can be used for longer and there are maintenance intervals in which they must be replaced , renewable.
  • FIG. 3 A second embodiment of the claimed method 100 is shown in FIG. 3 in a detail.
  • the embodiment in FIG. 3 assumes that the first, second, third and fourth steps 110, 120, 130, 140 have already been carried out.
  • the measured values 27 stored in the fourth step 140 are transmitted to the superordinate evaluation unit 40, where a fifth step 150 is carried out.
  • the image of the prognosis model 30, which is used in the sensor-bound evaluation unit 24, is characterized by a plurality of model parameters 31 in terms of its functioning.
  • the image of the prognosis model 30 is input to a training algorithm 50 together with the measured values 27 transmitted in the fourth step 140 .
  • a modified prognosis model 39 is created by running through the training algorithm 50 at least once.
  • the modified prognosis model 39 is also characterized by a plurality of model parameters 31 in terms of its functioning.
  • the modified prognosis model 39 comprises a plurality of modified model parameters 37, through which the modifi ed prognosis model 30 stands out from the prognosis model 30 already present.
  • the modified prognosis model 39 can be executed on the higher-level evaluation unit 40 using a higher-level computer program product 64 .
  • the modified th prognosis model 39 to a sensor-bound evaluation unit 24, so that the prognosis model 30 present there is replaced. Consequently, a prognosis model 30 stored in a sensor-bound evaluation unit 24 is modified by the fifth step 150 .
  • the detection system 20 can be automatically adapted and the accuracy of the prognosis model 30 can be increased.

Abstract

The invention relates to a method (100) for monitoring a device (12) in an automated system (10) by means of a sensor (22), the sensor being provided with a sensor-bound evaluation unit (24). The method (100) comprises a first step (110), in which the device (12), the sensor (22) and the sensor-bound evaluation unit (24) are provided in an active operating state and at least one measurement variable (25) in the automated system (10) is measured. In a second step (120), a deviation parameter (33) is determined on the basis of measurement values (27) of the at least one measurement variable (25) by means of a prediction model (30). The method (100) also comprises a third step (130), in which an operating state of the device (12) that conforms to the prediction model is identified if the deviation parameter (33) is below an adjustable threshold value (35). Furthermore, the method (100) comprises a fourth step (140), in which measurement values (27) of the measured variable (25) which is measured in step a) are stored. Said measurement values are transferred to a superordinate evaluation unit (40) for modification of the prediction model (30) if the deviation parameter (33) exceeds the adjustable threshold value (35). According to the invention, the prediction model (30) is executably stored in the sensor-bound evaluation unit (24) in order to reduce data traffic (45) between the sensor-bound evaluation unit (24) and the superordinate evaluation unit (40).

Description

Beschreibung description
Selbsttätig adaptives Überwachungsverfahren für ein Gerät in einer Anlage Automatically adaptive monitoring method for a device in a plant
Die Erfindung betrifft ein Verfahren zum Überwachen eines Ge räts in einer Anlage, das zu einem selbsttätigen Adaptieren geeignet ist. Die Erfindung betrifft auch Computerprogramm produkte, die dazu ausgebildet sind, das Verfahren auf einem Erfassungssystem für das Gerät und/oder einer zugeordneten übergeordneten Auswertungseinheit auszuführen. Ebenso be trifft die Erfindung ein korrespondierendes Erfassungssystem, eine korrespondierende übergeordnete Auswertungseinheit und eine automatisierte Anlage, auf der das erfindungsgemäße Ver fahren eingesetzt wird. The invention relates to a method for monitoring a device in a system that is suitable for automatic adaptation. The invention also relates to computer program products that are designed to execute the method on a detection system for the device and/or an associated higher-level evaluation unit. The invention also relates to a corresponding detection system, a corresponding higher-level evaluation unit and an automated system on which the method according to the invention is used.
Aus der Internationalen Anmeldung WO 2017/112591 Al ist ein Verfahren zur Fehlerdiagnose an einer Maschine bekannt, bei dem ein mobiles Endgerät eingesetzt wird. Das mobile Endgerät ist kommunikativ mit einem Cloud-Server verbunden, mit dem Audio-Daten austauschbar sind. Die Audio-Daten werden durch Erfassen von Geräuschen erzeugt, die die Maschine erzeugt.International application WO 2017/112591 A1 discloses a method for diagnosing faults on a machine, in which a mobile terminal device is used. The mobile end device is communicatively connected to a cloud server with which audio data can be exchanged. The audio data is generated by capturing noises generated by the machine.
Die Audio-Daten werden auf dem Cloud-Server analysiert und ein Analyseresultat an das mobile Endgerät ausgegeben. The audio data is analyzed on the cloud server and an analysis result is sent to the mobile device.
In Anlagen, insbesondere automatisierten Anlagen, wird eine steigende Anzahl an Geräten eingesetzt, deren Betrieb selbst tätig zu überwachen ist. Für die dazu eingesetzten Erfas sungssysteme selbst wird ein einfacher, wartungsarmer und wirtschaftlicher Betrieb angestrebt. Ebenso besteht Bedarf an Erfassungssystemen, die sich automatisch auf bisher unbekann te Betriebszustände der anpassen können. Der Erfindung liegt die Aufgabenstellung zugrunde, eine Möglichkeit zum Überwa chen von Geräten in einer Anlage bereitzustellen, die in zu mindest einem der skizzierten Aspekte eine Verbesserung bie tet. Die Aufgabenstellung wird durch ein erfindungsgemäßes Verfah ren zum Überwachen eines Geräts in einer Anlage gelöst. Die Anlage kann als einfache Applikation mit reduziertem Automa tisierungsgrad ausgebildet sein, wie beispielsweise eine He beanlage oder eine Förderpumpe. Die Anlage kann auch als au tomatisierte Anlage, beispielsweise als Produktionsanlage für eine Chemikalie, Zement, Glas oder Lebensmittel ausgebildet sein, als Fertigungsstraße, als Kraftwerk oder als Leitsys tem, insbesondere als Prozessleitsystem oder als Verkehrs leitsystem. Die Anlage umfasst zumindest ein Gerät, durch das ein Anlagenprozess auf der Anlage durchgeführt wird. Das Ge rät kann beispielsweise ein Ventil, ein Roboter, eine Werk zeugmaschine, ein Antrieb, ein Heizelement, eine Pumpe, ein Wärmetauscher, oder ein Kühlelement sein. Das Gerät ist in der Anlage während deren Betrieb zumindest einem Sensor zuge ordnet und durch den Sensor überwachbar. Der Sensor ist mit einer sensorgebundenen Auswertungseinheit versehen, durch die Messwerte des Sensors empfangbar und auswertbar sind. Das Verfahren umfasst einen ersten Schritt, in dem das Gerät, der Sensor und die sensorgebundene Auswertungseinheit bereitge stellt werden und in einen aktiven Betriebszustand versetzt werden. Im aktiven Betriebszustand erfolgt ein Erfassen zu mindest einer Messgröße des Geräts durch den Sensor. Zur Messgröße werden mittels des Sensors Messwerte erzeugt, die an die sensorgebundene Auswertungseinheit weitergeleitet wer den. In systems, in particular automated systems, an increasing number of devices are being used, the operation of which must be actively monitored. Simple, low-maintenance and economical operation is sought for the detection systems used for this purpose. There is also a need for detection systems that can automatically adapt to previously unknown operating states. The object of the invention is to provide a way of monitoring devices in a system that offers an improvement in at least one of the aspects outlined. The task is solved by a method according to the invention for monitoring a device in a plant. The system can be designed as a simple application with a reduced degree of automation, such as a lifting system or a feed pump. The system can also be designed as an automated system, for example as a production system for a chemical, cement, glass or food, as a production line, as a power plant or as a control system, in particular as a process control system or as a traffic control system. The system includes at least one device, through which a system process is carried out on the system. The device can be, for example, a valve, a robot, a machine tool, a drive, a heating element, a pump, a heat exchanger, or a cooling element. The device is assigned to at least one sensor in the system during operation and can be monitored by the sensor. The sensor is provided with a sensor-bound evaluation unit, through which the measured values of the sensor can be received and evaluated. The method includes a first step in which the device, the sensor and the sensor-based evaluation unit are made available and put into an active operating state. In the active operating state, at least one measured variable of the device is detected by the sensor. The sensor generates measured values for the measured variable, which are forwarded to the sensor-bound evaluation unit.
In einem zweiten Schritt erfolgt ein Ermitteln eines Abwei chungsparameters anhand der Messwerte der zumindest einen Messgröße, die im ersten Schritt erfasst wird. Hierzu werden die Messwerte in ein Prognosemodell eingegeben, durch das ein Betriebsverhalten und/oder Schädigungsverhalten im Anlagen prozess simulierbar und/oder bewertbar ist. Alternativ oder ergänzend ist mit dem Prognosemodell auch ein Betriebsverhal ten und/oder Schädigungsverhalten des Geräts selbst oder ei nes anderen Geräts in der Anlage simulierbar und/oder bewert bar. Insbesondere ist durch das Prognosemodell ein zu erwar tender Schädigungsfortschritt im Anlagenprozess oder einem der Geräte vorhersagbar. Durch den Abweichungsparameter ist charakterisiert, inwieweit ein vorliegender Betriebszustand des Geräts von einem angestrebten und/oder erwarteten Be triebszustand abweicht. Der Abweichungsparameter kann dazu insbesondere eine quantitative Information liefern. In a second step, a deviation parameter is determined using the measured values of the at least one measured variable that is recorded in the first step. For this purpose, the measured values are entered into a prognosis model, through which an operating behavior and/or damage behavior in the plant process can be simulated and/or evaluated. Alternatively or additionally, the prognosis model can also be used to simulate and/or evaluate an operating behavior and/or damage behavior of the device itself or of another device in the system. In particular, the prognosis model is an expected damage progress in the plant process or a of the devices predictable. The deviation parameter characterizes the extent to which an existing operating state of the device deviates from a desired and/or expected operating state. For this purpose, the deviation parameter can in particular provide quantitative information.
Das Verfahren umfasst ferner einen dritten Schritt, in dem ein prognosemodellkonformer Betriebszustand erkannt, wenn der Abweichungsparameter einen einstellbaren Schwellenwert unter schreitet. Mittels des einstellbaren Schwellenwerts ist un terscheidbar, ob die Abweichung des vorliegenden Betriebszu stands eine hinnehmbare Schwankung darstellt oder ob diese gesteigerte Vorsicht gebietet. Der Schwellenwert kann bei spielsweise durch einen Benutzer eingestellt werden, so dass dessen Kenntnisse über die Anlage in das erfindungsgemäße Verfahren einbeziehbar sind. Unter einem Unterschreiten ist im dritten Schritt ein betragsmäßiges Unterschreiten zu ver stehen. Wenn der einstellbare Schwellenwert überschritten wird, wird ein vierter Schritt durchgeführt. The method also includes a third step, in which an operating state that conforms to the prognosis model is recognized if the deviation parameter falls below an adjustable threshold value. The adjustable threshold value can be used to distinguish whether the deviation from the current operating status represents an acceptable fluctuation or whether this requires increased caution. The threshold value can be set, for example, by a user so that his knowledge of the system can be included in the method according to the invention. In the third step, falling short is to be understood as falling short in terms of amount. If the adjustable threshold is exceeded, a fourth step is performed.
Im vierten Schritt erfolgt ein Speichern der Messwerte der Messgröße, die im ersten Schritt erfasst wird. Die gespei cherten Messwerte werden an eine übergeordnete Auswertungs einheit übertragen, um anhand dieser das Prognosemodell zu modifizieren. Durch das Überschreiten des einstellbaren Schwellenwerts durch den Abweichungsparameter wird im erfin dungsgemäßen Verfahren das Vorliegen einer Betriebssituation erkannt, die eine nähere Analyse durch das Prognosemodell er fordert. Insbesondere ist so erkennbar, dass eine vorliegende Betriebssituation durch das Prognosemodell nicht hinreichend präzise abgedeckt wird, so dass dessen Weiterbildung geboten ist. In the fourth step, the measured values of the measured variable that are recorded in the first step are stored. The stored measured values are transmitted to a higher-level evaluation unit in order to use this to modify the prognosis model. When the adjustable threshold value is exceeded by the deviation parameter, the presence of an operating situation is recognized in the method according to the invention, which requires a more detailed analysis by the prognosis model. In particular, it is recognizable that an existing operating situation is not covered with sufficient precision by the prognosis model, so that its further development is required.
Erfindungsgemäß ist das Prognosemodell auf der sensorgebunde nen Auswertungseinheit in ausführbarer Form gespeichert. Der zweite und dritte Schritt, in denen der Abweichungsparameter ermittelt und mit dem einstellbaren Schwellenwert verglichen wird, erfolgt somit auf der sensorgebundenen Auswertungsein- heit. Die im vierten Schritt gespeicherten Messwerte stellen Daten dar, die den erkannten nicht prognosemodellkonformen Betriebszustand prägnant abbilden. Die im vierten Schritt ge speicherten Daten sind in einfacher Weise von anderen Mess werten trennbar. Das Übertragen der im vierten Schritt ge speicherten Messwerte auf die übergeordnete Auswertungsein heit konzentriert sich somit auf die Messwerte, die zum Modi fizieren des Prognosemodells erforderlich sind. Der Datenver kehr zwischen der sensorgebundenen Auswertungseinheit und der übergeordneten Auswertungseinheit wird so reduziert, was eine effiziente Datenhaltung erlaubt. Die Erfindung basiert unter anderem auf der überraschenden Erkenntnis, dass ein Betreiben des Prognosemodells auf der sensorgebundenen Auswertungsein heit weniger Energie erfordert als häufiger Datenverkehr. Insbesondere ist ein energieaufwändiges Übertragen von Mess werten vermeidbar. Bei Sensoren und/oder sensorgebundenen Verarbeitungseinheiten, die über einen Energiespeicher, bei spielsweise eine Batterie, betrieben werden, ist so der Ener giespeicher länger nutzbar. Der sich daraus reduzierende War tungsaufwand erlaubt einen wirtschaftlichen Betrieb von Er fassungssystemen mit solchen Sensoren und sensorgebundenen Auswertungseinheiten. Zusätzlich ist das Prognosemodell wäh rend des Betriebs der Anlage selbsttätig adaptierbar, was wiederum einen zuverlässigen und kosteneffizienten Betrieb erlaubt. According to the invention, the prognosis model is stored in an executable form on the sensor-bound evaluation unit. The second and third step, in which the deviation parameter is determined and compared with the adjustable threshold value, is therefore carried out on the sensor-based evaluation unit. Ness. The measured values stored in the fourth step represent data that succinctly depict the recognized operating state that does not conform to the forecast model. The data saved in the fourth step can easily be separated from other measured values. The transmission of the measured values stored in the fourth step to the higher-level evaluation unit thus concentrates on the measured values that are required to modify the prognosis model. The data traffic between the sensor-bound evaluation unit and the superordinate evaluation unit is reduced, which allows efficient data management. The invention is based, among other things, on the surprising finding that operating the prognosis model on the sensor-bound evaluation unit requires less energy than frequent data traffic. In particular, an energy-intensive transmission of measured values can be avoided. In the case of sensors and/or sensor-bound processing units that are operated via an energy store, for example a battery, the energy store can be used for longer. The resulting reduction in maintenance costs allows for economical operation of recording systems with such sensors and sensor-bound evaluation units. In addition, the forecast model can be automatically adapted during operation of the plant, which in turn allows reliable and cost-efficient operation.
In einer Ausführungsform des beanspruchten Verfahrens erfolgt ein fünfter Schritt, in dem durch die übergeordnete Auswer tungseinheit ein modifiziertes Prognosemodell erstellt wird. Das Prognosemodell in der sensorgebundenen Auswertungseinheit wird im fünften Schritt durch das erstellte modifizierte Prognosemodell ersetzt. Das Ersetzen kann dabei auch als ein Erweitern des Prognosemodells erfolgen, von dem das Verfahren ausgeht. Die übergeordnete Auswertungseinheit verfügt über eine gesteigerte Rechenleistung und eine leistungsfähigere Energieversorgung als die sensorgebundene Auswertungseinheit. Das aufwendige Erstellen von modifizierten Prognosemodellen ist dadurch in zweckmäßiger Form auf der übergeordneten Aus- Wertungseinheit durchführbar. Das Modifizieren des Prognose modells ist separat mit einstellbaren Algorithmen möglich, so dass künftige Algorithmen in einfacher Weise für die sensor gebundene Auswertungseinheit nutzbar sind. Das Prinzip einer rollierenden Aktualisierung wird so verwirklicht. Die selbst tätige Adaptiertähigkeit des beanspruchten Verfahrens wird so weiter gesteigert. In one embodiment of the claimed method, a fifth step takes place, in which a modified prognosis model is created by the higher-level evaluation unit. In the fifth step, the prognosis model in the sensor-based evaluation unit is replaced by the modified prognosis model that has been created. In this case, the replacement can also take place as an expansion of the prognosis model on which the method is based. The higher-level evaluation unit has increased computing power and a more powerful energy supply than the sensor-based evaluation unit. The time-consuming creation of modified forecast models is thus carried out in an appropriate form on the higher-level Valuation unit feasible. The forecast model can be modified separately with adjustable algorithms, so that future algorithms can easily be used for the sensor-bound evaluation unit. The principle of a rolling update is realized in this way. The automatic adaptability of the claimed method is thus further increased.
Darüber hinaus kann im dritten Schritt eine Abtastrate für die zumindest eine Messgröße, die mit dem Sensor erfasst wird, verringert werden, wenn der Abweichungsparameter den einstellbaren Schwellenwert unterschreitet. Im beanspruchten Verfahren ist bei Vorliegen eines prognosemodellkonformen Be triebszustands erwartbar, dass dieser über einen verlängerten Zeitraum beständig bleibt. Ein dementsprechend unnötiges Er fassen der Messgröße wird so vermieden. Auch dadurch wird ei ne Reduzierung des Energiebedarfs erreicht, was zu einer ver längerten Nutzungsdauer des Energiespeichers führt. In addition, in the third step, a sampling rate for the at least one measured variable that is detected with the sensor can be reduced if the deviation parameter falls below the adjustable threshold value. In the claimed method, if there is an operating state that conforms to the forecast model, it can be expected that this will remain constant over an extended period of time. A correspondingly unnecessary detection of the measured variable is thus avoided. This also achieves a reduction in the energy requirement, which leads to a longer service life of the energy store.
Alternativ oder ergänzend kann die Abtastrate für die zumin dest eine Messgröße erhöht werden, wenn im vierten Schritt der einstellbare Schwellenwert überschritten wird. Im vierten Schritt ist feststellbar, dass ein Betriebszustand vorliegt, der nicht prognosemodellkonform ist und daher eine detail lierte Messung gebietet. Durch eine erhöhte Abtastrate für die erfasste Messgröße sind zeitlich enger gerasterte Mess werte erzeugbar, durch die nicht prognosemodellkonforme Be triebszustand exakter darstellbar ist. Je detaillierter das nicht prognosemodellkonforme Betriebszustand gemessen wird, umso zielgerichteter ist das Prognosemodell modifizierbar.Alternatively or additionally, the sampling rate for the at least one measured variable can be increased if the adjustable threshold value is exceeded in the fourth step. In the fourth step, it can be determined that an operating condition is present that does not conform to the forecast model and therefore requires a detailed measurement. An increased sampling rate for the recorded measured variable can be used to generate measured values that are more closely spaced in terms of time, which means that operating states that do not conform to the forecast model can be displayed more precisely. The more detailed the operating state, which does not conform to the forecast model, is measured, the more purposefully the forecast model can be modified.
Die Anpassungsfähigkeit des beanspruchten Verfahrens wird so weiter gesteigert. Weiter alternativ oder ergänzend kann die Abtastrate für die zumindest eine Messgröße verringert wer den, wenn der Abweichungsparameter über eine einstellbare Be obachtungsspanne im Wesentlichen konstant bleibt. Das bean spruchte Verfahren erkennt dadurch, dass ein Fortbestehen des im vierten Schritt erkannten Betriebszustands zu erwarten ist und durch weiteres Sammeln von Messwerten kein effizient nutzbarer Zugewinn für das Prognosemodell erzielbar ist. Folglich vermeidet das beanspruchte Verfahren die Erzeugung nutzloser Datenbestände von Messwerten. The adaptability of the claimed method is thus further increased. As a further alternative or in addition, the sampling rate for the at least one measured variable can be reduced if the deviation parameter remains essentially constant over an adjustable observation period. The claimed method thereby recognizes that the operating state recognized in the fourth step is to be expected to continue and that it is not efficient due to the further collection of measured values usable gain for the forecast model can be achieved. Consequently, the claimed method avoids the generation of useless databases of measured values.
Ferner kann im vierten Schritt eine Warnung an einen Benutzer ausgegeben werden. Dadurch ist anzeigbar, dass das bean spruchte Verfahren einen nicht prognosemodellkonformen Be triebszustand erkennt und das Prognosemodell in eine selbst tätige Modifizierung eintritt. Ein situationsgerechtes Ein greifen des Benutzers in den Anlagenprozess ist so früh ein leitbar, wodurch die Betriebssicherheit der Anlage, insbeson dere einer automatisierten Anlage, gesteigert wird. Ebenso ist dem Benutzer so anzeigbar, dass ein Übertragen von ge speicherten Messwerten bevorsteht. Das Übertragen der gespei cherten Messwerte ist durch die Warnung auch durch ein Ausle sen der sensorgebundenen Auswertungseinheit mittels eines Handgeräts gezielt möglich. Ein Abwickeln des Datenverkehrs zwischen der sensorgebundenen Auswertungseinheit und der übergeordneten Auswertungseinheit über vorhandene stationäre Infrastruktur ist so vermeidbar. Ebenso ist dem Benutzer an zeigbar, dass auf der sensorgebundenen Auswertungseinheit Messwerte gespeichert sind, durch die eine vorteilhafte Wei terbildung des Prognosemodells zu erwarten ist und ein manu elles Herunterladen dieser Messwerte geboten ist. Alternativ oder ergänzend können die im vierten Schritt gespeicherten und übertragenen Messwerte durch den Benutzer weiter bearbei tet werden, insbesondere kategorisiert werden. Durch die Ka- tegorisierung ist beispielsweise ein Gut-Zustand von einem Fehler-Zustand unterscheidbar. Alternativ kann das weitere Bearbeiten auch von einem Algorithmus durchgeführt werden. Weiter alternativ oder ergänzend kann das Modifizieren des Prognosemodells auch mittels einer Eingabe des Benutzers oder eines Algorithmus unterbunden werden um so ein unbeabsichtig tes Modifizieren des Prognosemodells zu vermeiden. Gleicher maßen kann mit dem Ausgeben der Warnung das eingeleitete Er fassen und Speichern von Messwerten etikettiert werden. Dadurch kann beispielsweise ein auslösendes Ereignis näher bezeichnet oder typisiert werden, wodurch spätere Modifikati- onen des Prognosemodells spezifischer und sachgerechter durchführbar sind. Die Güte des Prognosemodells wird so über die Lebensdauer des Geräts weiter gesteigert. Furthermore, in the fourth step, a warning can be issued to a user. This makes it possible to indicate that the claimed method recognizes an operating state that does not conform to the forecast model and that the forecast model starts to modify itself. The user can intervene in the system process as appropriate to the situation, which increases the operational reliability of the system, particularly an automated system. It can also be indicated to the user that a transmission of stored measured values is imminent. Due to the warning, the stored measured values can also be transmitted in a targeted manner by reading out the sensor-bound evaluation unit using a hand-held device. Handling of the data traffic between the sensor-bound evaluation unit and the superordinate evaluation unit via the existing stationary infrastructure can thus be avoided. Likewise, the user can be shown that measured values are stored on the sensor-bound evaluation unit, through which an advantageous further development of the prognosis model can be expected and manual downloading of these measured values is required. Alternatively or additionally, the measured values stored and transmitted in the fourth step can be further processed by the user, in particular categorized. The categorization makes it possible, for example, to distinguish between a good status and an error status. Alternatively, the further processing can also be carried out by an algorithm. Further alternatively or additionally, the modification of the prognosis model can also be prevented by means of an input from the user or an algorithm in order to avoid an unintentional modification of the prognosis model. Equally, the initiated acquisition and storage of measured values can be labeled with the issuing of the warning. In this way, for example, a triggering event can be described more precisely or typified, which means that later modifications ions of the prognosis model can be carried out more specifically and appropriately. The quality of the prognosis model is thus further increased over the service life of the device.
In einer weiteren Ausführungsform des beanspruchten Verfah rens ist die sensorgebundene Auswertungseinheit mit der über geordneten Auswertungseinheit über eine Drahtlos-Verbindung gekoppelt. Die Drahtlos-Verbindung kann dabei als Wireless- LAN-Verbindung, Bluetooth-Verbindung, Zig-Bee-Verbindung, Wireless-HART-Verbindung, Mobilfunk-Verbindung, insbesondere als 5G-Verbindung, als NBIoT, als LoRaWAN-Verbindung, oder als jegliche andere drahtlose Feldbus-Verbindung ausgebildet sein. Das Übertragen von gespeicherten Messwerten geht bei einer Drahtlos-Verbindung zur übergeordneten Auswertungsein heit mit einem erhöhten Energiebedarf einher. Insbesondere bei sensorgebundenen Auswertungseinheiten, die über einen Energiespeicher wie eine Batterie betrieben werden, wird durch das beanspruchte Verfahren eine Energieersparnis er zielt, durch die auch eine erhöhte Lebensdauer des Energie speichers gewährleistet ist. Insgesamt wird der Wartungsbe darf in Anlagen, insbesondere in automatisierten Anlagen, durch das beanspruchte Verfahren reduziert. Je mehr sensorge bundene Auswertungseinheiten, und damit auch Sensoren, in der Anlage vorgesehen sind, umso höher ist die Ersparnis an War tungsaufwand. Durch den reduzierten Datenverkehr mit der übergeordneten Auswertungseinheit ist diese mit relativ ein facher Hardware bereitstellbar. Das Gleiche gilt für die Inf rastruktur für den Datenverkehr zwischen der übergeordneten Auswertungseinheit und den sensorgebundenen Auswertungsein heiten. Durch Einsatz des beanspruchten Verfahrens sind Anla gen, insbesondere automatisierte Anlagen, mit gesteigerter Komplexität in praxistauglicher und kosteneffizienter Weise herstellbar . In a further embodiment of the claimed method, the sensor-bound evaluation unit is coupled to the higher-level evaluation unit via a wireless connection. The wireless connection can be a wireless LAN connection, a Bluetooth connection, a Zig-Bee connection, a wireless HART connection, a cellular connection, in particular a 5G connection, an NBIoT, a LoRaWAN connection, or any be designed other wireless fieldbus connection. In the case of a wireless connection to the higher-level evaluation unit, the transmission of stored measured values involves an increased energy requirement. In particular in the case of sensor-bound evaluation units that are operated via an energy store such as a battery, the claimed method achieves energy savings which also ensure an increased service life of the energy store. Overall, the need for maintenance in systems, especially in automated systems, is reduced by the claimed method. The more sensor-bound evaluation units, and thus also sensors, are provided in the system, the greater the savings in maintenance costs. Due to the reduced data traffic with the higher-level evaluation unit, this can be provided with relatively simple hardware. The same applies to the infrastructure for data traffic between the higher-level evaluation unit and the sensor-bound evaluation units. By using the claimed method, systems, in particular automated systems, can be produced with increased complexity in a practical and cost-efficient manner.
Des Weiteren kann der Abweichungsparameter, der im zweiten Schritt ermittelt wird, einer Abweichung eines Ist-Zustands des Geräts von einem Soll-Zustand entsprechen. Der Soll- Zustand ist durch das Prognosemodell ermittelbar und zur Er- fassung der Abweichung vorgebbar. Beispielsweise kann eine durch den Sensor im ersten Schritt als Messgröße erfassten Ist-Temperatur des Geräts von einer Soll-Temperatur abweichen und so einen nicht prognosemodellkonformen Zustand anzeigen. Der nicht prognosemodellkonforme Zustand kann bei einem bei spielsweise als Elektromotor ausgebildeten Gerät eine Über hitzung oder einen Ausfall des Elektromotors, der aufgrund des ausbleibenden Betriebs kalt bleibt. Alternativ oder er gänzend kann der Abweichungsparameter auch einer Abweichung des Ist-Verhaltens des Geräts von einem Soll-Verhalten ent sprechen, das durch das Prognosemodell vorgegeben ist. Ein Soll-Verhalten kann beispielsweise ein Anstieg eines Durch flusses an einer Messstelle an einem Rohr sein, wenn strom aufwärts der Messstelle ein Ventil einen Öffnen-Befehl er hält. Ein Ausbleiben des Anstiegs des Durchflusses ist dabei als Indiz für einen Ausfall des Ventils und/oder des entspre chenden Sensors aufzufassen. Der Abweichungsparameter kann ferner aus einer Kombination einer Mehrzahl von Messgrößen ermittelt werden, die separat oder in gegenseitigem Zusammen hang einen Ist-Zustand und/oder ein Ist-Verhalten darstellen. Insbesondere kann der Abweichungsparameter aus einer Mehrzahl an Messgrößen und/oder Befehlen an das entsprechende Gerät ermittelt werden. Das beanspruchte Verfahren ist infolgedes sen an eine Vielzahl an Anwendungsfällen anpassbar und weist ein breites Einsatzspektrum auf. Furthermore, the deviation parameter, which is determined in the second step, can correspond to a deviation of an actual state of the device from a target state. The target state can be determined by the prognosis model and used to determine version of the deviation can be specified. For example, an actual temperature of the device recorded as a measured variable by the sensor in the first step can deviate from a target temperature and thus indicate a state that does not conform to the forecast model. In the case of a device designed as an electric motor, for example, the condition that does not conform to the forecast model can be overheating or a failure of the electric motor, which remains cold due to the lack of operation. Alternatively or additionally, the deviation parameter can also correspond to a deviation in the actual behavior of the device from a target behavior that is specified by the prognosis model. A target behavior can be, for example, an increase in flow at a measuring point on a pipe when a valve upstream of the measuring point receives an open command. If there is no increase in flow, this should be taken as an indication of a failure of the valve and/or the corresponding sensor. The deviation parameter can also be determined from a combination of a plurality of measured variables that represent an actual state and/or an actual behavior, either separately or in relation to one another. In particular, the deviation parameter can be determined from a plurality of measured variables and/or commands to the corresponding device. As a result, the claimed method can be adapted to a large number of applications and has a wide range of uses.
In einer weiteren Ausführungsform des beanspruchten Verfah rens kann der Abweichungsparameter als eine statistische Grö ße ausgebildet sein, die ausgehend von der zumindest einen Messgröße während des Betriebs des Geräts ermittelt wird. Insbesondere kann der Abweichungsparameter ein Root-Mean- Square-Wert, kurz RMS-Wert, als vRMS-Wert, als aRMS-Wert, als DKW-Wert, der sogenannte Diagnose-Kennwert nach A. Sturm, als Crest-Wert, als Scheitelwert, als Kurtosis-Wert, als Skew- ness-Wert oder als Spitzenwert ausgebildet sein. Ebenso kann der Abweichungsparameter zumindest eine der erfassten Mess größen selbst sein. Statistische Größen sind mit reduziertem Rechenaufwand ermittelbar und bieten für eine Vielzahl an Ge- raten eine aussagefähige Angabe über den bisherigen oder ak tuellen Betriebszustand. Dadurch wird der Rechenaufwand für das beanspruchte Verfahren weiter reduziert. In a further embodiment of the claimed method, the deviation parameter can be in the form of a statistical variable which is determined on the basis of the at least one measured variable during operation of the device. In particular, the deviation parameter can be a root mean square value, RMS value for short, as a vRMS value, as an aRMS value, as a DKW value, the so-called diagnostic characteristic value according to A. Sturm, as a crest value, as a peak value , as a kurtosis value, as a skewness value or as a peak value. Likewise, the deviation parameter can be at least one of the measured variables themselves. Statistical variables can be determined with reduced computing effort and offer a large number of advise meaningful information about the previous or current operating status. This further reduces the computational effort for the claimed method.
Darüber hinaus kann das Prognosemodell, anhand dessen der Ab weichungsparameter im zweiten Schritt ermittelt wird, als Künstliche Intelligenz ausgebildet sein. Das Modifizieren des Prognosemodells erfolgt hierbei durch ein Trainieren des Prognosemodells mit den im vierten Schritt übertragenen Mess werten. Die Künstliche Intelligenz kann insbesondere als ein Neuronales Netz ausgebildet sein, das zu einer Inbetriebnahme mit Ausgangsdaten trainiert wird. Durch Hinzuziehen der im vierten Schritt übertragenen Messwerte ist eine gesteigerte Mengen Ausgangsdaten bereitstellbar, mit denen die Künstliche Intelligenz weiter trainierbar ist. Das Trainieren kann durch ein Zurücksetzen der Künstlichen Intelligenz erfolgen, die mittels der gesteigerten Menge an Ausgangsdaten ab initio neu trainiert wird. Alternativ kann das Trainieren auf dem beste henden Stand der Künstlichen Intelligenz aufsetzen und die hinzugezogenen Messwerte zu einem zusätzlichen Trainings durchlauf nutzen. Ein als Künstliche Intelligenz ausgebilde tes Prognosemodell ist durch die im vierten Schritt des bean spruchten Verfahrens gespeicherten Messwerte durch Trainieren selbsttätig modifizierbar, was ein beschleunigtes Anpassen des Prognosemodells an eine veränderte Betriebssituation er laubt. Alternativ oder ergänzend kann das Prognosemodell auch als Digitaler Zwilling, auch Digital Twin genannt, ausgebil det sein. Die Funktionsweise Digitaler Zwillinge ist bei spielsweise in der Anmeldung US 2017/0286572 Al beschrieben. Der Offenbarungsgehalt von US 2017/0286572 Al wird durch Ver weisung in die vorliegende Anmeldung miteinbezogen. Durch das Prognosemodell, das in der übergeordneten Auswertungseinheit ausführbar ist, ist beispielsweise ein fehlerhafter Sensor in der Anlage detektierbar. In addition, the prognosis model, which is used to determine the deviation parameter in the second step, can be designed as artificial intelligence. In this case, the forecast model is modified by training the forecast model with the measured values transmitted in the fourth step. The artificial intelligence can be designed in particular as a neural network, which is trained for commissioning with initial data. By using the measured values transmitted in the fourth step, an increased amount of output data can be provided, with which the artificial intelligence can be further trained. The training can be done by resetting the artificial intelligence, which is retrained from initio using the increased amount of output data. Alternatively, the training can be based on the current level of artificial intelligence and use the measured values for an additional training run. A prognosis model designed as artificial intelligence can be automatically modified by training using the measured values stored in the fourth step of the claimed method, which allows the prognosis model to be adapted more quickly to a changed operating situation. Alternatively or additionally, the prognosis model can also be designed as a digital twin, also known as a digital twin. The functioning of digital twins is described, for example, in the application US 2017/0286572 A1. The disclosure content of US 2017/0286572 A1 is incorporated by reference into the present application. A faulty sensor in the system, for example, can be detected by the prognosis model, which can be executed in the superordinate evaluation unit.
Die Aufgabenstellung wird auch durch ein erfindungsgemäßes sensorgebundenes Computerprogrammprodukt gelöst, das zu einem Überwachen eines Geräts einer Anlage, insbesondere einer au- tomatisierten Anlage, ausgebildet ist. Das Computerprogramm produkt ist zu einem Verarbeiten von Messwerten eingerichtet, die von einem Sensor erfasst werden. Der Sensor ist mit einer sensorgebundenen Auswertungseinheit ausgestattet, auf der das Computerprogrammprodukt ausführbar ist. Dazu ist das Compu terprogrammprodukt in einer Speichereinheit der sensorgebun denen Auswertungseinheit nicht-flüchtig speicherbar. Das Com puterprogrammprodukt ist erfindungsgemäß zu einem Ausführen zumindest einer Ausführungsform des oben skizzierten Verfah rens ausgebildet. Das sensorgebundene Computerprogrammprodukt kann dazu das Prognosemodell umfassen, mit dem ein Abwei chungsparameter anhand von Messwerten von zumindest einer Messgröße ermittelbar ist, die mittels des Sensors erfassbar ist. Das sensorgebundene Computerprogrammprodukt kann dazu ausgebildet sein, im Zusammenwirken mit anderen Computerpro grammprodukten, beispielsweise einem übergeordneten Computer programmprodukt, das beanspruchte Verfahren umzusetzen. The object is also achieved by a sensor-bound computer program product according to the invention, which is used to monitor a device in a system, in particular an external tomato plant. The computer program product is set up to process measured values that are recorded by a sensor. The sensor is equipped with a sensor-bound evaluation unit on which the computer program product can be executed. For this purpose, the computer program product can be stored non-volatilely in a memory unit of the sensor-bound evaluation unit. According to the invention, the computer program product is designed to execute at least one embodiment of the method outlined above. For this purpose, the sensor-bound computer program product can include the prognosis model, with which a deviation parameter can be determined based on measured values of at least one measured variable that can be detected by the sensor. The sensor-bound computer program product can be designed to implement the claimed method in interaction with other computer program products, for example a higher-level computer program product.
Ebenso wird die Aufgabe durch ein übergeordnetes Computerpro grammprodukt gelöst. Das übergeordnete Computerprogrammpro dukt ist zu einem Überwachen eines Geräts einer Anlage, ins besondere einer automatisierten Anlage, ausgebildet. Das übergeordnete Computerprogrammprodukt ist zu einem Modifizie ren eines Prognosemodells ausgebildet, das unter anderem in einem oben skizzierten Verfahren einsetzbar ist. Das zu modi fizierende Prognosemodell auf einer übergeordneten Auswer tungseinheit ausführbar ausgebildet, also in einer Speicher einheit der übergeordneten Auswertungseinheit nicht-flüchtig speicherbar. Das übergeordnete Computerprogrammprodukt ist erfindungsgemäß zu einer Ausführung zumindest einer Ausfüh rungsform des oben beschriebenen Verfahrens ausgebildet. Dazu kann die übergeordnete Steuerungseinheit beispielsweise als Leitrechner, Speicherprogrammierbare Steuerung, oder als Com- puter-Cloud ausgebildet sein. Ferner kann das übergeordnete Computerprogrammprodukt dazu ausgebildet sein, mit einem sen sorgebundenen Computerprogrammprodukt, das auf einer sensor gebundenen Auswertungseinheit ausführbar gespeichert ist, Zu¬ sammenwirken, um das beanspruchte Verfahren umzusetzen. Ferner wird die Aufgabenstellung durch ein System von Compu terprogrammprodukten gelöst, das ein übergeordnetes Computer programmprodukt nach einer der oben skizzierten Ausführungs formen umfasst. Das System umfasst auch ein sensorgebundenes Computerprogrammprodukt, das nach einer der oben dargestell ten Ausführungsformen ausgebildet ist. Die technischen Vorzü ge des beanspruchten Verfahrens sind so in besonders vorteil hafter Weise erzielbar. The task is also solved by a higher-level computer program product. The higher-level computer program product is designed to monitor a device in a system, in particular an automated system. The higher-level computer program product is designed to modify a prognosis model that can be used, among other things, in a method outlined above. The prognosis model to be modified is designed to be executable on a higher-level evaluation unit, that is to say can be stored in a non-volatile manner in a storage unit of the higher-level evaluation unit. According to the invention, the higher-level computer program product is designed to carry out at least one embodiment of the method described above. For this purpose, the higher-level control unit can be designed, for example, as a master computer, a programmable logic controller, or as a computer cloud. Furthermore, the higher-level computer program product can be designed to interact with a sensor-bound computer program product that is executably stored on a sensor-bound evaluation unit in order to implement the claimed method. Furthermore, the task is solved by a system of computer program products, which includes a higher-level computer program product according to one of the embodiments outlined above. The system also includes a sensor-linked computer program product configured in accordance with any of the embodiments presented above. The technical advantages of the claimed method can be achieved in a particularly advantageous manner.
Gleichermaßen wird die beschriebene Aufgabe durch ein erfin dungsgemäßes Erfassungssystem gelöst, das zu einem Überwachen einer Anlage, insbesondere einer automatisierten Anlage, aus gebildet ist. Das Erfassungssystem umfasst einen Sensor, der dazu geeignet ist, zumindest eine Messgröße in der Anlage zu erfassen und die erfasste Messgröße in Form von Messwerten auszugeben. Dem Sensor ist eine sensorgebundene Auswertungs einheit zugeordnet, so dass die sensorgebundene Auswertungs einheit dazu geeignet ist, die vom Sensor erzeugten Messwerte zu empfangen und zu verarbeiten, also auszuwerten. Die sen sorgebundene Auswertungseinheit kann eine Speichereinheit aufweisen, auf der ein sensorgebundenes Computerprogrammpro dukt nicht-flüchtig speicherbar ist und in einem Betrieb des Erfassungssystems ausführbar ist. Erfindungsgemäß ist das Er fassungssystem dazu ausgebildet, zumindest eine der Ausfüh rungsformen des oben skizzierten Verfahrens durchzuführen. Hierzu kann das sensorgebundene Computerprogrammprodukt bei spielsweise nach einer der oben dargelegten Ausführungsformen ausgebildet sein. The object described is also achieved by a detection system according to the invention, which is designed to monitor a system, in particular an automated system. The detection system includes a sensor that is suitable for detecting at least one measured variable in the system and for outputting the detected measured variable in the form of measured values. A sensor-bound evaluation unit is assigned to the sensor, so that the sensor-bound evaluation unit is suitable for receiving and processing, ie evaluating, the measured values generated by the sensor. The sensor-bound evaluation unit can have a memory unit on which a sensor-bound computer program product can be stored in a non-volatile manner and can be executed during operation of the detection system. According to the invention, the detection system is designed to carry out at least one of the embodiments of the method outlined above. For this purpose, the sensor-bound computer program product can be designed, for example, according to one of the embodiments presented above.
Ferner wird die zugrundeliegende Aufgabenstellung durch eine erfindungsgemäße übergeordnete Auswertungseinheit gelöst, die zu einem Überwachen einer Anlage, insbesondere einer automa tisierten Anlage, ausgebildet ist und mit einer Mehrzahl an Erfassungssystemen verbindbar ist. Durch die Erfassungssyste me ist jeweils ein Gerät der Anlage überwachbar. Die überge ordnete Auswertungseinheit ist erfindungsgemäß mit einem übergeordneten Computerprogrammprodukt nach einer der oben beschriebenen Ausführungsformen ausgestattet. Insbesondere kann die übergeordnete Auswertungseinheit eine Speicherein heit aufweisen, in der das übergeordnete Computerprogrammpro dukt nicht-flüchtig speicherbar ist. Beispielsweise kann die übergeordnete Auswertungseinheit als Leitrechner, als Spei cherprogrammierbare Steuerung, oder als Computer-Cloud ausge bildet sein. Furthermore, the underlying task is solved by a higher-level evaluation unit according to the invention, which is designed to monitor a system, in particular an automated system, and can be connected to a plurality of detection systems. One device in the system can be monitored at a time by the recording systems. According to the invention, the higher-level evaluation unit is connected to a higher-level computer program product according to one of the above described embodiments equipped. In particular, the higher-level evaluation unit can have a storage unit in which the higher-level computer program product can be stored in a non-volatile manner. For example, the higher-level evaluation unit can be designed as a master computer, as a memory-programmable controller, or as a computer cloud.
Die beschriebene Aufgabe wird genauso durch eine erfindungs gemäße Anlage, insbesondere automatisierte Anlage, gelöst, die eine Mehrzahl an Geräten umfasst, durch die ein Anlagen prozess durchführbar ist. Erfindungsgemäß wird zumindest ei nes der Geräte mittels eines Verfahrens nach einer der oben dargestellten Ausführungsformen überwacht. The task described is also achieved by a system according to the invention, in particular an automated system, which comprises a plurality of devices with which a system process can be carried out. According to the invention, at least one of the devices is monitored using a method according to one of the embodiments presented above.
Die Erfindung wird im Folgenden anhand einzelner Ausführungs formen in Figuren näher erläutert. Die Figuren sind insoweit in gegenseitiger Ergänzung zu lesen, dass gleiche Bezugszei chen in unterschiedlichen Figuren die gleiche technische Be deutung haben. Die Merkmale der einzelnen Ausführungsformen sind untereinander auch kombinierbar. Ferner sind die in den Figuren gezeigten Ausführungsformen mit den oben skizzierten Merkmalen kombinierbar. Es zeigen im Einzelnen: The invention is explained in more detail below with reference to individual embodiments in figures. The figures are to be read as complementing one another to the extent that the same reference symbols have the same technical meaning in different figures. The features of the individual embodiments can also be combined with one another. Furthermore, the embodiments shown in the figures can be combined with the features outlined above. They show in detail:
FIG 1 schematisch einen Aufbau einer ersten Ausführungsform der beanspruchten Anlage; 1 schematically shows a structure of a first embodiment of the claimed system;
FIG 2 einen Ablauf einer ersten Ausführungsform des bean spruchten Verfahrens; 2 shows a sequence of a first embodiment of the claimed method;
FIG 3 einen Teil eines Ablaufs einer zweiten Ausführungsform des beanspruchten Verfahrens. 3 shows part of a sequence of a second embodiment of the claimed method.
Eine erste Ausführungsform einer beanspruchten automatisier ten Anlage 10 ist in FIG 1 schematisch in ihrem Aufbau darge stellt. Die automatisierte Anlage 10 umfasst eine Mehrzahl an Geräten 12, die dazu dienen, einen Anlagenprozess 15 auf der automatisierten Anlage 10 ablaufen zu lassen. An den Geräten 12 laufen aufgrund des Anlagenprozesses 15 physikalische Vor gänge ab, die sich in Form von Messgrößen 25 äußern, die an den jeweiligen Geräten 12 messbar sind. Ebenso treten Mess größen 25 an einem Prozessmedium 16 auf, auf das durch die Geräte 12 im Anlagenprozess 15 eingewirkt wird. Auch die am Prozessmedium 16 auftretenden Messgrößen 25 sind messbar. Zum Messen der Messgrößen 25 weist die automatisierte Anlage 10 ein Erfassungssystem 55 auf, das eine Mehrzahl an Sensoren 22 umfasst. Die Sensoren 22 sind jeweils dazu ausgebildet, zu mindest eine Messgröße 25 zu erfassen, die an einem der Gerä te 12 oder dem Prozessmedium 16 vorliegen. Jeder der Sensoren 22 ist mit einer sensorgebundenen Auswertungseinheit 24 ver bunden, die dazu ausgebildet ist, Messwerte 27, die vom ent sprechenden Sensor 22 erzeugt werden, zu empfangen und zu verarbeiten. Die Sensoren 22 und ihre jeweiligen sensorgebun denen Auswertungseinheiten 24 werden über Energiespeicher, die als Batterien ausgebildet sind, mit Energie versorgt. Die Sensoren 22 und die sensorgebundenen Auswertungseinheiten 24 sind auch mit einer feldseitigen Kommunikationseinheit 28 ausgestattet, die dazu ausgebildet ist, mit einer steuerungs seitigen Kommunikationseinheit 48 drahtlos zu kommunizieren. Die steuerungsseitige Kommunikationseinheit 48 ist mit einer übergeordneten Auswertungseinheit 40 verbunden, die ebenfalls zum Überwachen der automatisierten Anlage 10 dient. Die feld seitige Kommunikationseinheit 28 ist insbesondere dazu ausge bildet, Messwerte 27 an die steuerungsseitige Kommunikations einheit 48 zu übertragen, was zwischen diesen einen Datenver kehr 45 darstellt. Die sensorgebundenen Auswertungseinheiten 62 verfügen jeweils über ein sensorgebundenes Computerpro grammprodukt 62, durch das vorgebbar ist, welche Messwerte 27 an die übergeordnete Auswertungseinheit 40 zu übertragen ist. In den jeweiligen sensorgebundenen Computerprogrammprodukten 62 ist jeweils ein Prognosemodell 30 ausführbar gespeichert, durch das die von den Sensoren 27 erzeugten Messwerte 27 aus wertbar, auswählbar und speicherbar sind. Insbesondere ist das Prognosemodell 30 basierend auf den von jeweiligen Sensor 22 erfassten Messwerten 27 betreibbar. Auf der übergeordneten Auswertungseinheit 40 ist ein Abbild des Prognosemodells 30 in einer Speichereinheit 42 nicht-flüchtig gespeichert. Auf der übergeordneten Auswertungseinheit 40 ist ein übergeordne- tes Computerprogrammprodukt 64 gespeichert, das zu einem Mo difizieren des auf der übergeordneten Auswertungseinheit 40 gespeicherten Prognosemodells 30 ausgebildet ist. Hierzu ist das übergeordnete Computerprogrammprodukt 64 dazu ausgebil det, die Messwerte 27, die über die steuerungsseitige Kommu nikationseinheit 48 empfangen werden, zu verarbeiten. Die in FIG 1 gezeigte Ausführungsform der automatisierten Anlage 10 befindet sich in einem Stadium, in dem zumindest ein erster Schritt 110 des erfindungsgemäßen Verfahrens 100 abgeschlos sen ist. Im ersten Schritt 110 sind das zu überwachende Gerät 12, ein entsprechender Sensor 22 und eine zugehörige sensor gebundene Auswertungseinheit 24 funktionsfähig bereitge stellt. In der automatisierten Anlage 10 liegt ein aktiver Betriebszustand vor, so dass eine dem Anlagenprozess 15 ent sprechende Messgröße 25 vorliegt, die mit dem Sensor 22 ge messen wird. Die sich so ergebenden Messwerte 27 sind durch die sensorgebundene Auswertungseinheit 24 zu verarbeiten. The structure of a first embodiment of a claimed automated system 10 is shown schematically in FIG. The automated system 10 includes a plurality of devices 12 which are used to run a system process 15 on the automated system 10 . On the devices 12 run due to the system process from 15 physical processes before, which are expressed in the form of measured variables 25 to the respective devices 12 are measurable. Measured variables 25 also occur in a process medium 16 which is acted on by the devices 12 in the plant process 15 . The measured variables 25 occurring in the process medium 16 can also be measured. In order to measure the measured variables 25 , the automated system 10 has a detection system 55 which includes a plurality of sensors 22 . The sensors 22 are each designed to detect at least one measured variable 25 which is present on one of the devices 12 or the process medium 16 . Each of the sensors 22 is connected to a sensor-bound evaluation unit 24 which is designed to receive and process measured values 27 generated by the corresponding sensor 22 . The sensors 22 and their respective sensor-bound evaluation units 24 are supplied with energy via energy storage devices, which are in the form of batteries. The sensors 22 and the sensor-bound evaluation units 24 are also equipped with a field-side communication unit 28 which is designed to communicate wirelessly with a control-side communication unit 48 . The control-side communication unit 48 is connected to a higher-level evaluation unit 40 which is also used to monitor the automated system 10 . The field-side communication unit 28 is designed in particular to transmit measured values 27 to the controller-side communication unit 48, which represents data traffic 45 between them. The sensor-based evaluation units 62 each have a sensor-based computer program product 62 that can be used to specify which measured values 27 are to be transmitted to the superordinate evaluation unit 40 . A prognosis model 30 is executably stored in the respective sensor-bound computer program products 62, by means of which the measured values 27 generated by the sensors 27 can be evaluated, selected and stored. In particular, the prognosis model 30 can be operated based on the measured values 27 recorded by the respective sensor 22 . An image of the prognosis model 30 is stored non-volatile in a memory unit 42 on the higher-level evaluation unit 40 . On the higher-level evaluation unit 40 is a higher-level th computer program product 64 is stored, which is designed to modify the prognosis model 30 stored on the higher-level evaluation unit 40 . For this purpose, the higher-level computer program product 64 is designed to process the measured values 27, which are received via the communication unit 48 on the control side. The embodiment of the automated system 10 shown in FIG. 1 is in a stage in which at least a first step 110 of the method 100 according to the invention has been completed. In the first step 110, the device 12 to be monitored, a corresponding sensor 22 and an associated sensor-bound evaluation unit 24 are functionally provided. The automated system 10 is in an active operating state, so that a measured variable 25 corresponding to the system process 15 is present, which is measured with the sensor 22 . The measured values 27 that result in this way are to be processed by the sensor-bound evaluation unit 24 .
Ein Ablauf einer ersten Ausführungsform des beanspruchten Verfahrens 100 zum Überwachen eines nicht näher gezeigten Ge räts 12 ist in FIG 2 abgebildet. Das in FIG 2 gezeigte Ver fahren 100 geht davon aus, dass der erste Schritt 110, wie exemplarisch in FIG 1 skizziert, bereits im Gange ist. Der Ablauf der ersten Ausführungsform des beanspruchten Verfah rens 100 ist in Form eines Diagramms 70 dargestellt. Das Dia gramm 70 weist eine horizontale Zeitachse 72 auf und eine vertikale Größenachse 74. Während eines aktiven Betriebs der nicht näher gezeigten automatisierten Anlage 10 liegt eine veränderliche Messgröße 25 vor, die mit einem Sensor 22 er fasst wird. Zur Messgröße 25 werden in zeitlich beabstandet Messwerte 27 erhoben, also erzeugt. Zwischen dem Erheben von zwei Messwerten 27 für die Messgröße 25 liegen inaktive Pha sen 34 des Sensors 22, aus denen sich eine Abtastrate 36 für die Messgröße 25 ergibt. Für die Messgröße 25 ist ein Soll- Wert 32 vorgegeben. Während eines zweiten Schritts 120 des Verfahrens 100 erfolgt ein Ermitteln eines Abweichungsparame ters 33, durch den eine Abweichung der Messgröße 25 von ihrem Sollwert 32 quantifiziert ist. Bis zum Eintritt eines Scha- densereignisses 75 unterschreitet der Abweichungsparameter 33 einen einstellbaren Schwellenwert 35. Durch ein Unterschrei ten des einstellbaren Schwellenwerts 35 ist angezeigt, dass der vorliegende Betriebszustand und/oder ein Verhalten des Geräts 12 mit einem Prognosemodell 30 konform ist. Das Prog nosemodell 30 ist in der sensorgebundenen Auswertungseinheit 24 ausführbar gespeichert und ist auch dazu geeignet, den Ab weichungsparameter 33 zu ermitteln und/oder diesen mit dem einstellbaren Schwellenwert 35 zu vergleichen. Das Erkennen des prognosemodellkonformen Betriebszustands des Geräts 12 und/oder der automatisierten Anlage 10 erfolgt in einem drit ten Schritt 130 des Verfahrens 100. A sequence of a first embodiment of the claimed method 100 for monitoring a device 12 (not shown in detail) is shown in FIG. The method 100 shown in FIG. 2 assumes that the first step 110, as outlined in FIG. 1 as an example, is already in progress. The flow of the first embodiment of the claimed method 100 is shown in the form of a diagram 70 . Diagram 70 has a horizontal time axis 72 and a vertical size axis 74. During active operation of automated system 10, which is not shown in detail, there is a variable measured variable 25 that is recorded with a sensor 22. Measured values 27 are collected, ie generated, at different times for the measured variable 25 . Between the collection of two measured values 27 for the measured variable 25 there are inactive phases 34 of the sensor 22, from which a sampling rate 36 for the measured variable 25 results. A target value 32 is specified for the measured variable 25 . During a second step 120 of the method 100, a deviation parameter 33 is determined, by which a deviation of the measured variable 25 from its setpoint value 32 is quantified. Until the occurrence of a densevent 75, the deviation parameter 33 falls below an adjustable threshold value 35. Falling below the adjustable threshold value 35 indicates that the present operating state and/or a behavior of the device 12 conforms to a prognosis model 30. The prognosis model 30 is executably stored in the sensor-linked evaluation unit 24 and is also suitable for determining the deviation parameter 33 and/or for comparing it with the adjustable threshold value 35 . The detection of the forecast model-compliant operating state of the device 12 and/or the automated system 10 takes place in a third step 130 of the method 100.
Durch den Eintritt des Schadensereignisses 75 wird der im ersten Schritt 110 ablaufende Anlagenprozess 15 beeinträch tigt. Die erfasste Messgröße 25 weicht nach Eintritt des Schadensereignisses 75 zunehmend von ihrem Soll-Wert 32 ab. Infolgedessen steigt der Abweichungsparameter 33 und über schreitet den einstellbaren Schwellenwert 35. Durch das Über schreiten des einstellbaren Schwellenwerts 35 wird in einem vierten Schritt 140 ein Vorliegen eines nicht-prognosemodell- konformen Betriebszustands erkannt. Gegenüber dem dritten Schritt 130 wird im vierten Schritt eine reduzierte inaktive Phase 34, also eine erhöhte Abtastrate 36, für den Sensor 22 vorgegeben. Dadurch werden Messwerte 27 nach Eintritt des Schadensereignisses 75 enger getaktet erfasst, wodurch eine zeitlich präzisere Beschreibung des Zustands der Geräts 12 nach Eintritt des Schadensereignisses möglich ist. Mittels der Messwerte 27, die während des vierten Schritts 140 ge speichert werden, ist das Prognosemodell 30 modifizierbar. Solange ein prognosemodellkonformer Betriebszustand vorliegt wie im dritten Schritt 130, sind Übertragungen von Messwerten 27 an eine übergeordnete Auswertungseinheit 40 minimierbar, und somit Datenverkehr 45 zwischen der sensorgebundenen Aus wertungseinheit 24 und der übergeordneten Auswertungseinheit 40 reduzierbar. Wenn im vierten Schritt 140 hingegen ein nicht-prognosemodellkonformer Betriebszustand erkannt ist, erfolgt ein Übertragen der im vierten Schritt 140 vorhandenen Messwerte 27 an die übergeordnete Auswertungseinheit 40. Mit tels der so übertragenen Messwerte 27 ist ein Abbild des Prognosemodells 30, das in der sensorgebundenen Auswertungs einheit 24 eingesetzt wird, gespeichert, modifizierbar. Das in der übergeordneten Auswertungseinheit 40 hinterlegte Prog nosemodell 30 ist dadurch an bisher unbekannte Betriebssitua tionen und/oder Schadensereignisse anpassbar. Der zwischen der sensorgebundenen Auswertungseinheit 24 und der übergeord neten Auswertungseinheit 40 reduzierte Datenverkehr 45 er laubt eine Energieersparnis im Betrieb des Erfassungssystems 20. Insbesondere sind die Energiespeicher 26, die als Batte rien ausgebildet sind, so länger nutzbar und Wartungsinter valle, in denen diese auszutauschen sind, verlängerbar. The system process 15 running in the first step 110 is impaired by the occurrence of the damaging event 75 . The detected measured variable 25 increasingly deviates from its target value 32 after the damage event 75 has occurred. As a result, the deviation parameter 33 increases and exceeds the adjustable threshold value 35. By exceeding the adjustable threshold value 35, the presence of an operating state that does not conform to the forecast model is detected in a fourth step 140. Compared to the third step 130, a reduced inactive phase 34, ie an increased sampling rate 36, is specified for the sensor 22 in the fourth step. As a result, measured values 27 after the occurrence of the damage event 75 are recorded more closely clocked, as a result of which a temporally more precise description of the state of the device 12 after the occurrence of the damage event is possible. The prognosis model 30 can be modified using the measured values 27 that are stored during the fourth step 140 . As long as there is an operating state that conforms to the prognosis model, as in third step 130, transmissions of measured values 27 to a higher-level evaluation unit 40 can be minimized, and thus data traffic 45 between the sensor-bound evaluation unit 24 and the higher-level evaluation unit 40 can be reduced. If, on the other hand, an operating state that does not conform to the prognosis model is recognized in fourth step 140 , the data present in fourth step 140 are transmitted Measured values 27 to the higher-level evaluation unit 40. Using the measured values 27 thus transmitted, an image of the prognosis model 30, which is used in the sensor-bound evaluation unit 24, is stored and can be modified. The prognosis model 30 stored in the higher-level evaluation unit 40 can thus be adapted to previously unknown operating situations and/or damage events. The reduced data traffic 45 between the sensor-bound evaluation unit 24 and the higher-level evaluation unit 40 allows energy to be saved during operation of the detection system 20. In particular, the energy stores 26, which are designed as batteries, can be used for longer and there are maintenance intervals in which they must be replaced , renewable.
Eine zweite Ausführungsform des beanspruchten Verfahrens 100 ist in FIG 3 in einem Ausschnitt gezeigt. Die Ausführungsform in FIG 3 geht davon aus, dass der erste, zweite, dritte und vierte Schritt 110, 120, 130, 140 bereits durchgeführt sind. Die im vierten Schritt 140 gespeicherten Messwerte 27 sind an die übergeordnete Auswertungseinheit 40 übertragen, wo ein fünfter Schritt 150 durchgeführt wird. Das Abbild des Progno semodells 30, das in der sensorgebundenen Auswertungseinheit 24 eingesetzt wird, ist in seiner Funktionsweise durch eine Mehrzahl an Modellparametern 31 charakterisiert. Das Abbild des Prognosemodells 30 wird zusammen mit den im vierten Schritt 140 übertragenen Messwerten 27 als Eingabe an einen Trainingsalgorithmus 50 eingegeben. Durch ein zumindest ein maliges Durchlaufen des Trainingsalgorithmus 50 wird ein mo difiziertes Prognosemodell 39 erstellt. Das modifizierte Prognosemodell 39 ist ebenfalls durch eine Mehrzahl an Mo dellparametern 31 in seiner Funktionsweise charakterisiert. Das modifizierte Prognosemodell 39 umfasst eine Mehrzahl an modifizierten Modellparametern 37, durch die sich das modifi zierte Prognosemodell 30 vom bereits vorhandenen Prognosemo dell 30 abhebt. Das modifizierte Prognosemodell 39 ist mit tels eines übergeordneten Computerprogrammprodukts 64 auf der übergeordneten Auswertungseinheit 40 ausführbar. Des Weiteren erfolgt im fünften Schritt 150 ein Übertragen des modifizier- ten Prognosemodells 39 auf eine sensorgebundene Auswertungs einheit 24, so dass das dort vorhandene Prognosemodell 30 er setzt wird. Folglich wird durch den fünften Schritt 150 ein in einer sensorgebundenen Auswertungseinheit 24 gespeichertes Prognosemodell 30 modifiziert. Hierdurch ist das Erfassungs system 20 selbsttätig adaptierbar und die Genauigkeit des Prognosemodells 30 steigerbar. A second embodiment of the claimed method 100 is shown in FIG. 3 in a detail. The embodiment in FIG. 3 assumes that the first, second, third and fourth steps 110, 120, 130, 140 have already been carried out. The measured values 27 stored in the fourth step 140 are transmitted to the superordinate evaluation unit 40, where a fifth step 150 is carried out. The image of the prognosis model 30, which is used in the sensor-bound evaluation unit 24, is characterized by a plurality of model parameters 31 in terms of its functioning. The image of the prognosis model 30 is input to a training algorithm 50 together with the measured values 27 transmitted in the fourth step 140 . A modified prognosis model 39 is created by running through the training algorithm 50 at least once. The modified prognosis model 39 is also characterized by a plurality of model parameters 31 in terms of its functioning. The modified prognosis model 39 comprises a plurality of modified model parameters 37, through which the modifi ed prognosis model 30 stands out from the prognosis model 30 already present. The modified prognosis model 39 can be executed on the higher-level evaluation unit 40 using a higher-level computer program product 64 . Furthermore, in the fifth step 150, the modified th prognosis model 39 to a sensor-bound evaluation unit 24, so that the prognosis model 30 present there is replaced. Consequently, a prognosis model 30 stored in a sensor-bound evaluation unit 24 is modified by the fifth step 150 . As a result, the detection system 20 can be automatically adapted and the accuracy of the prognosis model 30 can be increased.

Claims

Patentansprüche patent claims
1. Verfahren (100) zum Überwachen eines Geräts (12) in einer Anlage (10) mittels eines Sensors (22) und einer sensorgebun denen Auswertungseinheit (24), umfassend die Schritte: a) Bereitstellen des Geräts (12), des Sensors (22) und der sensorgebundenen Auswertungseinheit (24) in einem aktiven Betriebszustand und Erfassen zumindest einer Messgröße (25) in der Anlage (10); b) Ermitteln eines Abweichungsparameters (33) anhand von Messwerten (27) der zumindest einen Messgröße (25) mittels eines Prognosemodells (30); c) Erkennen eines prognosemodellkonformen Betriebszustands des Geräts (12), wenn der Abweichungsparameter (33) einen einstellbaren Schwellenwert (35) unterschreitet; d) Speichern der Messwerte (27) der im Schritt a) erfassten Messgröße (25) und Übertragen der gespeicherten Messwerte1. A method (100) for monitoring a device (12) in a system (10) by means of a sensor (22) and a sensor-bound evaluation unit (24), comprising the steps of: a) providing the device (12), the sensor ( 22) and the sensor-bound evaluation unit (24) in an active operating state and detecting at least one measured variable (25) in the system (10); b) determining a deviation parameter (33) based on measured values (27) of the at least one measured variable (25) using a forecast model (30); c) detecting an operating state of the device (12) that conforms to the prognosis model if the deviation parameter (33) falls below an adjustable threshold value (35); d) storing the measured values (27) of the measured variable (25) recorded in step a) and transmitting the stored measured values
(27) an eine übergeordnete Auswertungseinheit (40) zu ei nem Modifizieren des Prognosemodells (30), wenn der Abwei chungsparameter (33) den einstellbaren Schwellenwert (35) überschreitet; e) Ersetzen des Prognosemodells (30) auf der sensorgebundenen Auswertungseinheit (24) durch ein durch die übergeordnete Auswertungseinheit (40) erstelltes modifiziertes Prognose modell (39); dadurch gekennzeichnet, dass das Prognosemodell (30) zu einer Reduzierung eines Datenverkehrs (45) zwischen der sensorge bundenen Auswertungseinheit (24) und der übergeordneten Aus wertungseinheit (40) auf der sensorgebundenen Auswertungsein heit (24) ausführbar gespeichert ist, wobei das Prognosemo dell (30) als Künstliche Intelligenz, nämlich als Neuronales Netz ausgebildet ist, das zu einer Inbetriebnahme mit Aus gangsdaten trainiert wird, und das Modifizieren des Prognose modells (30) als Trainieren des Prognosemodells (30) mit den in Schritt d) übertragenen Messwerten (27) erfolgt. (27) to a higher-level evaluation unit (40) to modify the forecast model (30) if the deviation parameter (33) exceeds the adjustable threshold value (35); e) replacing the prognosis model (30) on the sensor-bound evaluation unit (24) with a modified prognosis model (39) created by the superordinate evaluation unit (40); characterized in that the prognosis model (30) for reducing data traffic (45) between the sensor-bound evaluation unit (24) and the superordinate evaluation unit (40) is executably stored on the sensor-bound evaluation unit (24), the prognosis model ( 30) is designed as artificial intelligence, namely as a neural network, which is trained for commissioning with initial data, and modifying the prognosis model (30) as training the prognosis model (30) with the measured values (27) transmitted in step d) he follows.
2. Verfahren (100) nach Anspruch 1, dadurch gekennzeichnet, dass eine Abtastrate (36) für die zumindest eine Messgröße (25) reduziert wird, wenn der Abweichungsparameter (33) im Schritt c) den einstellbaren Schwellenwert (35) unterschrei tet. 2. The method (100) according to claim 1, characterized in that a sampling rate (36) for the at least one measured variable (25) is reduced if the deviation parameter (33) falls below the adjustable threshold value (35) in step c).
3. Verfahren (100) nach einem der Ansprüche 1 oder 2, dadurch gekennzeichnet, dass die Abtastrate (36) für die zu mindest eine Messgröße (25) erhöht wird, wenn im Schritt d) der einstellbare Schwellenwert (35) überschritten wird. 3. Method (100) according to one of claims 1 or 2, characterized in that the sampling rate (36) for at least one measured variable (25) is increased if the adjustable threshold value (35) is exceeded in step d).
4. Verfahren (100) nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass im Schritt d) ein Ausgeben einer Warnung an einen Benutzer erfolgt. 4. The method (100) according to any one of claims 1 to 3, characterized in that in step d) a warning is issued to a user.
5. Verfahren (100) nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass die sensorgebundene Auswertungseinheit (24) mit der übergeordneten Auswertungseinheit (40) über eine Drahtlos-Verbindung gekoppelt ist. 5. The method (100) according to any one of claims 1 to 4, characterized in that the sensor-bound evaluation unit (24) is coupled to the higher-level evaluation unit (40) via a wireless connection.
6. Verfahren (100) nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass der Abweichungsparameter (33) einer Ab weichung eines Ist-Zustands des Geräts (12) von einem Soll- Zustand entspricht und/oder einer Abweichung des Ist-Verhal tens des Geräts (12) von einem Soll-Verhalten, das durch das Prognosemodell (30) vorgegeben ist. 6. Method (100) according to one of claims 1 to 5, characterized in that the deviation parameter (33) corresponds to a deviation in an actual state of the device (12) from a target state and/or a deviation in the actual behavior least of the device (12) from a target behavior that is specified by the prognosis model (30).
7. Verfahren (100) nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass im Schritt b) eine Mehrzahl an Abwei chungsparametern (33) ermittelt wird. 7. The method (100) according to any one of claims 1 to 6, characterized in that in step b) a plurality of deviation parameters (33) is determined.
8. Verfahren (100) nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass der Abweichungsparameter (33) als sta tistische Größe, insbesondere als RMS-Wert, als, vRMS-Wert, als aRMS-Wert, als DKW-Wert, als Standard-Abweichung, Crest- Wert, als Scheitelwert, als Kurtosis-Wert, als Skewness-Wert, oder als Spitzenwert ausgebildet ist. 8. The method (100) according to any one of claims 1 to 7, characterized in that the deviation parameter (33) as a statistical variable, in particular as an RMS value, as a vRMS value, as an aRMS value, as a DKW value, as a standard deviation, a crest value, a peak value, a kurtosis value, a skewness value, or a peak value.
9. Sensorgebundenes Computerprogrammprodukt (62) zum Überwa chen eines Geräts (12) einer automatisierten Anlage (10), das zu einem Verarbeiten von Messwerten (27) von einem Sensor (22) auf einer sensorgebundenen Auswertungseinheit (24) aus führbar ausgebildet ist, dadurch gekennzeichnet, dass das sensorgebundene Computerprogrammprodukt (62) zur Durchführung eines Verfahrens (100) nach einem der Ansprüche 1 bis 8 aus gebildet ist. 9. Sensor-bound computer program product (62) for monitoring a device (12) of an automated system (10) that for processing measured values (27) from a sensor (22) on a sensor-bound evaluation unit (24), characterized in that the sensor-bound computer program product (62) for carrying out a method (100) according to one of Claims 1 to 8 is trained.
10. Übergeordnetes Computerprogrammprodukt (64) zum Überwa chen eines Geräts (12) einer automatisierten Anlage (10), das zu einem Modifizieren eines Prognosemodells (30) auf einer übergeordneten Auswertungseinheit (40) ausführbar ausgebildet ist, dadurch gekennzeichnet, dass das übergeordnete Computer programmprodukt (64) zur Durchführung eines Verfahrens (100) nach einem der Ansprüche 1 bis 8 eingerichtet ist. 10. Higher-level computer program product (64) for monitoring a device (12) of an automated system (10), which is designed to be executable for modifying a forecast model (30) on a higher-level evaluation unit (40), characterized in that the higher-level computer program product (64) for carrying out a method (100) according to one of Claims 1 to 8.
11. Erfassungssystem (20) zum Überwachen einer automatisier ten Anlage (10), umfassend einen Sensor (22) mit einer zuge ordneten sensorgebundenen Auswertungseinheit (24), dadurch gekennzeichnet, dass das Erfassungssystem (20) zu einer Durchführung eines Verfahrens (100) nach einem der Ansprüche 1 bis 8 eingerichtet ist. 11. Detection system (20) for monitoring an automated system (10), comprising a sensor (22) with an associated sensor-based evaluation unit (24), characterized in that the detection system (20) to carry out a method (100). according to one of claims 1 to 8.
12. Übergeordnete Auswertungseinheit (40) zum Überwachen ei ner automatisierten Anlage (10), die mit einer Mehrzahl an Erfassungssystemen (20) verbindbar ist, durch die jeweils ein Gerät (12) der automatisierten Anlage (10) überwachbar ist, dadurch gekennzeichnet, dass auf der übergeordneten Auswer tungseinheit (40) ein übergeordnetes Computerprogrammprodukt (64) nach Anspruch 11 ausführbar gespeichert ist. 12. Higher-level evaluation unit (40) for monitoring an automated system (10), which can be connected to a plurality of detection systems (20), through which one device (12) of the automated system (10) can be monitored in each case, characterized in that a higher-level computer program product (64) according to claim 11 is executably stored on the higher-level evaluation unit (40).
13. Anlage (10), insbesondere automatisierte Anlage (10), um fassend eine Mehrzahl an Geräten (12), dadurch gekennzeich net, dass zumindest eines der Geräte (12) mittels eines Ver fahrens (100) nach einem der Ansprüche 1 bis 8 überwacht wird. 13. Plant (10), in particular automated plant (10), comprising a plurality of devices (12), characterized in that at least one of the devices (12) by means of a method (100) according to one of claims 1 to 8 is monitored.
PCT/EP2022/061931 2021-05-20 2022-05-04 Automatically adaptive monitoring method for a device in a system WO2022243035A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021205175.8 2021-05-20
DE102021205175.8A DE102021205175A1 (en) 2021-05-20 2021-05-20 Automatically adaptive monitoring method for a device in a plant

Publications (1)

Publication Number Publication Date
WO2022243035A1 true WO2022243035A1 (en) 2022-11-24

Family

ID=81877724

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/061931 WO2022243035A1 (en) 2021-05-20 2022-05-04 Automatically adaptive monitoring method for a device in a system

Country Status (2)

Country Link
DE (1) DE102021205175A1 (en)
WO (1) WO2022243035A1 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19630127C1 (en) * 1996-07-25 1998-01-08 Connect Plus Ingenieurgesellsc Data transmission method
US20130030765A1 (en) * 2011-07-27 2013-01-31 Danni David System and method for use in monitoring machines
DE102012204173A1 (en) * 2012-03-16 2013-09-19 Siemens Aktiengesellschaft Method for transmission of measured and forecast values from sensor node to data sink, involves transmitting measured value and forecast values to data sink for duration of no further specific measurement values from sensor node
WO2017112591A1 (en) 2015-12-20 2017-06-29 Prophecy Sensors, Llc Machine fault detection based on a combination of sound capture and on spot feedback
US20170286572A1 (en) 2016-03-31 2017-10-05 General Electric Company Digital twin of twinned physical system

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10217646B4 (en) 2002-04-19 2011-04-14 Endress + Hauser Gmbh + Co. Kg Method for determining a characteristic size of a process medium
DE102007004943A1 (en) 2007-01-26 2008-07-31 Abb Ag System and method for controlling one or more switchgear

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19630127C1 (en) * 1996-07-25 1998-01-08 Connect Plus Ingenieurgesellsc Data transmission method
US20130030765A1 (en) * 2011-07-27 2013-01-31 Danni David System and method for use in monitoring machines
DE102012204173A1 (en) * 2012-03-16 2013-09-19 Siemens Aktiengesellschaft Method for transmission of measured and forecast values from sensor node to data sink, involves transmitting measured value and forecast values to data sink for duration of no further specific measurement values from sensor node
WO2017112591A1 (en) 2015-12-20 2017-06-29 Prophecy Sensors, Llc Machine fault detection based on a combination of sound capture and on spot feedback
US20170286572A1 (en) 2016-03-31 2017-10-05 General Electric Company Digital twin of twinned physical system

Also Published As

Publication number Publication date
DE102021205175A1 (en) 2022-11-24

Similar Documents

Publication Publication Date Title
EP3279756B1 (en) Diagnostic device and method for monitoring the operation of a technical plant
WO2010015465A1 (en) Diagnosis method of a process automation system
DE19732046A1 (en) Process diagnostic system and method for diagnosing processes and states of a technical process
EP3077878B1 (en) Computer-implemented method and system for automatic monitoring and status detection of entire process stages in a process unit
EP1607192A2 (en) Method and system for estimating the wear of robot arm joints
EP1543394A1 (en) Method and device for monitoring a technical installation comprising several systems, in particular an electric power station
DE102016015332A1 (en) A preventive maintenance management system and method for creating a maintenance plan of a machine and cell controller
DE102019103824A1 (en) FAULT FORECASTING DEVICE AND MECHANICAL LEARNING DEVICE
DE102007041240A1 (en) Method for improving a diagnostic function of a field device
DE102017203836A1 (en) Method and system for determining an expected life of an electrical equipment
WO2014029519A1 (en) Monitoring a first system of a technical plant for producing a product
DE102020102863A1 (en) Parameterization of a component in the automation system
EP2971768B1 (en) Development of a superior model for controlling and/or supervising a compressor system
WO2010046248A1 (en) Method for dynamically adapting a diagnostic system
WO2022243035A1 (en) Automatically adaptive monitoring method for a device in a system
EP2770382B1 (en) Method for commissioning an automation system
EP2971769B1 (en) R&i scheme input for a process for controlling and/or supervising a compressor system
EP3729219B1 (en) Method for monitoring a measuring point in a process automation system
WO2022038060A1 (en) Method for diagnosing an open- and/or closed-loop control system, and open- and/or closed-loop control system
WO2020011479A1 (en) Method for compensating for a malfunction of a field device in an automation technology plant
EP2965157A1 (en) Method and apparatus for operating a process and/or production installation
EP3553679A1 (en) Method for computer-aided error diagnostics for a technical system
EP3564592B1 (en) Process system, control unit for a process system and method for monitoring a process system
DE102004032966A1 (en) Communication network e.g. LAN, examining/monitoring or analyzing device, has memory storing bus or analogue value signals, and display unit indicating deviation/trend of deviation between actual and reference data/errors in network
EP3929683A1 (en) Method for status based maintenance of access device

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: 22727140

Country of ref document: EP

Kind code of ref document: A1

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

Ref country code: DE