WO2023098997A1 - System zur überwachung einer maschine - Google Patents

System zur überwachung einer maschine Download PDF

Info

Publication number
WO2023098997A1
WO2023098997A1 PCT/EP2021/083893 EP2021083893W WO2023098997A1 WO 2023098997 A1 WO2023098997 A1 WO 2023098997A1 EP 2021083893 W EP2021083893 W EP 2021083893W WO 2023098997 A1 WO2023098997 A1 WO 2023098997A1
Authority
WO
WIPO (PCT)
Prior art keywords
sensor
sensor data
machine
wear
processing device
Prior art date
Application number
PCT/EP2021/083893
Other languages
English (en)
French (fr)
Inventor
Ingo MÖNCH
Dimitri PRITZKAU
Anja HERPERS
Tobias SCHUBERT
Original Assignee
Fraba B.V.
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 Fraba B.V. filed Critical Fraba B.V.
Priority to PCT/EP2021/083893 priority Critical patent/WO2023098997A1/de
Priority to EP21835609.5A priority patent/EP4441297A1/de
Publication of WO2023098997A1 publication Critical patent/WO2023098997A1/de

Links

Classifications

    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02F—DREDGING; SOIL-SHIFTING
    • E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
    • E02F9/26—Indicating devices
    • E02F9/267—Diagnosing or detecting failure of vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]

Definitions

  • the present invention relates to a system for monitoring a machine, in particular a construction machine, comprising: at least one sensor device which is set up to detect at least one physical variable and to provide corresponding sensor data, and a central data processing device which is set up to receive from the at least one To analyze sensor device provided sensor data and estimate based on a degree of wear of the machine.
  • a system is known from WO 2015/179046 A1, in which various machine properties are detected by means of a large number of sensor devices, and in which a degree of wear on the machine is estimated based on the size of the sensor data. In particular, when a predefined threshold value is reached, a wear warning is issued and/or the machine is stopped.
  • a variety of sensor devices are required to provide a relatively reliable estimate of wear. To ensure that the wear on the machine is not underestimated, appropriate tolerances must be taken into account for each individual threshold value, which reduces the accuracy of the wear estimate accordingly.
  • the system comprises at least one sensor device that is set up to record at least one physical variable and to provide corresponding sensor data.
  • the system preferably comprises a plurality of - preferably identical - sensor devices which are designed to be arranged on different parts of the machine to be monitored.
  • Each of the sensor devices particularly preferably has a gyroscope sensor unit and/or an acceleration sensor unit.
  • Such sensor devices are also referred to, for example, as yaw rate sensors, gyroscopes, accelerometers, acceleration pickups, accelerometers, vibration pickups, oscillation pickups, G-sensors, B-meters or inertial measuring units.
  • the sensor data of such sensor devices typically include yaw rate values and/or acceleration values for three spatial directions perpendicular to one another.
  • the system according to the invention also includes a central data processing device, which is connected to each individual sensor device via a direct or indirect data connection, so that the central data processing device has access to the sensor data provided by each individual sensor device.
  • the central data processing device is set up to analyze the sensor data provided by the at least one sensor device and, based thereon, to estimate a current degree of wear of the machine.
  • the central data processing device is set up to estimate the degree of wear using an artificial intelligence subsystem (AI subsystem), which receives the provided sensor data from all sensor devices as input data and processes them in order to estimate the current degree of wear of the machine based on the sensor data provided.
  • AI subsystem artificial intelligence subsystem
  • the AI subsystem can be any type of system that is set up to execute methods/algorithms assigned to the field of artificial intelligence.
  • the AI subsystem can, for example, include what is known as an artificial neural network and/or can be set up to carry out methods/algorithms of what is known as machine learning.
  • the central data processing device and the AI subsystem can be formed by any combination of any number of interconnected computer systems, which can each include any number of interacting computer programs.
  • the central data processing device and the AI subsystem can be formed by the computer systems of a so-called data center.
  • the AI subsystem according to the invention is trained/can be trained to recognize wear-indicating sensor data patterns and/or sensor data values and to estimate the degree of wear of the machine based thereon.
  • the Kl subsystem does not have to be provided with hard threshold values, but the Kl system "learns" to recognize wear-indicating sensor data patterns / sensor data values and / or deviations from a normal operating state of the machine. This enables a particularly precise and reliable monitoring of the machine with a relatively small number of sensor devices.
  • the AI subsystem is preferably set up: in the sensor data provided, already known, wear-indicating sensor data patterns and estimate the degree of wear on the machine based on the detected sensor data patterns.
  • the sensor data patterns can, for example, be characteristic
  • the sensor data patterns can be programmed into the AI subsystem in advance and/or learned by the AI subsystem.
  • the characteristic sensor data patterns can be learned in a laboratory/test environment and/or on the machine to be monitored itself.
  • the Kl subsystem enables a very reliable detection of the known sensor data patterns in the provided sensor data. Based on the information about the presence or absence of the sensor data pattern, the current degree of wear on the machine can in turn be estimated relatively accurately and reliably.
  • the Kl subsystem is set up: to learn normal operation sensor data patterns in a training mode based on the sensor data provided, which depict normal machine operation, to detect deviations from the learned normal operation sensor data patterns in a detection mode based on the sensor data provided, and to determine the degree of wear of the machine based on the detected deviations from the learned normal operation sensor data patterns.
  • the AI subsystem is therefore set up to be trained to recognize an “abnormal” operating state of the machine and to estimate wear based on the specific deviations from the “normal” operating state of the machine. It is also conceivable here that the AI subsystem is set up to compare the detected deviations with previously known deviation patterns in order to estimate the degree of wear on the machine.
  • Kl subsystem are trained in training mode to recognize special machine movement sequences based on the sensor data provided, and to estimate the degree of wear on the machine based on deviations/changes in these movement sequences.
  • the AI subsystem is set up to compare the degree of wear based on deviations
  • the central data processing device is preferably arranged at a location remote from the machine and is connected to the at least one sensor device via a wide area network (WAN).
  • WAN wide area network
  • the central data processing device is therefore not located directly on the machine to be monitored and typically not in the same room as the machine to be monitored.
  • the central data processing device can be formed by one or more computer systems of a data center. This allows the AI subsystem to be executed by a very powerful computer system that is specialized in executing AI systems, without a corresponding computer system having to be provided on the machine for this purpose. This enables a particularly exact and reliable assessment of the degree of wear on the machine.
  • the WAN via which the at least one sensor device is connected to the central data processing device, includes a cellular network, and has at least one sensor device—preferably each sensor device—a cellular interface.
  • the sensor data to be transmitted directly from the at least one sensor device to the central data processing device, without a special network infrastructure having to be provided for connecting the sensor devices to the WAN. This creates a particularly versatile system for monitoring a machine.
  • At least one sensor device has a filter unit that is set up to use a filter algorithm to filter a total amount of specific sensor data in order to determine filtered sensor data, and the corresponding sensor device is set up to provide only the filtered sensor data to the central data processing device.
  • the filter unit is therefore set up to determine a filtered subset of sensor data elements from a total set of detected sensor data elements, and the sensor device is set up to provide only this subset of sensor data elements to the central data processing device.
  • the filter algorithm can be set up in such a way that the filtered sensor data includes only every xth, for example every 10th, 100th, etc. sensor data element of all sensor data elements.
  • the filter algorithm preferably comprises a number of filter criteria which are applied to the sensor data. This provides a significant reduction in the time provided to the central data processing device
  • Sensor data volume and thereby enables the use of data connections with a relatively low bandwidth to connect the at least one sensor device to the central data processing device.
  • a loss of information can be prevented or at least minimized by setting up the filter algorithm appropriately.
  • the filter algorithm is advantageously set up to compare sensor data elements of the sensor data with at least one threshold value such that the filtered sensor data only include those sensor data elements whose sensor value is greater than or equal to or less than or equal to the corresponding threshold value.
  • the threshold value typically indicates a minimum/maximum value of a physical variable detected by the at least one sensor device or of a physical variable that can be derived from the sensor data.
  • the threshold may indicate a minimum/maximum acceleration value, a minimum/maximum yaw rate value, a minimum/maximum vibration frequency value, or a minimum/maximum vibration amplitude value.
  • At least one sensor device is preferably set up in such a way that the filter algorithm of the filter unit can be adapted by the central data processing device.
  • the AI subsystem of the central data processing device is preferably set up here to use the provided sensor data to determine filter parameters/filter criteria of the filter algorithm, in particular threshold values of the filter algorithm, and to make them available to the corresponding sensor device. For example, it is conceivable that the filter parameters / filter criteria in the course of the training mode from the Kl subsystem are determined. Since the filter algorithm can be adapted by the central data processing device, the filtering carried out by the sensor device and thus the filtering provided to the central data processing device can be adjusted
  • a self-learning filter algorithm can be implemented in a simple manner in connection with the K1 subsystem. This enables a particularly precise and reliable monitoring of the machine.
  • Figure 1 schematically shows a system according to the invention for monitoring a machine - here an excavator - with the system having a large number of sensor devices arranged on the machine and a central data processing device arranged at a location remote from the machine and connected to the sensor devices via a wide area data network an artificial intelligence subsystem, and
  • Figure 2 shows schematically the structure of the sensor devices
  • FIG. 3 schematically shows the structure of a processing unit
  • FIG. 4 schematically shows the course of a training mode of the artificial intelligence subsystem
  • FIG. 5 schematically shows the course of a recognition mode of the artificial intelligence subsystem.
  • FIG. 1 shows an excavator 1 with an undercarriage 2, an uppercarriage 3 rotatably mounted on the undercarriage, a boom 4 pivotably attached to the uppercarriage 3, a boom 4 pivotable on the boom 4 attached excavator handle 5 and an excavator shovel 6 pivotably attached to the excavator handle 5.
  • Figure 1 also shows a system 10 according to the invention for monitoring the excavator 1.
  • the system 10 comprises five sensor devices 12_1-12_5, which are connected to one another via a local data transmission network 14.
  • the first sensor device 12_1 is arranged on the superstructure 3
  • the second sensor device 12_2 is arranged on the boom 4
  • the third sensor device 12_3 is arranged on the excavator stick 5
  • the fourth sensor device 12_4 is arranged on the excavator bucket 6
  • the fifth sensor device 12_5 is arranged on the undercarriage 2.
  • the system 10 also includes a central data processing device 16, which in the present exemplary embodiment is arranged at a location 18 remote from the excavator 1 and is connected to the sensor devices 12_1-12_5 via a wide area data network (WAN) 20.
  • WAN wide area data network
  • the WAN 20 includes a cellular network 22 and the remote location 18 is a data center.
  • FIG. 2 schematically shows the structure of the sensor devices 12_1-12_5. Since the sensor devices 12_1-12_5 in the present exemplary embodiment are constructed essentially identically, generic reference numbers, i.e. reference numbers without a suffix 1-5, are used in Figure 2 and in the following description for simplification, provided they all sensor devices 12_1-12_5 or any of the Sensor devices 12_1-12_5 relate.
  • Each sensor device 12 includes a wired interface 24 for connection to the local data transmission network 14 and a mobile radio interface 26 for data transmission via the mobile radio network 22 of the WAN 20.
  • the mobile radio interface 26 is a 5G mobile radio interface, i.e. set up, mobile radio signals according to the 5G standard to send and receive.
  • each sensor device 12 also includes a three-axis gyroscope sensor unit 28, which is set up to detect rotational speeds along three spatial axes and to provide corresponding gyroscope sensor unit measurement data, and a three-axis acceleration sensor unit 30, which is set up to detect accelerations along three spatial axes and corresponding acceleration sensor unit to provide measurement data.
  • a three-axis gyroscope sensor unit 28 which is set up to detect rotational speeds along three spatial axes and to provide corresponding gyroscope sensor unit measurement data
  • a three-axis acceleration sensor unit 30 which is set up to detect accelerations along three spatial axes and corresponding acceleration sensor unit to provide measurement data.
  • Each sensor device 12 also includes a computing unit 32 which is connected to the gyroscope sensor unit 28 and to the acceleration sensor unit 30 .
  • the computing unit 32 includes an evaluation unit 34, which is set up, the gyroscope sensor unit measurement data and the
  • the arithmetic unit 32 also includes a filter unit 36 which is set up to execute a filter algorithm 38 stored in the filter unit 36 in order to filter the sensor data SD.
  • the filter algorithm 38 includes several defined threshold values SW and is set up to carry out a comparison of individual sensor data elements SE of the sensor data SD with the threshold values SW in order to extract from the total amount of sensor data SD, i.e. from the total amount of all sensor data elements SE, filtered sensor data SD_F, i.e. a filtered subset of the sensor data elements SE to determine.
  • the computing unit 32 is set up to provide only the filtered sensor data SD_F to the central data processing device 16 via the mobile radio interface 26 and the WAN 20 .
  • the central data processing device 16 includes an artificial intelligence subsystem (Kl subsystem) 40 and is set up to use the Kl subsystem 40 to analyze the filtered sensor data SD_F provided by the individual sensor devices 12 and based on the provided filtered sensor data SD_F a current degree of wear A of the excavator 1 can be estimated.
  • Kl subsystem artificial intelligence subsystem
  • the AI subsystem 40 is set up to carry out a training mode in which the AI subsystem 40 learns a large number of normal operation sensor data patterns SM_N, which map normal operation of the excavator 1 , using the filtered sensor data SD_F provided.
  • the AI subsystem 40 is also provided with a number of wear-indicating sensor data patterns SM_V, which were determined, for example, by means of laboratory tests and/or simulations.
  • the KI subsystem 40 is set up to carry out a detection mode in which the KI subsystem 40 uses the provided filtered sensor data SD_F to detect deviations from the learned normal operation sensor data patterns SM_N and estimates the current degree of wear A of the excavator based on the detected deviations .
  • the KI subsystem 40 is also set up to recognize the wear-indicating sensor data pattern SM_V in the provided filtered sensor data SD_F, i.e. set up to recognize the presence of one or more of the wear-indicating sensor data patterns SM_V in the provided filtered sensor data SD_F, and the current degree of wear A of the Estimate excavators based on the detected wear-indicating sensor data patterns SM_V.
  • the KI subsystem 40 is also set up to use the provided filtered sensor data SD_F to determine adjusted threshold values SW for the filter algorithm 38 of the filter unit 36 of the sensor devices 12, and the central data processing device 16 is set up to transmit the adjusted threshold values SW via the WAN 20 to the sensor devices 12 to provide.
  • the sensor devices 12 are set up to replace the existing threshold values SW of the filter algorithm 38 with the adjusted threshold values SW provided.
  • WAN wide area data network
  • AI subsystem 40 artificial intelligence subsystem (AI subsystem)

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mining & Mineral Resources (AREA)
  • Civil Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Structural Engineering (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

Ein System (10) zur Überwachung einer Maschine (1), umfassend: mindestens eine Sensorvorrichtung (12), die eingerichtet ist, mindestens eine physikalische Größe zu erfassen und entsprechende Sensordaten (SD_F) bereitzustellen, und eine zentrale Datenverarbeitungsvorrichtung (16), die eingerichtet ist, die von der mindestens einen Sensorvorrichtung (12) bereitgestellten Sensordaten (SD_F) zu analysieren und darauf basierend einen Abnutzungsgrad (A) der Maschine (1) abzuschätzen, ist bekannt. Dadurch, dass die zentrale Datenverarbeitungsvorrichtung (16) eingerichtet ist, den Abnutzungsgrad (A) mittels eines künstliche-Intelligenz-Subsystems (40) abzuschätzen, das die bereitgestellten Sensordaten (SD_F) verarbeitet, ermöglicht das erfindungsgemäße System (10) eine exakte und zuverlässige Abschätzung der Abnutzung der Maschine (1) mit einer relativ geringen Anzahl von Sensorvorrichtungen (12).

Description

B E S C H R E I B U N G
System zur Überwachung einer Maschine
Die vorliegende Erfindung betrifft ein System zur Überwachung einer Maschine, insbesondere einer Baumaschine, umfassend: mindestens eine Sensorvorrichtung, die eingerichtet ist, mindestens eine physikalische Größe zu erfassen und entsprechende Sensordaten bereitzustellen, und eine zentrale Datenverarbeitungsvorrichtung, die eingerichtet ist, die von der mindestens einen Sensorvorrichtung bereitgestellten Sensordaten zu analysieren und darauf basierend einen Abnutzungsgrad der Maschine abzuschätzen.
Aus der WO 2015/179046 Al ist ein System bekannt, wobei mittels einer Vielzahl von Sensorvorrichtungen verschiedene Maschineneigenschaften erfasst werden, und wobei ein Abnutzungsgrad der Maschine basierend auf der Größe der Sensordaten abgeschätzt wird. Im Speziellen wird bei Erreichen eines vordefinierten Schwellenwertes eine Abnutzungswarnung ausgegeben und/oder ein Stoppen der Maschine veranlasst. Bei dem offenbarten System ist jedoch eine Vielzahl verschiedener Sensorvorrichtungen erforderlich, um eine relativ zuverlässige Abschätzung der Abnutzung zu ermöglichen. Damit die Abnutzung der Maschine nicht unterschätzt wird, müssen bei jedem einzelnen Schwellenwert entsprechende Toleranzen einkalkuliert werden, wodurch die Genauigkeit der Abnutzungsabschätzung entsprechend reduziert wird.
Es stellt sich vor diesem Hintergrund die Aufgabe, ein System zu schaffen, das mit einer relativ geringen Anzahl von Sensorvorrichtungen eine exakte und zuverlässige Abschätzung einer Abnutzung einer Maschine ermöglicht. Diese Aufgabe wird durch ein System zur Überwachung einer Maschine mit den Merkmalen des Hauptanspruchs 1 gelöst.
Das erfindungsgemäße System umfasst mindestens eine Sensorvorrichtung, die eingerichtet ist, mindestens eine physikalische Größe zu erfassen und entsprechende Sensordaten bereitzustellen. Vorzugsweise umfasst das System mehrere - vorzugsweise identische - Sensorvorrichtungen, die ausgebildet sind, an verschiedenen Teilen der zu überwachenden Maschine angeordnet zu sein. Besonders bevorzugt weist jede der Sensorvorrichtungen eine Gyroskopsensoreinheit und/oder eine Beschleunigungssensoreinheit auf. Derartige Sensorvorrichtungen werden beispielsweise auch als Drehratensensor, Kreiselinstrument, Beschleunigungsmesser, Beschleunigungsaufnehmer, Akzelerometer, Vibrationsaufnehmer, Schwingungsaufnehmer, G-Sensor, B-Messer oder inertiale Messeinheit bezeichnet. Die Sensordaten derartiger Sensorvorrichtungen umfassen typischerweise Drehratenwerte und/oder Beschleunigungswerte für drei senkrecht zueinander stehende Raumrichtungen.
Das erfindungsgemäße System umfasst ferner eine zentrale Datenverarbeitungsvorrichtung, die über eine direkte oder indirekte Datenverbindung mit jeder einzelnen Sensorvorrichtung verbunden ist, sodass die zentrale Datenverarbeitungsvorrichtung Zugriff auf die von jeder einzelnen Sensorvorrichtung bereitgestellten Sensordaten hat. Die zentrale Datenverarbeitungsvorrichtung ist eingerichtet, die von der mindestens einen Sensorvorrichtung bereitgestellten Sensordaten zu analysieren und darauf basierend einen aktuellen Abnutzungsgrad der Maschine abzuschätzen. Erfindungsgemäß ist die zentrale Datenverarbeitungsvorrichtung hierbei eingerichtet, den Abnutzungsgrad mittels eines künstliche-Intelligenz-Subsystems (Kl-Subsystem) abzuschätzen, das die bereitgestellten Sensordaten aller Sensorvorrichtungen als Eingangsdaten erhält und diese verarbeitet, um basierend auf den bereitgestellten Sensordaten den aktuellen Abnutzungsgrad der Maschine abzuschätzen. Das Kl-Subsystem kann hierbei jede Art von System sein, das eingerichtet ist, dem Bereich der künstlichen Intelligenz zugeordnete Methoden/Algorithmen auszuführen. Das Kl-Subsystem kann beispielsweise ein sogenanntes künstliches neuronales Netz umfassen und/oder eingerichtet sein, Methoden/Algorithmen des sogenannten maschinellen Lernens durchzuführen. Die zentrale Datenverarbeitungsvorrichtung und das Kl-Subsystem können durch eine beliebige Kombination beliebig vieler miteinander verbundener Computersysteme gebildet sein, die jeweils eine beliebige Anzahl zusammenwirkender Computerprogramme umfassen können. Beispielsweise können die zentrale Datenverarbeitungsvorrichtung und das Kl-Subsystem durch die Computersysteme eines sogenannten Rechenzentrums gebildet sein. Das erfindungsgemäße Kl-Subsystem ist erfindungsgemäß darauf trainiert/trainierbar verschleißindizierende Sensordatenmuster und/oder Sensordatenwerte zu erkennen und darauf basierend den Abnutzungsgrad der Maschine abzuschätzen. Dem Kl-Subsystem müssen hierbei keine harten Schwellenwerte bereitgestellt werden, sondern das Kl-System „erlernt" verschleißindizierende Sensordatenmuster/Sensordatenwerte und/oder Abweichungen von einem normalen Betriebszustand der Maschine zu erkennen. Dies ermöglicht eine besonders exakte und zuverlässige Überwachung der Maschine mit einer relativ geringen Anzahl von Sensorvorrichtungen.
Vorzugsweise ist Kl-Subsystem eingerichtet: in den bereitgestellten Sensordaten vorbekannte, verschleißindizierende Sensordatenmuster zu erkennen, und den Abnutzungsgrad der Maschine basierend auf den erkannten Sensordatenmustern abzuschätzen. Die Sensordatenmuster können beispielsweise charakteristische
Vibrationsmuster/Schwingungsmuster umfassen, aus welchen beispielsweise ein Lagerdefekt oder ein Stoßereignis ableitbar sind. Die Sensordatenmuster können vorab in das Kl-Subsystem einprogrammiert sein und/oder durch das Kl-Subsystem angelernt worden sein. Das anlernen der charakteristischen Sensordatenmuster kann hierbei in einer Labor-/Versuchsumgebung und/oder auf der zu überwachenden Maschine selbst erfolgen. Das Kl-Subsystem ermöglicht hierbei eine sehr zuverlässige Erkennung der bekannten Sensordatenmuster in den bereitgestellten Sensordaten. Anhand der Information über das Vorhandensein beziehungsweise Nichtvorhandensein der Sensordatenmuster kann wiederum der aktuelle Abnutzungsgrad der Maschine relativ exakt und zuverlässig abgeschätzt werden.
Vorteilhafterweise ist das Kl-Subsystem eingerichtet: in einem Trainingsmodus anhand der bereitgestellten Sensordaten Normalbetrieb-Sensordatenmuster zu erlernen, die einen normalen Maschinenbetrieb abbilden, in einem Erkennungsmodus anhand der bereitgestellten Sensordaten Abweichungen von den angelernten Normalbetrieb-Sensordatenmustern zu erkennen, und den Abnutzungsgrad der Maschine basierend auf den erkannten Abweichungen von den angelernten Normalbetrieb-Sensordatenmustern abzuschätzen. Das Kl-Subsystem ist also eingerichtet, darauf trainiert zu werden, einen „unnormalen" Betriebszustand der Maschine zu erkennen und anhand der spezifischen Abweichungen gegenüber dem „normalen" Betriebszustand der Maschine eine Abnutzung abzuschätzen. Hierbei ist es auch vorstellbar, dass das Kl-Subsystem eingerichtet ist, die erkannten Abweichungen mit vorbekannten Abweichungsmustern abzugleichen, um den Abnutzungsgrad der Maschine abzuschätzen. Beispielsweise kann das Kl-Subsystem im Trainingsmodus darauf trainiert werden, anhand der bereitgestellten Sensordaten spezielle Maschinenbewegungsabläufe zu erkennen, und anhand von Abweichungen/Veränderungen in diesen Bewegungsabläufen den Abnutzungsgrad der Maschine abzuschätzen. Dadurch, dass das Kl-Subsystem eingerichtet ist, den Abnutzungsgrad basierend auf Abweichungen gegenüber
Normalbetrieb-Sensordatenmustern abzuschätzen, müssen dem Kl-Subsystem keinerlei verschleißspezifische/verschleißindizierende Kenngrößen/Kennmuster vorgegeben werden. Dies schafft ein besonders vielseitig einsetzbares System zur Überwachung einer Maschine.
Vorzugsweise ist die zentrale Datenverarbeitungsvorrichtung an einem von der Maschine entfernt liegenden Ort angeordnet und über ein Weitverkehrsdatennetzwerk (Wide Area Network, WAN) mit der mindestens einen Sensorvorrichtung verbunden. Die zentrale Datenverarbeitungsvorrichtung befindet sich also nicht unmittelbar an der zu überwachenden Maschine und typischerweise auch nicht in einem gleichen Raum wie die zu überwachende Maschine. Beispielsweise kann die zentrale Datenverarbeitungsvorrichtung durch ein oder mehrere Computersysteme eines Rechenzentrums gebildet sein. Dies ermöglicht die Ausführung des Kl-Subsystems durch ein sehr leistungsstarkes, auf die Ausführung von Kl-Systemen spezialisiertes Computersystem, ohne dass hierfür ein entsprechendes Computersystem an der Maschine vorgesehen werden muss. Dies ermöglicht eine besonders exakte und zuverlässige Abschätzung des Abnutzungsgrads der Maschine. Ferner wird hierdurch auch die Verwendung einer einzigen zentralen Datenverarbeitungsvorrichtung beziehungsweise eines einzigen Kl-Subsystems zur Analyse von Sensordaten mehrerer separater erfindungsgemäßer Systeme ermöglicht. Dies ermöglicht eine besonders effiziente Überwachung mehrerer Maschinen. Vorteilhafterweise umfasst das WAN, über welches die mindestens eine Sensorvorrichtung mit der zentralen Datenverarbeitungsvorrichtung verbunden ist, hierbei ein Mobilfunknetzwerk, und weist mindestens eine Sensorvorrichtung - vorzugsweise jede Sensorvorrichtung - eine Mobilfunkschnittstelle auf. Dies ermöglicht eine direkte Übertragung der Sensordaten von der mindestens einen Sensorvorrichtung an die zentrale Datenverarbeitungsvorrichtung, ohne dass für die Anbindung der Sensorvorrichtungen an das WAN eine spezielle Netzwerkinfrastruktur vorgesehen werden muss. Dies schafft ein besonders vielseitig einsetzbares System zur Überwachung einer Maschine.
Vorzugsweise weist mindestens eine Sensorvorrichtung eine Filtereinheit auf, die eingerichtet ist, mittels eines Filteralgorithmus eine Filterung einer Gesamtmenge von bestimmten Sensordaten durchzuführen, um gefilterte Sensordaten zu bestimmen, und ist die entsprechende Sensorvorrichtung eingerichtet, nur die gefilterten Sensordaten an die zentrale Datenverarbeitungsvorrichtung bereitzustellen. Die Filtereinheit ist also eingerichtet, aus einer Gesamtmenge erfasster Sensordatenelemente eine gefilterte Teilmenge von Sensordatenelementen zu bestimmen, und die Sensorvorrichtung ist eingerichtet, nur diese Teilmenge von Sensordatenelementen an die zentrale Datenverarbeitungsvorrichtung bereitzustellen. Der Filteralgorithmus kann hierbei im einfachsten Fall derart eingerichtet sein, dass die gefilterten Sensordaten nur jedes x-te, beispielsweise jedes lOte, lOOste, etc. Sensordatenelement aller Sensordatenelemente umfassen. Vorzugsweise umfasst der Filteralgorithmus jedoch mehrere Filterkriterien, die auf die Sensordaten angewendet werden. Dies schafft eine signifikante Reduktion der an die zentrale Datenverarbeitungsvorrichtung bereitgestellten
Sensordatenmenge und ermöglicht dadurch die Verwendung von Datenverbindungen mit einer relativ geringen Bandbreite zur Anbindung der mindestens einen Sensorvorrichtung an die zentrale Datenverarbeitungsvorrichtung. Durch geeignete Einrichtung des Filteralgorithmus kann hierbei ein Informationsverlust verhindert oder zumindest minimiert werden.
Vorteilhafterweise ist der Filteralgorithmus eingerichtet, einen Abgleich von Sensordatenelementen der Sensordaten mit mindestens einem Schwellenwert durchzuführen, derart, dass die gefilterten Sensordaten nur diejenigen Sensordatenelemente umfassen, deren Sensorwert größer-gleich beziehungsweise kleiner-gleich dem entsprechenden Schwellenwert ist. Typischerweise gibt der Schwellenwert hierbei einen minimalen/maximalen Wert einer durch die mindestens eine Sensorvorrichtung erfassten physikalischen Größe oder einer aus den Sensordaten ableitbaren physikalischen Größe an. Beispielsweise kann der Schwellenwert einen minimalen/maximalen Beschleunigungswert, einen minimalen/maximalen Drehratenwert, einen minimalen/maximalen Schwingungsfrequenzwert, oder einen minimalen/maximalen Schwingungsamplitudenwert angeben. Der Schwellenwertabgleich ermöglicht - bei geeigneter Wahl der Schwellenwerte - eine signifikante Reduktion der an die zentrale Datenverarbeitungsvorrichtung bereitgestellten Sensordatenmenge, ohne signifikanten Informationsverlust in Bezug auf eine Abnutzung der Maschine.
Vorzugsweise ist mindestens eine Sensorvorrichtung derart eingerichtet, dass der Filteralgorithmus der Filtereinheit durch die zentrale Datenverarbeitungsvorrichtung anpassbar ist. Vorzugsweise ist hierbei das Kl-Subsystem der zentralen Datenverarbeitungsvorrichtung eingerichtet, anhand der bereitgestellten Sensordaten Filterparameter/Filterkriterien des Filteralgorithmus, insbesondere Schwellenwerte des Filteralgorithmus, zu bestimmen und an die entsprechende Sensorvorrichtung bereitzustellen. Es ist beispielsweise vorstellbar, dass die Filterparameter/Filterkriterien im Zuge des Trainingsmodus von dem Kl-Subsystem bestimmt werden. Dadurch, dass der Filteralgorithmus durch die zentrale Datenverarbeitungsvorrichtung anpassbar ist, kann die von der Sensorvorrichtung durchgeführte Filterung und damit die an die zentrale Datenverarbeitungsvorrichtung bereitgestellte
Sensordatenmenge auf einfache Weise nachträglich verändert werden. Insbesondere kann in Verbindung mit dem Kl-Subsystem auf einfache Weise ein selbstlernender Filteralgorithmus realisiert werden. Dies ermöglicht eine besonders exakte und zuverlässige Überwachung der Maschine.
Ein Ausführungsbeispiel eines erfindungsgemäßen Systems zur Überwachung einer Maschine wird nachfolgend anhand der beigefügten Figuren beschrieben, wobei
Figur 1 schematisch ein erfindungsgemäßes System zur Überwachung einer Maschine - hier eines Baggers - zeigt, wobei das System eine Vielzahl von an der Maschine angeordneten Sensorvorrichtungen sowie eine an einem von der Maschine entfernt liegenden Ort angeordnete und über ein Weitverkehrsdatennetzwerk mit den Sensorvorrichtungen verbundene zentrale Datenverarbeitungsvorrichtung mit einem künstliche-Intelligenz-Subsystem umfasst, und
Figur 2 schematisch den Aufbau der Sensorvorrichtungen zeigt, und
Figur 3 schematisch den Aufbau einer Recheneinheit der
Sensorvorrichtungen zeigt,
Figur 4 schematisch den Ablauf eines Trainingsmodus des künstliche-Intelligenz-Subsystems zeigt, und
Figur 5 schematisch den Ablauf eines Erkennungsmodus des künstliche-Intelligenz-Subsystems zeigt.
Figur 1 zeigt einen Bagger 1 mit einem Unterwagen 2, einem drehbar auf dem Unterwagen gelagerten Oberwagen 3, einem schwenkbar an dem Oberwagen 3 befestigten Ausleger 4, einem schwenkbar an dem Ausleger 4 befestigten Baggerstiel 5 und einer schwenkbar an dem Baggerstiel 5 befestigten Baggerschaufel 6. Figur 1 zeigt ferner ein erfindungsgemäßes System 10 zur Überwachung des Baggers 1.
Das System 10 umfasst im vorliegenden Ausführungsbeispiel fünf Sensorvorrichtungen 12_1-12_5, die über ein lokales Datenübertragungsnetzwerk 14 miteinander verbunden sind. Die erste Sensorvorrichtung 12_1 ist an dem Oberwagen 3 angeordnet, die zweite Sensorvorrichtung 12_2 ist an dem Ausleger 4 angeordnet, die dritte Sensorvorrichtung 12_3 ist an dem Baggerstiel 5 angeordnet, die vierte Sensorvorrichtung 12_4 ist an der Baggerschaufel 6 angeordnet, und die fünfte Sensorvorrichtung 12_5 ist an dem Unterwagen 2 angeordnet.
Das System 10 umfasst ferner eine zentrale Datenverarbeitungsvorrichtung 16, die im vorliegenden Ausführungsbeispiel an einem von dem Bagger 1 entfernt liegenden Ort 18 angeordnet ist und über ein Weitverkehrsdatennetzwerk (WAN) 20 mit den Sensorvorrichtungen 12_1-12_5 verbunden ist. Im vorliegenden Ausführungsbeispiel umfasst das WAN 20 ein Mobilfunknetzwerk 22 und ist der entfernt liegende Ort 18 ein Rechenzentrum.
Figur 2 zeigt schematisch den Aufbau der Sensorvorrichtungen 12_1-12_5. Da die Sensorvorrichtungen 12_1-12_5 im vorliegenden Ausführungsbeispiel im Wesentlichen identisch aufgebaut sind, werden zur Vereinfachung in Figur 2 sowie in der nachfolgenden Beschreibung generische Bezugszeichen, also Bezugszeichen ohne Index 1-5, verwendet, sofern sie alle Sensorvorrichtungen 12_1-12_5 beziehungsweise eine beliebige der Sensorvorrichtungen 12_1-12_5 betreffen. Jede Sensorvorrichtung 12 umfasst eine kabelgebundene Schnittstelle 24 zur Anbindung and das lokale Datenübertragungsnetzwerk 14 sowie eine Mobilfunkschnittstelle 26 zur Datenübertragung über das Mobilfunknetzwerk 22 des WAN 20. Die Mobilfunkschnittstelle 26 ist im vorliegenden Ausführungsbeispiel eine 5G-Mobilfunkschnittstelle, also eingerichtet, Mobilfunksignale gemäß des 5G-Standards zu senden und zu empfangen.
Jede Sensorvorrichtung 12 umfasst im vorliegenden Ausführungsbeispiel ferner eine dreiachsige Gyroskopsensoreinheit 28, die eingerichtet ist, Drehgeschwindigkeiten entlang dreier Raumachsen zu erfassen und entsprechende Gyroskopsensoreinheit-Messdaten bereitzustellen, sowie eine dreiachsige Beschleunigungssensoreinheit 30, die eingerichtet ist, Beschleunigungen entlang dreier Raumachsen zu erfassen und entsprechende Beschleunigungssensoreinheit-Messdaten bereitzustellen.
Jede Sensorvorrichtung 12 umfasst ferner eine Recheneinheit 32, die mit der Gyroskopsensoreinheit 28 und mit der Beschleunigungssensoreinheit 30 verbunden ist.
Die Recheneinheit 32 umfasst eine Auswerteeinheit 34, die eingerichtet ist, die Gyroskopsensoreinheit-Messdaten und die
Beschleunigungssensoreinheit-Messdaten auszuwerten und auf den Gyroskopsensoreinheit-Messdaten und den
Beschleunigungssensoreinheit-Messdaten basierende Sensordaten SD bereitzustellen.
Die Recheneinheit 32 umfasst im vorliegenden Ausführungsbeispiel ferner eine Filtereinheit 36, die eingerichtet ist, einen in der Filtereinheit 36 gespeicherten Filteralgorithmus 38 auszuführen, um eine Filterung der Sensordaten SD durchzuführen. Der Filteralgorithmus 38 umfasst mehrere definierte Schwellenwerte SW und ist eingerichtet, einen Abgleich von einzelnen Sensordatenelementen SE der Sensordaten SD mit den Schwellenwerten SW durchzuführen, um aus der der Gesamtmenge der Sensordaten SD, also aus der Gesamtmenge aller Sensordatenelemente SE, gefilterte Sensordaten SD_F, also eine gefilterte Teilmenge der Sensordatenelementen SE zu bestimmen.
Die Recheneinheit 32 ist im vorliegenden Ausführungsbeispiel eingerichtet, nur die gefilterten Sensordaten SD_F über die Mobilfunkschnittstelle 26 und das WAN 20 an die zentrale Datenverarbeitungsvorrichtung 16 bereitzustellen.
Die zentrale Datenverarbeitungsvorrichtung 16 umfasst ein künstliche-Intelligenz-Subsystem (Kl-Subsystem) 40 und ist eingerichtet, mittels des Kl-Subsystems 40 die von den einzelnen Sensorvorrichtungen 12 bereitgestellten gefilterten Sensordaten SD_F zu analysieren und basierend auf den bereitgestellten gefilterten Sensordaten SD_F einen aktuellen Abnutzungsgrad A des Baggers 1 abzuschätzen.
Das Kl-Subsystem 40 ist im vorliegenden Ausführungsbeispiel eingerichtet, einen Trainingsmodus durchzuführen, in dem das Kl-Subsystem 40 anhand der bereitgestellten gefilterten Sensordaten SD_F eine Vielzahl von Normalbetrieb-Sensordatenmustern SM_N erlernt, die einen normalen Betrieb des Baggers 1 abbilden.
Im vorliegenden Ausführungsbeispiel sind dem Kl-Subsystem 40 ferner mehrere verschleißindizierende Sensordatenmuster SM_V bereitgestellt, die beispielsweise mittels Laborversuche und/oder Simulationen ermittelt wurden. Das Kl-Subsystem 40 ist im vorliegenden Ausführungsbeispiel eingerichtet, einen Erkennungsmodus durchzuführen, in dem das Kl-Subsystem 40 anhand der bereitgestellten gefilterten Sensordaten SD_F Abweichungen von den angelernten Normalbetrieb-Sensordatenmustern SM_N erkennt und basierend auf den erkannten Abweichungen den aktuellen Abnutzungsgrad A des Baggers abschätzt. Ferner ist das Kl-Subsystem 40 auch eingerichtet, in den bereitgestellten gefilterten Sensordaten SD_F die verschleißindizierenden Sensordatenmuster SM_V zu erkennen, also eingerichtet, das Vorhandensein eines oder mehrerer der verschleißindizierenden Sensordatenmuster SM_V in den bereitgestellten gefilterten Sensordaten SD_F zu erkennen, und den aktuellen Abnutzungsgrad A des Baggers basierend auf den erkannten verschleißindizierenden Sensordatenmustern SM_V abzuschätzen.
Im vorliegenden Ausführungsbeispiel ist das Kl-Subsystem 40 ferner eingerichtet, anhand der bereitgestellten gefilterten Sensordaten SD_F angepasste Schwellenwerte SW für den Filteralgorithmus 38 der Filtereinheit 36 der Sensorvorrichtungen 12 zu bestimmen, und ist die zentrale Datenverarbeitungsvorrichtung 16 eingerichtet, die angepassten Schwellenwerte SW über das WAN 20 an die Sensorvorrichtungen 12 bereitzustellen. Die Sensorvorrichtungen 12 sind hierbei eingerichtet, die vorhandenen Schwellenwerte SW des Filteralgorithmus 38 durch die bereitgestellten angepassten Schwellenwerte SW zu ersetzen.
Bezugszeichenliste
1 Bagger
2 Unterwagen
3 Oberwagen
4 Ausleger
5 Baggerstiel
6 Baggerschaufel
10 System
12 Sensorvorrichtungen
14 lokales Datenübertragungsnetzwerk
16 zentrale Datenverarbeitungsvorrichtung
18 entfernt liegender Ort, Rechenzentrum
20 Weitverkehrsdatennetzwerk (WAN)
22 Mobilfunknetzwerk
24 kabelgebundene Schnittstelle
26 Mobilfunkschnittstelle
28 Gyroskopsensoreinheit
30 Beschleunigungssensoreinheit
32 Recheneinheit
34 Auswerteeinheit
36 Filtereinheit
38 Filteralgorithmus
40 künstliche-Intelligenz-Subsystem (Kl-Subsystem)
A Abnutzungsgrad
SD Sensordaten (Gesamtmenge von Sensordatenelementen)
SD_F gefilterte Sensordaten (Teilmenge von Sensordatenelementen)
SE Sensordatenelemente
SM_N Normalbetrieb-Sensordatenmuster
SM_V verschleißindizierende Sensordatenmuster SW Schwellenwerte

Claims

P A T E N T A N S P R Ü C H E System (10) zur Überwachung einer Maschine (1), umfassend:
- mindestens eine Sensorvorrichtung (12), die eingerichtet ist, mindestens eine physikalische Größe zu erfassen und entsprechende Sensordaten (SD_F) bereitzustellen, und
- eine zentrale Datenverarbeitungsvorrichtung (16), die eingerichtet ist, die von der mindestens einen Sensorvorrichtung (12) bereitgestellten Sensordaten (SD_F) zu analysieren und darauf basierend einen Abnutzungsgrad (A) der Maschine (1) abzuschätzen, dadurch gekennzeichnet, dass die zentrale Datenverarbeitungsvorrichtung (16) eingerichtet ist, den Abnutzungsgrad (A) mittels eines künstliche-Intelligenz-Subsystems (40) abzuschätzen, das die bereitgestellten Sensordaten (SD_F) verarbeitet. System (10) nach Anspruch 1, wobei das künstliche-Intelligenz- Subsystem (40) eingerichtet ist:
- in den bereitgestellten Sensordaten (SD_F) vorbekannte Sensordatenmuster (SM_V) zu erkennen, und
- den Abnutzungsgrad (A) der Maschine (1) basierend auf den erkannten Sensordatenmustern (SM_V) abzuschätzen. System (10) nach einem der vorhergehenden Ansprüche, wobei das künstliche-Intelligenz-Subsystem (40) eingerichtet ist:
- in einem Trainingsmodus anhand der bereitgestellten Sensordaten (SD_F) Normalbetrieb-Sensordatenmuster (SM_N) zu erlernen, die einen normalen Maschinenbetrieb abbilden, - in einem Erkennungsmodus anhand der bereitgestellten Sensordaten (SD_F) Abweichungen von den angelernten Normalbetrieb-Sensordatenmustern (SD_N) zu erkennen, und
- den Abnutzungsgrad (A) der Maschine (1) basierend auf den erkannten Abweichungen von den angelernten Normalbetrieb- Sensordatenmustern (SM_N) abzuschätzen. System (10) nach einem der vorhergehenden Ansprüche, wobei die zentrale Datenverarbeitungsvorrichtung (16) an einem von der Maschine (1) entfernt liegenden Ort (18) angeordnet ist und über ein Weitverkehrsdatennetzwerk (20) mit der mindestens einen Sensorvorrichtung (12) verbunden ist. System (10) nach Anspruch 4, wobei:
- das Weitverkehrsdatennetzwerk (20), über welches die mindestens eine Sensorvorrichtung (12) mit der zentralen Datenverarbeitungsvorrichtung (16) verbunden ist, ein Mobilfunknetzwerk (22) umfasst, und
- mindestens eine Sensorvorrichtung (12) eine Mobilfunkschnittstelle (26) aufweist. System (10) nach einem der vorhergehenden Ansprüche, wobei:
- mindestens eine Sensorvorrichtung (12) eine Filtereinheit (36) aufweist, die eingerichtet ist, mittels eines Filteralgorithmus (38) eine Filterung einer Gesamtmenge von bestimmten Sensordaten (SD) durchzuführen, um gefilterte Sensordaten (SD_F) zu bestimmen, und
- die entsprechende Sensorvorrichtung (12) eingerichtet ist, nur die gefilterten Sensordaten (SD_F) an die zentrale Datenverarbeitungsvorrichtung (16) bereitzustellen. 17 System nach Anspruch 6, wobei der Filteralgorithmus (38) eingerichtet ist, einen Abgleich von Sensordatenelementen (SE) der Gesamtmenge von bestimmten Sensordaten (SD) mit mindestens einem Schwellenwert (SW) durchzuführen. System nach Anspruch 6 oder 7, wobei mindestens eine
Sensorvorrichtung (12) derart eingerichtet ist, dass der
Filteralgorithmus (38) der Filtereinheit (36) durch die zentrale Datenverarbeitungsvorrichtung (16) anpassbar ist.
PCT/EP2021/083893 2021-12-02 2021-12-02 System zur überwachung einer maschine WO2023098997A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/EP2021/083893 WO2023098997A1 (de) 2021-12-02 2021-12-02 System zur überwachung einer maschine
EP21835609.5A EP4441297A1 (de) 2021-12-02 2021-12-02 System zur überwachung einer maschine

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2021/083893 WO2023098997A1 (de) 2021-12-02 2021-12-02 System zur überwachung einer maschine

Publications (1)

Publication Number Publication Date
WO2023098997A1 true WO2023098997A1 (de) 2023-06-08

Family

ID=79185507

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/083893 WO2023098997A1 (de) 2021-12-02 2021-12-02 System zur überwachung einer maschine

Country Status (2)

Country Link
EP (1) EP4441297A1 (de)
WO (1) WO2023098997A1 (de)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7487066B2 (en) * 2005-04-28 2009-02-03 Caterpillar Inc. Classifying a work machine operation
WO2015179046A1 (en) 2014-05-20 2015-11-26 Caterpillar Inc. System for monitoring machine components of track-type mobile machines
US20170103506A1 (en) * 2015-10-09 2017-04-13 Caterpillar Inc. Component health monitoring system using computer vision
DE102019217008A1 (de) * 2019-11-05 2021-05-06 Zf Friedrichshafen Ag Verfahren zum Beladen eines Ladungsbehälters eines Laderfahrzeugs
US20210173399A1 (en) * 2017-12-08 2021-06-10 Camso Inc. Systems and methods for monitoring off-road vehicles

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7487066B2 (en) * 2005-04-28 2009-02-03 Caterpillar Inc. Classifying a work machine operation
WO2015179046A1 (en) 2014-05-20 2015-11-26 Caterpillar Inc. System for monitoring machine components of track-type mobile machines
US20170103506A1 (en) * 2015-10-09 2017-04-13 Caterpillar Inc. Component health monitoring system using computer vision
US20210173399A1 (en) * 2017-12-08 2021-06-10 Camso Inc. Systems and methods for monitoring off-road vehicles
DE102019217008A1 (de) * 2019-11-05 2021-05-06 Zf Friedrichshafen Ag Verfahren zum Beladen eines Ladungsbehälters eines Laderfahrzeugs

Also Published As

Publication number Publication date
EP4441297A1 (de) 2024-10-09

Similar Documents

Publication Publication Date Title
DE102009002682B4 (de) Einrichtung und Verfahren zur Residuenauswertung eines Residuums zur Erkennung von Systemfehlern im Systemverhalten eines Systems eines Flugzeugs
DE102018002112A1 (de) Störungserfassungsvorrichtung und maschinelle Lernvorrichtung
DE102017214611B4 (de) Verfahren zum Überprüfen eines Reaktionssignals einer Fahrzeugkomponente sowie Überprüfungsvorrichtung und Kraftfahrzeug
EP3428756A1 (de) Integritätsüberwachung bei automatisierungssystemen
DE102004014914A1 (de) Vorrichtung und Verfahren zur Abnormitätserfassung eines Vibrationswinkelgeschwindigkeitssensors, Abnormitätserfassungsprogramm und betreffendes Fahrzeugsteuersystem
EP2409874A1 (de) Bedientauglichkeits-Überwachungssystem
EP2102723B1 (de) Verfahren und vorrichtung zum diagnostizieren von funktionen und fahrzeugsystemen
WO2008095518A1 (de) Anwendung einer verteilten diagnosearchitektur in autosar
WO2017178187A1 (de) Verfahren und vorrichtung zum bestimmen einer sicherheitskritischen gierbewegung eines fahrzeugs
DE102021126726A1 (de) Verteiltes system und datenübertragungsverfahren
EP4441297A1 (de) System zur überwachung einer maschine
DE112008000593T5 (de) Fahrzeugzustands-Erfassungsvorrichtung und Insassenschutzapparat mit derselben Vorrichtung
DE102012207597A1 (de) Messsystem und Datenverarbeitungsinfrastruktur
DE102020203419A1 (de) Verfahren und Vorrichtung zum Betreiben eines automatisiert fahrenden Fahrzeugs
WO2023020853A1 (de) Trainingsverfahren zum trainieren eines künstlichen maschinellen lernsystems zur erkennung von fehlfunktionen und fahrzeugvorrichtung
DE112019007286T5 (de) Fahrzeuginterne steuerungsvorrichtung und fahrzeuginternes steuerungssystem
WO2023030660A1 (de) Sensorvorrichtung und sensorsystem zur überwachung einer maschine
EP4047316A1 (de) Verfahren zum bewerten einer bekanntheit einer fahrstrecke und elektronische recheneinrichtung
WO2022028765A1 (de) Vorrichtung und verfahren zum erkennen von kopfgesten
DE102014226420B4 (de) Sicherheitssystem für ein Fahrzeug einer Fahrzeugflotte
WO2019238292A1 (de) Verfahren zum bereitstellen eines ermittlungsverfahrens für eine anzahl von schritten einer person
DE102017117549B4 (de) Steuervorrichtung und steuersystem
WO2020114724A1 (de) Verfahren zum überprüfen wenigstens eines fahrzeugs sowie elektronische recheneinrichtung
DE102019008086A1 (de) Verfahren zur Überwachung eines Fahrzeuges
EP4399576A1 (de) Sensornetzwerksystem

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: 21835609

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021835609

Country of ref document: EP

Effective date: 20240702