用于预测循环生产设备的至少一个系统部件的状态的装置和方法 |
|||||||
| 申请号 | CN202280056809.9 | 申请日 | 2022-07-31 | 公开(公告)号 | CN117916677A | 公开(公告)日 | 2024-04-19 |
| 申请人 | INPRO汽车产业创新先进生产系统有限公司; | 发明人 | J·施特恩布克; F·亨尔; S·埃维尔根; | ||||
| 摘要 | 本 发明 的一个示例性的方面涉及一种用于预测循环生产设备(3)的至少一个系统部件(2)的状态的装置(1)，所述装置包括：检测单元(4)，其用于检测所述循环生产设备(3)的所述至少一个系统部件(2)的 传感器 数据(5)的时间序列和/或关于所述至少一个系统部件(2)的事件数据(6)；计算单元(7)，其具有至少一个在其中实现的 人工神经网络 (8)，用于基于 传感器数据 (5)的时间序列和/或事件数据(6)计算所述至少一个系统部件(2)的状态预测；以及输出单元(9)，其用于输出所述至少一个系统部件(2)的所计算的状态预测。 | ||||||
| 权利要求 | 1.用于预测循环生产设备(3)的至少一个系统部件(2)的状态的装置(1)，所述装置包括： |
||||||
| 说明书全文 | 用于预测循环生产设备的至少一个系统部件的状态的装置和方法 技术领域[0001] 本发明涉及一种用于预测循环生产设备的至少一个系统部件的状态的装置。 [0002] 本发明还涉及一种用于预测循环生产设备的至少一个系统部件的状态的方法。 [0003] 此外，本发明涉及一种计算机可读介质。 背景技术[0004] 文献WO2020/175460A1描述了一种控制装置，该控制装置使用用于设备的控制变量的预测模型，以便从控制变量的所测量的值计算出控制变量的预测值。然后，控制装置输出用于控制变量的指令值，以降低将来出现故障的可能性。 [0005] 然而，利用这种已知的装置不能预测循环生产设备的至少一个系统部件的状态。所述已知的装置仅持续地优化控制变量。 [0007] 有利的是，提供一种用于预测循环生产设备、例如用于机动车构件的压力机的至少一个系统部件的状态的装置和方法。 发明内容[0008] 根据本发明的第一方面提供一种用于预测循环生产设备的至少一个系统部件的状态的装置，该装置包括：检测单元，其用于检测所述循环生产设备的所述至少一个系统部件的传感器数据的时间序列；计算单元，其具有至少一个在其中实现的人工神经网络，用于基于传感器数据的时间序列计算所述至少一个系统部件的状态预测；以及输出单元，其用于输出所述至少一个系统部件的所计算的状态预测。 [0009] 本发明的第一方面的一些有利的实施方式包括以下列表中的至少一个特征： [0010] ·利用描述所述至少一个系统部件或相同的系统部件的参考状态的参考传感器数据和事件数据来训练所述人工神经网络， [0013] ·所述检测单元配置用于检测关于实际值的传感器数据， [0015] ·所述检测单元配置用于检测关于以下参数中的至少一个参数的传感器数据：压力机位置、工具编号、实际压力和目标压力， [0016] ·所述计算单元配置用于将传感器数据的时间序列划分成子集或子范围，[0017] ·所述计算单元配置用于提取所述子集或子范围的有代表性的特征，[0018] ·所述计算单元配置用于基于传感器数据的时间序列的子集或子范围来计算所述至少一个系统部件的状态预测， [0019] ·所述输出单元配置用于输出基于传感器数据的时间序列的子集或子范围所计算的状态预测， [0020] ·所述输出单元包括评估单元，该评估单元基于所计算的状态预测输出以下各项中的至少一项：所述至少一个系统部件的正常行为、所述至少一个系统部件的异常行为、具有有故障的系统部件或者有故障的构件的说明的设备状态的分类， [0021] ·在所述计算单元中实现的人工神经网络的第一层形成输入层，该输入层经由接口从所述检测单元的缓存器逐步地获得传感器数据的所检测的时间序列，[0022] ·所述计算单元配置用于基于预先定义的分析规则对传感器数据的所检测的时间序列进行分析和评估，以便确定防止所述至少一个系统部件的部分或完全的系统故障的措施， [0024] ·该装置具有用于存储所检测的传感器数据、参考传感器数据、事件数据和/或状态预测的存储器， [0025] ·该装置具有用于接收传感器数据的接收器， [0026] ·所述检测单元包括用于接收传感器数据的接收器， [0028] ·所述输出单元包括用于发送所检测的传感器数据、参考传感器数据、事件数据和/或状态预测的发送器。 [0029] 根据本发明的第二方面提供一种用于预测循环生产设备的至少一个系统部件的状态的方法，该方法包括：检测所述循环生产设备的所述至少一个系统部件的传感器数据的时间序列，由至少一个人工神经网络基于传感器数据的时间序列来计算所述至少一个系统部件的状态预测，并且输出所述至少一个系统部件的所计算的状态预测。 [0030] 本发明的第二方面的一些有利的实施方式包括以下列表中的至少一个特征： [0031] ·在评估实时数据之前训练模型，其中，将描述所述至少一个系统部件或相同的系统部件的参考状态的参考传感器数据配设给事件数据。 [0032] ·基于分类方法、例如随机森林、支持向量机和/或人工神经网来计算所述状态预测， [0033] ·基于用于异常探测的算法、例如孤立森林来计算所述状态预测，[0034] ·检测关于实际值的传感器数据， [0035] ·检测关于所述至少一个系统部件在一个生产周期内的位置和/或角度的传感器数据， [0036] ·检测关于以下参数中的至少一个参数的传感器数据：压力机位置、工具编号、实际压力和目标压力， [0037] ·将传感器数据的时间序列划分成子集或子范围， [0038] ·提取所述子集或子范围的有代表性的特征，例如所述至少一个系统部件的提升高度(Hub)的子范围的有代表性的特征， [0039] ·有代表性的特征包括：最大值、最小值和/或统计矩 [0040] ·基于传感器数据的时间序列的子集或子范围计算所述至少一个系统部件的状态预测， [0041] ·输出基于传感器数据的时间序列的子集或子范围所计算的状态预测，[0042] ·基于所计算的状态预测输出以下各项中的至少一项：所述至少一个系统部件的正常行为、所述至少一个系统部件的异常行为、具有有故障的系统部件或者有故障的构件的说明的设备状态的分类， [0044] ·基于预先定义的分析规则对传感器数据的所检测的时间序列进行分析和评估，以便确定防止所述至少一个系统部件的部分或完全的系统故障的措施， [0046] ·经由接口输出所生成的系统故障警告信号， [0047] ·所述事件数据包括空闲消息、开始通知和停止通知、过程步骤、故障通知、警告和/或所述至少一个系统部件的维修措施。 [0048] 根据本发明的第三方面提供一种非易失性计算机可读介质，在所述计算机可读介质中存储有一组计算机可读指令，所述计算机可读指令在由至少一个处理器执行时使装置至少执行以下各项：检测所述循环生产设备的所述至少一个系统部件的传感器数据的时间序列，由至少一个人工神经网络基于传感器数据的时间序列来计算所述至少一个系统部件的状态预测，并且输出所述至少一个系统部件的所计算的状态预测。 [0049] 本发明的第三方面的一些有利的实施方式包括与第二方面相联系地列举的列表中的至少一个特征。 [0050] 利用本发明的实施方式可以实现显而易见的优点。提供了一种用于预测循环生产设备的至少一个系统部件的状态的装置和方法。 [0051] OEE(Overall Equipment Effectiveness：设备综合效率)描述了设备效率。组成这一特征值的参数之一是可用性。借助本发明的实施方式可以提早预测对至少一个系统部件的可能的损害。随后可以引入限定的报告路径，并且在合适的时刻检查和消除故障，使得生产设备并非是不按计划的。因此，OEE随着不按计划的停止运转减少而增加。 [0052] 此外，节省了资源、例如仓库容量、能量和耗费。 [0054] 图1示出示例性的生产设备的示意图， [0055] 图2示出根据本发明的至少一些实施方式的装置的训练阶段的示意性图表，[0056] 图3示出根据本发明的至少一些实施方式的装置的生产阶段的示意性图表，以及[0057] 图4示出根据本发明的至少一些实施方式的装置的示意性图。 具体实施方式[0058] 在图1中示出示例性的生产设备3的示意图。所示出的生产设备3是以单个动作压力机(Einzelaktionspresse)形式的、具有一件式工件保持件的成型设备，该工件保持件支承在氮气弹簧上。所述成型设备包括具有两个八元(achtgliedgrigen)挺杆驱动装置13的头部件12，所述挺杆驱动装置分别具有耦联到拉伸挺杆18上的挺杆连杆17。头部件12与压力机工作台27经由压力机支柱28连接。此外，该压力机还具有用于驱动挺杆驱动装置13的马达29。 [0059] 在拉伸挺杆18上固定有凹模19或上工作台。该成型设备还包括板材保持件20，可以将以板材形式的拉伸件14或工件放置到该板材保持件上。可以借助成型设备的凸模21将拉伸件14压入到凹模19中，以获得拉伸件14的期望的形状。换句话说，凹模19和凸模21配合作用，以便将工件14成形为期望的形状。 [0061] 工件14的成型过程可以分成不同的阶段。每个成型过程表示一个成型周期，其中，多个成型周期在其阶段中通常不彼此区分。也就是说，耦联在生产设备3的不同系统部件上的传感器的传感器数据的时间序列在成型周期的不同阶段中通常不区分。 [0062] 在系统部件损坏的情况下必须更换或修理该系统部件。对于这种事件，事件数据例如可以记录到技术手册中，从而记下生产设备3的损坏历史或故障历史或维修历史。还可以生成包括事件数据的日志文件。日志文件通常是在其中存储有观察单元或一个或多个系统部件的过程数据的文件。这些事件数据例如可以包括损坏事件、警告事件和故障事件以及关于设备的系统部件的维修措施。关于维修措施的事件数据例如可以是维修措施的类型、维修措施的时刻和/或在所实施的维修措施之间的时间间隔。此外，例如对于设备3或各个系统部件可以记录空闲消息、开始通知和停止通知、过程步骤、故障通知、损坏、警告和维修措施并且将其存储在日志文件中。 [0063] 在图2中示出根据本发明的至少一些实施方式的装置的训练阶段的示意性图表。这种用于预测循环生产设备的至少一个系统部件的状态的装置与图4相联系地示出和描述。 [0064] 在评估在多个生产周期期间借助耦联到生产设备3的至少一个系统部件上的传感器检测到的实时数据之前，训练模型。在此，将所检测的、描述所述至少一个系统部件或相同的系统部件的参考状态的参考传感器数据11配设给事件数据6。事件数据6例如可以包括空闲消息、开始通知和停止通知、过程步骤、故障通知、损坏、警告和/或所述至少一个系统部件的维修措施。 [0065] 换句话说，参考传感器值11首先被采集和收集。通常，所采集的参考传感器值11被本地存储或存储在云环境中。随后，所采集的参考传感器值11被置于足够高的数据质量，从而能够绘制时间序列，所述时间序列描述与特定的生产参数(例如过程时间)无关的生产过程。除了参考传感器值11之外，还考虑技术文献、特别是专门具有关于维护措施的条目的技术文献。在特殊的标记方法中，将参考传感器数据11与技术文献中的信息或者说事件数据6相关联，从而除了时间序列分析之外也可以进行面向事件的分析。对机器学习模型的训练和验证对于通过根据本发明的装置来预测所述至少一个系统部件的失灵或状态预测来说是必需的。 [0066] 在图3中示出根据本发明的至少一些实施方式的装置的生产阶段的示意性图表。这种用于预测循环生产设备的至少一个系统部件的状态的装置与图4相联系地示出和描述。 [0067] 在评估实时数据时检测循环生产设备3的所述至少一个系统部件2的传感器数据5的时间序列。对于图1中所示的压力机的示例，这种传感器数据5可以包括液压拉伸垫组件的实际压力和/或压力机的位置。其它值例如可以是工具编号和/或液压拉伸垫组件的目标压力。对传感器数据的检测自动地进行。 [0068] 随后，通过至少一个人工神经网络8基于传感器数据5的所检测的时间序列来计算所述至少一个系统部件2的状态预测。首先，将所检测的传感器数据标准化并且提取描述过程的特征。状态预测的计算基于至少一个分类方法来进行。示例方法是随机森林、人工神经网络和/或支持向量机。对于所述分类方法，传感器数据5的时间序列也可以被划分为子集或子范围。在这样的情况下也可以提取所述子集或子范围的有代表性的特征。有代表性的特征的示例包括最大值、最小值和/或统计矩。因此，也可以基于传感器数据5的时间序列的子集或子范围来计算所述至少一个系统部件的状态预测。 [0069] 对所检测的数据进行标准化所具有的目标是否定过程的如下改变，所述改变虽然改变了传感器数据的变化过程，但不改变生产设备或所观察的组件的状态。例如过程周期的持续时间的变化或另一工件的生产属于此。随后可以提取生产周期的描述所述状态的所产生的时间序列的特征。在此，还显著地降低所需的数据，从而显著地降低所需的计算能力和存储能力。 [0070] 在计算状态预测之后，输出所述至少一个系统部件2的所计算的状态预测。所计算的状态预测的输出也可以基于传感器数据的时间序列的子集或子范围进行。所计算的状态预测的输出通常包含以下各项中的至少一项：所述至少一个系统部件的正常行为、所述至少一个系统部件的异常行为、具有有故障的系统部件或者有故障的构件的说明的设备状态的分类。对于在图1中所示的压力机的示例，所计算的状态预测的输出例如可以如下进行：阀门运行正常、阀门运行不正常、氮气容器有故障、氮气容器无故障、所述至少一个系统部件的正常行为、所述至少一个系统部件的异常行为。 [0071] 通常，基于预先定义的分析规则对传感器数据5的所检测的时间序列进行分析和评估，以便确定防止所述至少一个系统部件2的部分或完全的系统故障的措施。例如，一旦从传感器数据的所检测的时间序列中得知超过阈值，就可以生成系统故障警告信号，所述超过阈值能够表示系统部件2的未来损坏。所生成的系统故障警告信号然后经由接口被输出，例如输出给系统监控中心或者输出给生产设备的用户。 [0072] 在图4中示出根据本发明的至少一些实施方式的用于预测循环生产设备3的至少一个系统部件2的状态的装置1的示意图。预测装置1借助一个或多个数据接口与设备3的待监控的系统部件2耦联。待监控的系统部件可以包含多个外部的或集成的传感器，所述传感器提供传感器数据5。 [0073] 装置1可以包括接收器26。接收器26可以配置用于根据至少一种蜂窝或非蜂窝通信技术接收信息。接收器26可以包括多于一个的接收器。接收器26可以配置用于根据例如全球移动通信系统、GSM、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、5G、长期演进(Long Term Evolution，LTE)、IS‑95、无线局域网(Wireless Local Area Network，WLAN)、以太网和/或全球微波接入互操作性(Worldwide Interoperability for Microwave Access，WiMAX)的标准来工作。接收器26通常用于从系统部件2接收传感器数据5。传感器数据5也可以由用户借助用户接口供应给装置1。用户接口例如可以包括计算机键盘。 [0074] 装置1还包括处理器23，该处理器可以包含例如单核或多核处理器，其中，单核处理器包括一个处理核，并且多核处理器包括多于一个的处理核。处理器23可以包括多于一个的处理器。处理器23可以是用于在装置1中实施方法步骤的设施。处理器23可以至少部分地通过计算机指令配置成执行动作。 [0075] 装置1可以包括存储器24。存储器24可以包括随机存取存储器和/或永久存储器。存储器24可以包括至少一个RAM芯片。存储器24可以对于处理器23至少部分可访问。存储器 24可以至少部分地被包含在处理器23中。存储器24可以是用于存储信息的设施。存储器24可以包括计算机指令，处理器23配置用于执行所述计算机指令。当配置用于使处理器23执行特定动作的计算机指令被存储在存储器24中并且装置1整体上配置用于在处理器23的指令下在使用来自存储器24的计算机指令的情况下来执行时，处理器23和/或其至少一个处理核可以被认为配置用于执行特定动作。存储器24可以至少部分地在装置1外部，但是对于装置1可访问。 [0076] 用于预测循环生产设备3的至少一个系统部件2的状态的装置1还包括用于检测循环生产设备3的所述至少一个系统部件2的传感器数据5的时间序列的检测单元4。一个传感器的时间序列或者多个传感器的时间序列可以利用检测单元4来检测。由检测单元检测的传感器数据5的示例是位置传感器数据和压力传感器数据。所检测的传感器数据5可以存储在存储器24中。换句话说，检测单元4配置用于在一个生产周期内检测关于所述至少一个系统部件2的参数实际值和/或位置的传感器数据5。 [0077] 装置1还包括计算单元7，该计算单元具有至少一个在其中实现的人工神经网络8，以用于基于传感器数据5的所检测的时间序列来计算所述至少一个系统部件2的状态预测。在计算单元7中实现的人工神经网络8的第一层可以形成输入层，该输入层经由接口从检测单元4的缓存器逐步地获得传感器数据5的所检测的时间序列。 [0078] 所述计算通过处理器23的所述至少一个处理核执行。利用描述所述至少一个系统部件2或相同的系统部件的参考状态的参考传感器数据和事件数据来训练人工神经网络8。计算单元7配置用于基于分类方法来计算状态预测，所述分类方法诸如是随机森林、人工神经网络、支持向量机和/或人工神经网。计算单元7可以配置用于将传感器数据5的时间序列划分为子集或子范围。计算单元7也可以配置用于提取子集或子范围的有代表性的特征。在这样的情况下，计算单元7通常配置用于基于传感器数据5的时间序列的子集或子范围来计算所述至少一个系统部件2的状态预测。计算出的状态预测可以存储在存储器24中。 [0079] 通过计算单元7对状态预测的计算基于模型。至少一个系统部件的参考传感器数据、例如根据图1的压力机的压力数据在运行期间首先被记录，并且所记录的参考传感器数据被用于形成待监控的驱动装置的模型。事件数据被附加地添加到模型。例如，可以将各种类型的损坏或所执行的维修措施添加到所述模型。例如也可以将损坏或者所实施的维修措施的频率添加到模型。通过这种标记产生参考传感器数据的所标记的时间序列。所述模型可以存储在装置1的存储器24中。 [0080] 在根据本发明的装置1的应用方法中，将待监控的系统部件的所检测的传感器数据5供应给模型并且分析。通过使用者的领域知识支持模型构建。通过用户的持续的、专业的交流可以在应用期间不断优化模型。 [0081] 计算单元7的神经网络8学习在描述正常状态的所提取的特征中的模式或者在描述特定故障或异常的所提取的特征中的模式。计算单元7也配置用于基于预先定义的分析规则对传感器数据5的所检测的时间序列进行分析和评估，以便确定防止所述至少一个系统部件2的部分或完全的系统故障的措施。 [0082] 此外，装置1包括用于输出所述至少一个系统部件2的计算出的状态预测的输出单元9。输出单元9可以配置用于输出基于传感器数据5的时间序列的子集或子范围所计算的状态预测。输出单元9可以包括评估单元10，该评估单元基于所计算的状态预测输出以下各项中的至少一项：所述至少一个系统部件2的正常行为、所述至少一个系统部件2的异常行为、具有有故障的系统部件2或者有故障的构件的说明的设备状态的分类。对于在图1中所示的压力机的情况，输出22例如可以包括以下各项：阀门运行正常、阀门运行不正常、氮气容器损坏、氮气容器未损坏、所述至少一个系统部件的异常行为、所述至少一个系统部件的正常行为。 [0083] 装置1还可以包括发送器25。发送器25可以配置用于根据至少一种蜂窝或非蜂窝通信技术来发送信息。发送器25可以包括多于一个的发送器。发送器25可以配置用于根据例如全球移动通信系统、GSM、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、5G、长期演进(Long Term Evolution，LTE)、IS‑95、无线局域网(Wireless Local Area Network，WLAN)、以太网和/或全球微波接入互操作性(Worldwide Interoperability for Microwave Access，WiMAX)的标准来工作。发送器25通常用于将所检测的传感器数据、事件数据、所计算的未来传感器数据和/或状态预测发送给计算机、移动终端设备(诸如智能电话或平板计算机)、服务器、基于云的服务器或网络节点。例如可以借助发送器25将警告信号传输到工作人员的移动终端设备上或者传输给生产的工业设备的监控中心，使得可以有计划地并且及时地实施在所述至少一个系统部件2上的维修措施。 [0084] 作为结果，输出单元9输出所述至少一个系统部件的状态预测。例如，经由接口输出所生成的系统故障警告信号。 [0085] 因此，基于传感器数据的所检测的时间序列可以检测、描述和评估系统部件2的当前状态。此外，能够实现对系统部件2的未来状态的预测。可以借助状态预测时间优化地、质量优化地以及成本优化地规划和实施识别为必需的维护措施。 [0086] 此外，当然本发明的实施方式不限于在此公开的特殊结构或方法步骤，而是可以扩展到对于相关领域的普通技术人员可看出的其等效方案。 [0087] 当然，在此使用的术语仅用于说明特定实施方式并且不应解释为限制性的。所说明的特征、结构或特性可以以任何适合的方式在一个或多个实施方式中进行组合。 [0088] 工业适用性 [0089] 本发明的实施方式例如在预测例如机动车行业中的成型设备的状态中找到工业适用性。 [0090] 附图标记列表 [0091] 1 装置 [0092] 2 系统部件 [0093] 3 生产设备 [0094] 4 检测单元 [0095] 5 传感器数据 [0096] 6 事件数据 [0097] 7 计算单元 [0098] 8 人工神经网络 [0099] 9 输出单元 [0100] 10 评估单元 [0101] 11 参考传感器数据 [0102] 12 头部件 [0103] 13 挺杆驱动装置 [0104] 14 拉伸件或者说工件 [0105] 15 压力螺栓 [0106] 16 液压拉伸装置 [0107] 17 挺杆连杆 [0108] 18 拉伸挺杆 [0109] 19 凹模 [0110] 20 板材保持件 [0111] 21 凸模 [0112] 22 输出 [0113] 23 处理器 [0114] 24 存储器 [0115] 25 发送器 [0116] 26 接收器 [0117] 27 压力机工作台 [0118] 28 压力机支柱 [0119] 29 马达 [0120] 30 压力机基座 |
||||||
QQ群二维码
意见反馈
意见反馈