EP3959571A1 - Verfahren zum bestimmen von restnutzungszyklen, restnutzungszyklusbestimmungsschaltung, restnutzungszyklusbestimmungsvorrichtung - Google Patents

Verfahren zum bestimmen von restnutzungszyklen, restnutzungszyklusbestimmungsschaltung, restnutzungszyklusbestimmungsvorrichtung

Info

Publication number
EP3959571A1
EP3959571A1 EP20712294.6A EP20712294A EP3959571A1 EP 3959571 A1 EP3959571 A1 EP 3959571A1 EP 20712294 A EP20712294 A EP 20712294A EP 3959571 A1 EP3959571 A1 EP 3959571A1
Authority
EP
European Patent Office
Prior art keywords
determining
remaining
value
cycle
remaining usage
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
EP20712294.6A
Other languages
English (en)
French (fr)
Inventor
Jonathan MANRIQUE GARAY
Carsten Trimborn
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Volkswagen AG
Original Assignee
Volkswagen AG
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
Priority claimed from DE102020200051.4A external-priority patent/DE102020200051A1/de
Application filed by Volkswagen AG filed Critical Volkswagen AG
Priority claimed from PCT/EP2020/057149 external-priority patent/WO2020216530A1/de
Publication of EP3959571A1 publication Critical patent/EP3959571A1/de
Pending legal-status Critical Current

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
    • G05B23/0259—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]
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37209—Estimate life of gear, drive
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37252—Life of tool, service life, decay, wear estimation

Definitions

  • the invention relates to a method for determining remaining usage cycles, a
  • RUL Remaining Useful Lifetime
  • Such methods are typically based on stochastic methods or models and can be used to predict a threshold value at which a
  • methods for determining a RUL for a production device are often based on online adaptation, a value that is used for the determination being continuously updated in such methods, so that the determination is continuously updated.
  • US Pat. No. 8,725,456 B1 discloses a prognostic tool for determining a RUL of a component or a sub-system on the basis of two different regression models.
  • the RUL is determined here based on an artificial intelligence training.
  • Degradation modeling determines a remaining service life.
  • the laid-open specification CN 107194478 A describes a method for predicting a remaining service life in which a drift parameter and a diffusion parameter are used to describe a degradation process. With such methods, however, no future usage cycle is determined, but a duration.
  • the object of the present invention is to provide a method for determining
  • a method according to the invention for determining remaining usage cycles of a production device due to wear includes:
  • Determination of a future usage cycle of the part of the production device for which the maintenance variable has a predetermined second status value the future usage cycle being determined based on the first status value and based on a discrete stochastic degradation model.
  • Remaining usage cycle determination circuit set up to carry out a method according to the invention according to the first aspect.
  • Remaining usage cycle determining device comprises a remaining usage determining circuit according to the second aspect.
  • RUL remaining useful life
  • a prediction can be imprecise because simplifications have to be made, which can result in the complexity of the device being lost, and interactions of the device with the environment not
  • labeled data may have to be used to create a
  • Conditions can lead to an inaccurate forecast.
  • a Monte Carlo simulation based on a linear Wiener process model can be carried out, which can lead to large variations or inaccuracies if there are small variations in a drift of the Wiener process, so that initial values are falsified by condition monitoring For example, a positive value can become negative or close to zero.
  • a determined confidence interval in a forecast can be too large, so that a Monte Carlo simulation does not converge to a defined failure threshold.
  • a drift control can be implemented in order to exclude a drift around a zero value or a negative drift, so that a Monte Carlo simulation converges. In this way, computing power can advantageously also be reduced.
  • a negative drift can also indicate a statement about an improvement in a state of a production device.
  • some embodiments relate to a method for determining
  • Residual usage cycles of a production device due to wear and tear comprising:
  • Determination of a future usage cycle of the part of the production device for which the maintenance variable has a predetermined second status value the future usage cycle being determined based on the first status value and based on a discrete stochastic degradation model.
  • the device can comprise any device that must or can be serviced due to wear, such as a production device in FIG.
  • a cycle can comprise a predetermined operating duration, a predetermined operating time, a predetermined period, and the like, in which the device executes a predetermined or device-typical process or method.
  • Production device are subject to wear, for example by mechanical
  • a first status value of a maintenance variable of a part of the production device is determined.
  • the maintenance variable can be a physical, mechanical and / or electronic variable, and the like, which can indicate wear.
  • the maintenance quantity can include an elongation of the part, a temperature, a thickness, a pressure, a humidity, a filling amount, and the like.
  • the first status value can comprise a measured value of the maintenance variable, for example ten bar if the maintenance variable comprises a pressure.
  • the sensor can accordingly be set up to generate sensor data which are indicative of the state value.
  • the senor can, for example, be a pressure sensor, a distance sensor, a
  • Temperature sensor a humidity sensor, a color sensor, and the like.
  • the sensor data can also be indicative for several (e.g.
  • CM data may include or be indicative of statistical parameters of each work cycle of the production device and stored in the production device and retrieved after (or during) each production cycle or after each part produced by the production device.
  • a buffer can thereby advantageously be defined, which should be present so that if the production device fails, enough parts are present so that a production line does not have to be shut down.
  • such a buffer can advantageously be dispensed with in some exemplary embodiments, since as a result no space or storage capacity (which is typically limited) has to be released and no financial means have to be expended for the buffer.
  • a cycle can be for a produced component (or product) (or for a specific number of produced components or
  • the future usage cycle can comprise a usage cycle which is determined on the basis of a current and / or past usage cycle or from the first status value in the current and / or past usage cycle, for which the
  • Maintenance variable assumes a predetermined second state value.
  • the second status value (for example five bar) can be a threshold value at which maintenance must be carried out or at which maintenance must be scheduled.
  • the second status value can also be a value from which another method can be used or from which subsequent values can be known.
  • the second state value can be determined based on the first state value and on a discrete stochastic degradation model. For example, the first
  • State value can be used as the initial value for the discrete stochastic degradation model.
  • the discrete stochastic degradation model can generally include a model, an algorithm, and the like, which, based on a stochastic and / or statistical analysis and based on the first state value, allows a prediction of the maintenance variable in future usage cycles.
  • the stochastic degradation model is discrete in that a variable des
  • the degradation model is discrete.
  • the usage cycle is a discrete variable as opposed to a continuous variable such as time.
  • a problem with the continuous variable time can, for example, be that in such a model it cannot typically be taken into account that the
  • Production device or the part of the production device can be switched off.
  • each usage cycle is evenly distributed in the time dimension.
  • the method further comprises: determining a number of remaining usage cycles of the production device based on the future one
  • the remaining usage cycles can result from or correspond to the future usage cycle, for example the remaining usage cycles can be the number of
  • Use cycles include until the future use cycle is reached, or another use cycle, which is determined on the basis of the future use cycle, is reached, and the like.
  • the method further comprises: generating a
  • the probability density function can be indicative of a probability.
  • a probability can be specified as a function of a variable, for example as a function of time.
  • using the continuous variable of time can be disadvantageous, so that, in some
  • the variable is a usage cycle, so that the future
  • Use cycle can advantageously be determined.
  • the probability density function is indicative of a probability for which future usage cycle the maintenance variable assumes the second state value.
  • the degradation model includes a Wiener process model.
  • degradation for example in an electrochemical device, can occur in a random manner.
  • a stochastic model such as a Wiener process, can therefore be used to describe the degradation.
  • the degradation can be described partly deterministically and partly stochastically, with the deterministic part being able to be the same for all tested devices (that is to say for one
  • the stochastic part can represent an uncertainty which is generated by a difference in the devices within the total population.
  • a Wiener process which does not describe a pure random walk, but a random walk with a drift.
  • a Wiener process can be described with the following formula (1):
  • X (t) corresponds to the degradation
  • x i to the first state value
  • l (t) to a drift coefficient
  • B (t) to a Brownian movement
  • the continuous variable becomes time
  • T describes the remaining service life
  • inf stands for infimum (as is generally known)
  • w stands for a failure threshold (FT) to which the
  • Equation (3) stands for the probability density function, p for the circle number, and exp for an exponential function to the base e (Euler number), without restricting the present invention thereto, since every possible exponential function can be used.
  • X (t) can be used, where c stands for a (future) cycle of use and in formula (1), each t can be replaced with a c without loss of generality, so that the formula is not repeated here .
  • a remaining usage cycle C can be defined as in formula (4):
  • the remaining usage cycle as described herein, can be indicative of the future
  • the future usage cycle can be or correspond to a predetermined number of usage cycles before the remaining usage cycle.
  • cQ which can also be briefly defined as n, describes the number of past cycles since a previous determination of residual usage cycles or since the determination of the first status value.
  • the Wiener process model is based on a drift, as described herein.
  • a Wiener process model represents a Markovian property whereby the Wiener process model is memoryless, i.e. if the second state value were determined exclusively based on the Wiener process model, a prediction would always be based on the first state value x 1, but no historical first state values (from previous measurements) would be taken into account.
  • the degradation model comprises a Bayesian forecasting model.
  • the method further comprises: determining a drift in the Wener process model based on the Bayesian prediction model. It is generally known that the drift coefficient l (t) is subject to a process that changes over time. Therefore, the first state value can be the only known value, which is why the drift must be determined.
  • the drift is generally considered to be deterministic. However, in some exemplary embodiments it can be modeled as a random variable (or stochastic variable).
  • the drift is determined based on a Bayesian filter and / or a Kalman filter.
  • the drift can in a
  • State space model can be constructed as shown in formulas (6) and (7):
  • h can be proportional to a normally distributed noise
  • e can be proportional to a further normally distributed noise be as a variance to represent a Brownian motion.
  • formula (6) represents a system equation
  • formula (7) represents an observation equation. H and e may be uncorrelated.
  • the present invention is not limited to this.
  • n can originate from the natural numbers and comprises the past cycles since a method according to the invention was previously carried out.
  • c i corresponds to a current cycle or a cycle of a last measurement by a sensor and C in corresponds to a cycle of the last execution of a
  • a strand tracking filter algorithm is used to detect sudden signal changes (or sudden (short-term) changes in the first
  • the degradation model includes a Monte Carlo simulation.
  • c i is a usage cycle on which a past (or the last) sensor measurement was carried out and c f is a future usage cycle on which the FT is achieved.
  • the method further comprises: processing the first status value.
  • the first state value can, for example, be noisy, an outlier from a statistic, and the like.
  • the first status value can therefore be processed, i.e. processed to filter and / or normalize the first state value.
  • the processing includes filtering.
  • a Kalman filter can be used to filter a noise.
  • noise can make a prediction or the determination of the second status value and / or the future usage cycle incorrect. This can be caused, for example, by an indirect measurement.
  • a Kalman filter can be implemented in the form of the following third algorithm:
  • Noise can thus advantageously be removed and the determination of the second state value can be carried out based on a more stable first state value.
  • the processing includes a rolling window regression.
  • the rolling window regression can be applied after the Kalman filter in order to filter a fluctuation of the first state value on a short time scale.
  • a mean value is formed for several (consecutive) first status values. For example, a first mean value is formed for the first through the nth first state value (in a first window). The window is then shifted by one position so that a second mean value is formed for the second to n + 1-th first state values. Then the window can be shifted one more place so that for the third to n + 2th
  • the stability of the first state value and thus the determination of the future state value can advantageously be increased.
  • the processing is therefore also based on one
  • the method further comprises: determining at least one threshold value based on the first status value, which is indicative of the second status value.
  • the first threshold value can include, for example, a healthy threshold, a failure threshold, and the like, as described herein.
  • a (predetermined) standard can advantageously be met and a
  • a pressure can be an indirect measurement of an amount of current flowing through a motor.
  • an FT can be based on a standardized The (maximum) value of such a current flow rate can be given, which is expressed by pressure values in a chamber of the motor.
  • the FT can represent a value at which the device can no longer be operated.
  • a threshold value can be established up to which the device can still be operated without damage having typically already occurred.
  • a threshold value can include security until the FT is reached and can be referred to as HT (Healthy Threshold).
  • a BU (Business as Usual) threshold value can be defined, which can designate a state in which the device is operated.
  • the HT can be defined based on the BU and using a standard deviation s from first state values (or raw data) during a BU operating mode. Without limiting the present invention to this, the HT can be defined as follows:
  • the BU can be determined on the basis of filtered first state values (which have been filtered with a Kalman filter, as described herein), wherein advantageously a probability that the BU assumes a value above the HT is low as a result of the filtering as long as the BU is below of the HT lies.
  • a random (or stochastic) degradation or wear takes place.
  • the HT can be recognized before damage to a device occurs.
  • Some exemplary embodiments relate to a remaining usage cycle determining circuit which is set up to carry out a method according to the invention.
  • the remaining usage cycle determination circuit can comprise, for example, a CPU (Central Processing Unit), GPU (Graphic Processing Unit) or any other type of at least one processor, an FPGA (Field Programmable Gate Array), and the like.
  • the circuit can receive sensor data in that it is connected to at least one sensor or comprises at least one sensor. Furthermore, it can be connected to at least one sensor and at the same time comprise at least one (other) sensor.
  • the at least one sensor can be set up to measure at least one status value of at least one maintenance variable or to generate measurement data that are indicative of the at least one status value, for example by means of a direct or indirect measurement.
  • the senor can also be set up to measure several maintenance variables, such as a pressure and a humidity, a distance, a volume, and the like.
  • the remaining usage cycle determination circuit can also have one (or more)
  • inventive method can be carried out.
  • Some exemplary embodiments relate to a remaining usage cycle determining device which comprises a remaining usage cycle determining circuit according to the invention.
  • the device for determining the remaining usage cycle can, for example, comprise a computer, server, and the like, and at least one sensor or be connected to it.
  • the device for determining the remaining usage cycle can also comprise a device for which a number of remaining usage cycles is to be determined.
  • FIG. 1 schematically shows an embodiment of a method according to the invention for
  • FIG. 2 shows a further exemplary embodiment of a method according to the invention for determining remaining usage cycles of a production device due to wear in a block diagram
  • 3 shows a production device for which a number of remaining usage cycles can be determined
  • FIG. 4 shows a further exemplary embodiment of a method according to the invention for determining remaining usage cycles of a production device due to wear in a flow chart
  • Fig. 6 is a graph showing degradation
  • FIG. 7 shows a device for determining the remaining usage cycle according to the invention with a circuit for determining the remaining usage cycle according to the invention.
  • FIG. 1 The remaining usage cycles of a production device due to wear and tear is shown in a block diagram in FIG. 1.
  • a first state value of a maintenance variable of a part of a production device is determined based on sensor data of a sensor for the production device, as described herein.
  • FIG. 3 shows a further exemplary embodiment of a method 10 according to the invention for determining remaining usage cycles of a production device due to wear.
  • the first status value is processed as described herein.
  • At least one threshold value is determined based on the first state value, which is indicative of the second state value, as described herein.
  • a drift in a Wiener process model is determined based on a Bayesian prediction model as described herein.
  • a probability density function for determining the remaining usage cycles is generated as described herein.
  • a future usage cycle of the part of the production device for which the maintenance variable has a predetermined second status value is determined, the future usage cycle being determined based on the first status value and based on a discrete stochastic degradation model, as described herein.
  • a number of remaining usage cycles of the production device is determined based on the future usage cycle, as described herein.
  • Fig. 3 shows a production device for which a number of remaining usage cycles can be determined.
  • the production device is a gluing machine 20 which has a motor 21 with a motor axis 22, a spindle 23, a nut 24 with rolling elements, guide rods 25, a piston 26, an adhesive chamber 27, an inlet valve 28, an outlet valve 29, and a Has nozzle 30.
  • the gluing machine 20 can distribute glue.
  • the manifold, as it operates under high pressure, can be prone to wear.
  • the spindle 23 can be difficult to maintain, which can be expensive.
  • a method according to the invention is therefore used for the spindle 23.
  • a sensor system that monitors the gluing machine 20 can measure a pressure in the gluing chamber 27 in addition to eight further parameters. In this exemplary embodiment, the pressure is the relevant maintenance variable.
  • the (maximum) pressure (during a production cycle) is the main maintenance variable in this exemplary embodiment, according to which a possible failure of the spindle 23 can be predicted or estimated.
  • the nozzle may have a momentary blockage while the adhesive is being applied. As a result, it may be necessary to increase the pressure in the glue chamber 27 in order to free the nozzle.
  • a current of the motor 21 can be increased.
  • the current, and thus the pressure can, however, be subject to fluctuations, as a result of which a data point which reflects the maximum pressure which after a production cycle (measured indirectly) can be an outlier and / or noisy.
  • the pressure is filtered with a Kalman filter and a rolling window regression with a moving average.
  • FIG. 4 shows a further exemplary embodiment of a method 40 according to the invention in a flowchart.
  • Condition monitoring is carried out in 41, whereby a first status value of a maintenance variable is obtained, i.e. a pressure data set is determined by a pressure sensor.
  • the obtained print dataset is filtered as described herein.
  • a drift estimate for a Wiener process based on a Bayesian network is carried out in 45, as described herein.
  • the drift estimation is applied in such a way that a negative value or a zero value for the drift is avoided in order to advantageously avoid a divergence of a Monte Carlo simulation, which advantageously makes it possible to save computing power.
  • a future usage cycle is determined. This means that it is determined how often the pressure is likely to exceed the maximum pressure value in future usage cycles.
  • the future usage cycle then indicates a failure threshold.
  • a number of remaining usage cycles is determined based on this. If in 47 the number of remaining usage cycles is less than the usage cycles per day (i.e. the gluing machine can then still be used on the production day), a new print data record is determined in 48. If the number of remaining usage cycles is greater, a report is generated in 49 and maintenance is initiated.
  • maintenance can be carried out when a production break occurs or when one is planned.
  • the production break can be planned based on the remaining usage cycles determined so that
  • FIG. 5 shows a graph 50 for determining remaining usage cycles, which shows on an ordinate 51 a measured pressure in an adhesive chamber (as described above), which is plotted as data points 52 against a time 53. Between the data points 52 there are empty spaces 54 which are created by production breaks (for example weekends). A healthy threshold 55 is also shown. The data points which are above the HT 55 correspond to second state values, have thus been determined using a method according to the invention. The data points above the HT 55 provide information about a number of remaining usage cycles up to a failure threshold 56.
  • FIG. 6 shows a graph 60 which shows a degradation, with a multiplicity of probability density functions 61. The graph 60 has an ordinate 62
  • Probability density functions 61 normally distributed.
  • Probability density functions 61 indicate an expected number of remaining usage cycles, while crosses 65 represent an actual number of remaining usage cycles before a failure.
  • an accurate prediction can be made. For example, here eighty percent of the determined remaining usage cycles remain below a predefined confidence interval, so that an accuracy is advantageously high, so that a
  • FIG. 7 shows a remaining usage cycle determining device 70 according to the invention for determining a number of remaining usage cycles of a production device 73
  • Remaining usage cycle determining device 70 comprises a sensor interface 71 which receives sensor data from a sensor 72.
  • the sensor 72 is set up to generate sensor data which are indicative of a first state value (or a plurality of first state values) of a maintenance variable, as described herein.
  • the sensor interface 71 is set up to determine the first status value from the sensor data.
  • the remaining-use cycle determining device 70 further includes a
  • Embodiment is designed as a CPU, and which is set up to a
  • the present invention apart from gluing machines, can generally be used in
  • Such production devices can contain, for example, a spindle drive, a gear drive, a roller bearing, and / or other components.
  • the present invention can be used for all components affected by wear, such as vehicle components that are monitored with appropriate sensors (for example vibration sensors).
  • sensors for example vibration sensors
  • Wheel bearing damage, gear damage, and the like can be predicted.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

1. Verfahren (1; 10; 40) zum Bestimmen von Restnutzungszyklen einer Produktionsvorrichtung (20; 73) aufgrund von Verschleiß, umfassend: Bestimmen (2; 11; 41) eines ersten Zustandswertes einer Wartungsgröße eines Teils der Produktionsvorrichtung (20; 73) basierend auf Sensordaten eines Sensors für die Produktionsvorrichtung; und Bestimmen (3; 16; 49) eines zukünftigen Nutzungszyklus des Teils der Produktionsvorrichtung (20; 73), zu welchem die Wartungsgröße einen vorher festgelegten zweiten Zustandswert aufweist, wobei der zukünftige Nutzungszyklus basierend auf dem ersten Zustandswert und basierend auf einem diskreten stochastischen Degradationsmodell bestimmt wird.

Description

Beschreibung
Verfahren zum Bestimmen von Restnutzungszyklen,
Restnutzungszyklusbestimmungsschaltung, Restnutzungszyklusbestimmungsvorrichtung
Die Erfindung betrifft ein Verfahren zum Bestimmen von Restnutzungszyklen, eine
Restnutzungszyklusbestimmungsschaltung, und eine
Restnutzungszyklusbestimmungsvorrichtung.
Generell sind Verfahren bekannt, um eine Restnutzungsdauer (engl. Remaining Useful Lifetime (RUL)) einer Vorrichtung zu bestimmen.
Solche Verfahren basieren typischerweise auf stochastischen Methoden oder Modellen und können dazu verwendet werden, einen Schwellwert vorherzusagen, zu welchem eine
Vorrichtung aufgrund von Verschleiß ausfällt, wie beispielsweise im Kontext von
Turbomaschinerie (bspw. in der Luft- und Raumfahrt) und/oder im Kontext von
Waffen(systemen).
Dahingegen basieren Verfahren zur Bestimmung einer RUL für eine Produktionsvorrichtung häufig auf einer Online-Adaptierung, wobei ein Wert, welcher für die Bestimmung verwendet wird, in solchen Verfahren ständig aktualisiert wird, sodass die Bestimmung ständig aktualisiert wird.
Beispielsweise ist aus der Patentschrift US 8,725,456 B1 ein prognostisches Werkzeug bekannt um eine RUL einer Komponente oder eines Sub-Systems anhand von zwei verschiedenen Regressionsmodellen zu bestimmen. Die RUL wird hierbei basierend auf einem Training einer künstlichen Intelligenz bestimmt.
Des Weiteren ist auf der Offenlegungsschrift CN 107480440 A, eine
Restlebensdauervorhersagemethode bekannt, welche basierend auf einer zufälligen
Degradationsmodellierung eine Restlebensdauer bestimmt.
Außerdem beschreibt die Offenlegungsschrift CN 107194478 A eine Methode zur Vorhersage einer Restlebensdauer, in welcher ein Drift-Parameter und ein Diffusionsparameter verwendet werden, um einen Degradationsprozess zu beschreiben. Bei solchen Methoden wird jedoch kein zukünftiger Nutzungszyklus bestimmt, sondern eine Dauer.
Aufgabe der vorliegenden Erfindung ist es, ein Verfahren zum Bestimmen von
Restnutzungszyklen, eine Restnutzungszyklusbestimmungsschaltung, und eine
Restnutzungszyklusbestimmungsvorrichtung bereitzustellen, welche die oben genannten Nachteile wenigstens teilweise überwinden.
Diese Aufgabe wird durch das erfindungsgemäße Verfahren zum Bestimmen von
Restnutzungszyklen nach Anspruch 1 , durch die erfindungsgemäße
Restnutzungszyklusbestimmung nach Anspruch 14, und durch die erfindungsgemäße
Restnutzungszyklusbestimmungsvorrichtung nach Anspruch 15 gelöst.
Nach einem ersten Aspekt umfasst ein erfindungsgemäßes Verfahren zum Bestimmen von Restnutzungszyklen einer Produktionsvorrichtung aufgrund von Verschleiß:
Bestimmen eines ersten Zustandswertes einer Wartungsgröße eines Teils der
Produktionsvorrichtung basierend auf Sensordaten eines Sensors für die
Produktionsvorrichtung; und
Bestimmen eines zukünftigen Nutzungszyklus des Teils der Produktionsvorrichtung, zu welchem die Wartungsgröße einen vorher festgelegten zweiten Zustandswert aufweist, wobei der zukünftige Nutzungszyklus basierend auf dem ersten Zustandswert und basierend auf einem diskreten stochastischen Degradationsmodell bestimmt wird.
Nach einem zweiten Aspekt ist eine erfindungsgemäße
Restnutzungszyklusbestimmungsschaltung dazu eingerichtet ein erfindungsgemäßes Verfahren nach dem ersten Aspekt durchzuführen.
Nach einem dritten Aspekt umfasst eine erfindungsgemäße
Restnutzungszyklusbestimmungsvorrichtung eine Restnutzungsbestimmungsschaltung nach dem zweiten Aspekt.
Weitere vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den Unteransprüchen und der folgenden Beschreibung bevorzugter Ausführungsbeispiele der vorliegenden Erfindung.
Wie bereits diskutiert, bestimmen bekannte Verfahren eine Restnutzungsdauer (RUL). Jedoch wurde erkannt, dass solche Verfahren keine Produktionspausen (bspw. Wochenende) in Betracht ziehen (können), sodass möglicherweise eine notwendige Wartung zu früh ausgeführt wird, was kostenineffizient sein kann.
Deshalb wurde erkannt, dass es vorteilhaft und einfacher sein kann, wenn Restnutzungszyklen bestimmt werden, da in diesem Fall keine Produktionspause in Betracht gezogen werden muss. So kann eine Wartung bspw. anhand von bereits produzierten Teilen geplant werden, womit eine unerwünschte Unsicherheit durch eine lange Pause (bspw. durch von Menschen gemachte Zeitpläne) reduziert wird.
Ferner wurde erkannt, dass es wünschenswert sein kann, wenn Produktionskosten gemindert und eine Produktqualität gleichzeitig erhöht oder zumindest konstant gehalten werden kann.
Dies kann durch eine frühzeitige Erkennung oder Antizipation einer möglichen Betriebsstörung, eines möglichen Funktionsausfalls oder anderer Störungen einer Produktionslinie erreicht werden.
Bei bekannten Methoden kann solch eine frühzeitige Erkennung ungenau stattfinden.
Beispielsweise, in modellbasierten Methoden, welche eine physikalische Repräsentation eines Verhaltens einer Vorrichtung beschreiben können, kann eine Vorhersagen deswegen ungenau sein, weil Vereinfachungen getroffen werden müssen, womit die Komplexität der Vorrichtung verloren gehen kann, sowie Interaktionen der Vorrichtung mit der Umwelt nicht
notwendigerweise in Betracht gezogen werden.
Des Weiteren, bei datengetriebenen Modellen (bspw. künstliche Intelligenz, maschinelles Lernen) wird eine hohe Datenqualität vorausgesetzt und eine gewisse Anzahl an Ausfällen, damit solche Modelle eine Vorhersage lernen, was kostenineffizient sein kann
Des Weiteren müssen möglicherweise gelabelte Daten verwendet werden, um ein
datengetriebenes Modell zu trainieren, wobei solche gelabelten Daten nicht notwendigerweise zur Verfügung stehen, da beispielsweise eine notwendige Infrastruktur nicht existiert oder da Kosten für solch eine Infrastruktur unverhältnismäßig hoch sein können.
Darüber hinaus sind solche Methoden nicht zwangsweise transferierbar zwischen zwei
Vorrichtungen, auch wenn sich die Vorrichtungen ähnlich sind oder wenn sie leicht bzgl. einer Aufgabe oder in ihrer Konstruktion variieren. Deshalb müsste ein maschinelles Lernen bei einem Transfer neu durchgeführt werden, wobei, wie oben erwähnt, eine Datenmenge zum Training möglicherweise nicht ausreicht. Außerdem können solche Verfahren nicht auf neue Vorrichtungen angewendet werden.
Insofern wurde erkannt, dass eine Kombination aus statistischen Modellen und stochastischen Prozessen, um eine Wahrscheinlichkeitsdichtefunktion zur Risikoanalyse und zum Entscheiden, ob und wann eine Wartung durchgeführt werden muss, solche Nachteile überwinden kann.
Des Weiteren wurde erkannt, dass es wünschenswert sein kann, wenn eine Restnutzungsdauer nicht bei Anfang, kurz nach einer Inbetriebnahme einer Produktionsvorrichtung, oder kurz nach einer Wartung durchgeführt werden muss, da es unnötige Kosten verursachen kann und notwendige (gelabelte) Daten nicht notwendigerweise vorhanden sind, wie hierin diskutiert.
Außerdem wurde erkannt, dass die Bestimmung der Restlebensdauer unter solchen
Bedingungen zu einer ungenauen Vorhersage führen kann. Hierbei kann eine Monte-Carlo- Simulation basierend auf einem linearen Wiener-Prozess-Modell durchgeführt werden, was zu großen Variationen bzw. Ungenauigkeiten führen kann, wenn kleine Variationen in einem Drift des Wiener-Prozesses vorliegen, sodass Anfangswerte durch ein Condition Monitoring verfälscht werden, bspw. kann ein positiver Wert zu einem negativen werden oder nahe Null kommen. Darüber hinaus kann ein ermitteltes Konfidenzintervall in einer Vorhersage zu groß sein, sodass eine Monte-Carlo-Simulation nicht zu einem definierten Ausfallschwellwert (Failure Threshold) konvergiert.
Deshalb wurde erkannt, dass eine Driftkontrolle implementiert werden kann, um einen Drift um einen Nullwert oder einen negativen Drift auszuschließen, sodass eine Monte-Carlo-Simulation konvergiert. Damit kann vorteilhafterweise auch eine Rechenleistung reduziert werden.
In manchen Ausführungsbeispielen kann ein negativer Drift aber auch eine Aussage über eine Verbesserung eines Zustands einer Produktionsvorrichtung hindeuten.
In anderen Worten wurde erkannt, dass eine Bestimmung einer Restlebensdauer ab
Inbetriebnahme einer Produktionsvorrichtung nicht notwendigerweise durchgeführt werden muss und verwirrend sein kann, wenn eine Notwendigkeit einer Wartung zu einem zu frühen Zeitpunkt stattfindet, da dadurch eine Fehleranfälligkeit der Restlebensdauerbestimmung erhöht wird. Deshalb betreffen manche Ausführungsbeispiele ein Verfahren zum Bestimmen von
Restnutzungszyklen einer Produktionsvorrichtung aufgrund von Verschleiß, umfassend:
Bestimmen eines ersten Zustandswertes einer Wartungsgröße eines Teils der
Produktionsvorrichtung basierend auf Sensorsensordaten eines Sensors für die
Produktionsvorrichtung; und
Bestimmen eines zukünftigen Nutzungszyklus des Teils der Produktionsvorrichtung, zu welchem die Wartungsgröße einen vorher festgelegten zweiten Zustandswert aufweist, wobei der zukünftige Nutzungszyklus basierend auf dem ersten Zustandswert und basierend auf einem diskreten stochastischen Degradationsmodell bestimmt wird.
Die Vorrichtung kann jede Vorrichtung umfassen, welche aufgrund von Verschleiß gewartet werden muss oder kann, wie zum Beispiel eine Produktionsvorrichtung in der
Automobilindustrie und dergleichen.
Ein Zyklus kann in diesem Kontext eine vorbestimmte Betriebsdauer, eine vorbestimmte Betriebszeit, eine vorbestimmte Periode, und dergleichen, umfassen, in welcher die Vorrichtung einen vorbestimmten oder vorrichtungstypischen Vorgang oder ein Verfahren ausführt.
In jedem Betriebszyklus kann ein Teil der Produktionsvorrichtung oder die ganze
Produktionsvorrichtung einem Verschleiß unterliegen, bspw. durch mechanische
Beanspruchung, durch Erosion, oder durch andere Umstände, welche dazu führen, dass der Teil oder die ganze Produktionsvorrichtung gewartet werden muss bzw. kann.
Generell ist es wünschenswert, dass man einen Zeitpunkt kennt, wann eine Wartung durchgeführt werden soll, um diese beispielsweise zu terminieren (d.h. einen Termin für eine Wartung festzulegen), da es beispielsweise bei einer zu spät durchgeführten Wartung zu einem Betriebsausfall, und somit zu höheren Kosten, führen kann, während es bei einer zu früh durchgeführten Wartung zu erhöhten Kosten durch eine zu hohe Wartungsfrequenz kommen kann.
In manchen Ausführungsbeispielen wird ein erster Zustandswert einer Wartungsgröße eines Teils der Produktionsvorrichtung bestimmt.
Die Wartungsgröße kann eine physikalische, mechanische, und/oder elektronische Größe, und dergleichen sein, welche auf den Verschleiß hindeuten kann. Beispielsweise kann die Wartungsgröße eine Dehnung des Teils, eine Temperatur, eine Dicke, einen Druck, eine Feuchtigkeit, eine Füllmenge, und dergleichen umfassen.
Der erste Zustandswert kann einen Messwert der Wartungsgröße umfassen, bspw. zehn Bar, wenn die Wartungsgröße einen Druck umfasst.
Der Sensor kann dementsprechend dazu eingerichtet sein, Sensordaten zu erzeugen, welche indikativ für den Zustandswert sind.
Daher kann der Sensor beispielsweise einen Drucksensor, einen Distanzsensor, einen
Temperatursensor, einen Feuchtigkeitssensor, einen Farbsensor, und dergleichen umfassen.
Die Sensordaten können darüber hinaus auch indikativ für mehrere (bspw.
aufeinanderfolgende) Zustandswerte sein, welche einzeln, in Gruppen, oder als (gewichteter) Durchschnittswert in das Bestimmen des zukünftigen Nutzungszyklus einfließen.
Die Sensordaten können beispielsweise aus einem Condition Monitoring (CM) stammen, was typischerweise in bekannten Produktionsvorrichtungen vorgesehen ist. So muss
vorteilhafterweise keine zusätzliche Sensorik vorgesehen sein, was Kosten reduziert. CM-Daten können statistische Parameter jedes Arbeitszyklus der Produktionsvorrichtung beinhalten oder indikativ dafür sein und in der Produktionsvorrichtung gespeichert werden und nach (oder während) jedem Produktionszyklus oder nach jedem von der Produktionsvorrichtung produzierten Teil abgerufen werden.
Des Weiteren kann dadurch vorteilhafterweise ein Puffer definiert werden, welcher vorhanden sein sollte, damit bei einem Ausfall der Produktionsvorrichtung genügend Teile vorhanden sind, damit eine Produktionslinie nicht stillgelegt werden muss.
Außerdem kann in manchen Ausführungsbeispielen vorteilhafterweise auf solch einen Puffer verzichtet werden, da dadurch kein Platz bzw. Lagerkapazität (welche typischerweise begrenzt ist) freigegeben werden muss und auch keine finanzielle Mittel für den Puffer aufgewendet werden müssen.
In anderen Worten: In manchen Ausführungsbeispielen kann ein Zyklus für ein produziertes Bauteil (oder Produkt) (oder für eine bestimmte Anzahl an produzierten Bauteilen oder
Produkten) stehen, sodass Zyklen einer Produktionsvorrichtung vorteilhafterweise mit dem Bauteilpuffer verglichen werden können, sodass ein erfindungsgemäßes Verfahren eine Prognose über eine Restnutzungsdauer genauer macht.
Der zukünftige Nutzungszyklus kann einen Nutzungszyklus umfassen, welcher ausgehend von einem aktuellen und/oder vergangenen Nutzungszyklus bzw. von dem ersten Zustandswert in dem aktuellen und/oder vergangenen Nutzungszyklus, bestimmt wird, zu welchem die
Wartungsgröße einen vorher festgelegten zweiten Zustandswert einnimmt.
Beispielsweise kann der zweite Zustandswert (bspw. fünf Bar) ein Schwellwert sein, zu dem eine Wartung durchgeführt werden muss oder zu dem eine Wartung terminiert werden muss. Der zweite Zustandswert kann auch ein Wert sein, ab welchem ein anderes Verfahren benutzt werden kann oder ab welchem darauffolgende Werte bekannt sein können.
Der zweite Zustandswert kann basierend auf dem ersten Zustandswert und auf einem diskreten stochastischen Degradationsmodell bestimmt werden. Beispielsweise kann der erste
Zustandswert als Anfangswert für das diskrete stochastische Degradationsmodell verwendet werden.
Das diskrete stochastische Degradationsmodell kann allgemein ein Modell, einen Algorithmus, und dergleichen umfassen, welches oder welcher basierend auf einer stochastischen und/oder statistischen Analyse und basierend auf dem ersten Zustandswert, eine Prädiktion über die Wartungsgröße in zukünftigen Nutzungszyklen erlaubt.
Das stochastische Degradationsmodell ist insofern diskret, als dass eine Variable des
Degradationsmodells diskret ist. Im Speziellen ist in dieser Erfindung der Nutzungszyklus eine diskrete Variable, im Gegensatz zu einer kontinuierlichen Variable wie bspw. Zeit.
Problematisch an der kontinuierlichen Variable Zeit kann beispielsweise sein, dass bei einem solchen Modell typischerweise nicht in Betracht gezogen werden kann, dass die
Produktionsvorrichtung oder der Teil der Produktionsvorrichtung (unerwartet oder erwartet) abgeschaltet werden kann. In anderen Worten, in einem solchen Modell wird typischerweise davon ausgegangen, dass jeder Nutzungszyklus gleichmäßig in der zeitlichen Dimension verteilt ist. Des Weiteren kann problematisch sein, dass es schwierig sein kann, verbleibende Teile im Puffer (wie oben beschrieben) mit der verbleibenden Zeit zu vergleichen, da es nicht notwendigerweise eine Entsprechung gibt.
Bei einer industriellen Produktionsvorrichtung kann es jedoch Vorkommen, dass sie
beispielsweise an Feiertagen, an Wochenenden, in Betriebsferien, und dergleichen
abgeschaltet ist, sodass eine solche Gleichverteilung nicht gegeben ist. Dies kann bei kontinuierlichen stochastischen Modellen zu einer fehlerhaften Vorhersage über eine zukünftigen Zeit führen, zu welchem eine Wartungsgröße einen festgelegten Wert annimmt.
Damit ergibt sich in der vorliegenden Erfindung der Vorteil, dass nicht von solch einer
Gleichverteilung ausgegangen werden muss, was zunächst vorteilhafterweise ein
Degradationsmodell vereinfacht, und zum anderen vorteilhafterweise eine genauere
Vorhersage über den vorher festgelegten zweiten Zustandswert zulässt.
In manchen Ausführungsbeispielen umfasst das Verfahren ferner: Bestimmen einer Anzahl von Restnutzungszyklen der Produktionsvorrichtung basierend auf dem zukünftigen
Nutzungszyklus.
Die Restnutzungszyklen können sich aus dem zukünftigen Nutzungszyklus ergeben oder diesem entsprechen, beispielsweise können die Restnutzungszyklen die Anzahl an
Nutzungszyklen umfassen, bis der zukünftige Nutzungszyklus erreicht ist, oder ein anderer Nutzungszyklus, welcher anhand des zukünftigen Nutzungszyklus bestimmt wird, erreicht ist, und dergleichen.
So kann vorteilhafterweise eine Korrelation zwischen den Teilen des Puffers (wie oben beschrieben) mit den Restnutzungszyklen hergestellt werden, sodass vorteilhafterweise eine Wartung besser geplant werden kann.
In manchen Ausführungsbeispielen umfasst das Verfahren ferner: Erzeugen einer
Wahrscheinlichkeitsdichtefunktion zum Bestimmen der Restnutzungszyklen.
Die Wahrscheinlichkeitsdichtefunktion kann, wie allgemein bekannt ist, indikativ für eine Wahrscheinlichkeit sein. Typischerweise kann eine Wahrscheinlichkeit in Abhängigkeit einer Variable angegeben werden, wie beispielsweise in Abhängigkeit der Zeit. Wie jedoch hierin diskutiert, kann das Verwenden der kontinuierlichen Variable Zeit nachteilig sein, sodass, in manchen
Ausführungsbeispielen, die Variable ein Nutzungszyklus ist, sodass der zukünftige
Nutzungszyklus vorteilhafterweise bestimmt werden kann.
Daher ist in manchen Ausführungsbeispielen die Wahrscheinlichkeitsdichtefunktion indikativ für eine Wahrscheinlichkeit, zu welchem zukünftigen Nutzungszyklus die Wartungsgröße den zweiten Zustandswert annimmt.
In manchen Ausführungsbeispielen umfasst das Degradationsmodell ein Wiener-Prozess- Modell.
Beispielsweise kann eine Degradation (oder ein Verschleiß), beispielsweise in einem elektrochemischen Gerät, auf eine zufällige Art und Weise vor sich gehen.
Deshalb kann, um die Degradation zu beschreiben, ein stochastisches Modell herangezogen werden, wie beispielsweise ein Wiener-Prozess.
Hierbei wird, in manchen Ausführungsbeispielen, in Betracht gezogen, dass die Degradation teilweise deterministisch und teilweise stochastisch beschrieben werden kann, wobei der deterministische Teil bei allen getesteten Geräten gleich sein kann (also bei einer
Gesamtpopulation), und wobei der stochastische Teil eine Unsicherheit abbilden kann, welche durch eine Verschiedenheit der Geräte innerhalb der Gesamtpopulation erzeugt wird.
Deshalb wird, in manchen Ausführungsbeispielen, ein Wiener- Prozess in Betracht gezogen, welcher nicht einen reinen Random-Walk, sondern einen Random-Walk mit einem Drift beschreibt. Solch ein Wiener-Prozess kann, wie allgemein bekannt ist, mit folgender Formel (1) beschrieben werden:
In Formel (1) entspricht X(t) der Degradation, xi dem ersten Zustandswert, l(t) einem Drift- Koeffizienten (beschreibt also den deterministischen Teil), s einem Dispersionskoeffizienten, und B(t) einer Brownschen Bewegung (beschreibt also den stochastischen Teil). In dieser Beschreibung des Wiener-Prozesses wird die kontinuierliche Variable Zeit
beschrieben. Um eine Beschreibung der Degradation X(t) zu finden kann hierbei zunächst eine Menge von bekannten Werten (also erste Zustandswerte basierend auf einer Sensormessung, welche indikativ ist für ein Condition Monitoring (CM)) X1 :i = {x1, x2, ... , xi} in Betracht gezogen werden. Basierend auf der Menge Xi ,, kann eine Restlebensdauer (RUL (Remaining Useful Lifetime)) definiert werden, wie in Formel (2) gezeigt:
In Formel (2) beschreibt T, die Restlebensdauer, inf steht für Infimum (wie allgemein bekannt ist), und w steht für einen Ausfallschwellwert (Failure Threshold (FT)), zu welchem die
Vorrichtung typischerweise nicht mehr benutzbar ist.
Dadurch kann sich eine Wahrscheinlichkeitsdichtefunktion der Restlebensdauer ergeben zu:
In Formel (3) steht für die Wahrscheinlichkeitsdichtefunktion, p für die Kreiszahl, und exp für eine Exponentialfunktion zur Basis e (Euler’sche Zahl), ohne die vorliegende Erfindung darauf zu beschränken, da jede mögliche Exponentialfunktion verwendet werden kann.
Nun kann eine solche Berechnung der Restlebensdauer nachteilig und ungenau sein, wie hierin beschrieben ist, weswegen die vorliegende Erfindung Restnutzungszyklen bestimmen kann.
Hierbei kann statt X(t) X(c) verwendet werden, wobei c für einen (zukünftigen) Nutzungszyklus steht und in Formel (1) kann ohne Beschränkung der Allgemeinheit jedes t mit einem c ersetzt werden, sodass eine Wiederholung der Formel hier nicht stattfindet.
Des Weiteren lässt sich ein Restnutzungszyklus C, wie in Formel (4) definieren:
Der Restnutzungszyklus kann, wie hierin beschrieben, indikativ für den zukünftigen
Nutzungszyklus sein, oder indikativ dafür, wie viele Nutzungszyklen mit einer Produktionsvorrichtung noch möglich sind, bevor die Vorrichtung ausfällt oder nicht mehr nutzbar ist.
Der zukünftige Nutzungszyklus kann in solchen Ausführungsbeispielen eine vorbestimmte Anzahl an Nutzungszyklen vor dem Restnutzungszyklus sein oder diesem entsprechen.
Daraus kann sich eine Wahrscheinlichkeitsdichtefunktion ergeben, welche in Formel (5) ersichtlich ist: c-Q, was auch kurz als n definiert werden kann beschreibt die Anzahl an vergangenen Zyklen seit einer vorherigen Bestimmung von Restnutzungszyklen bzw. seit dem Bestimmen des ersten Zustandswertes.
Nach jedem Zyklus kann ein erfindungsgemäßes Verfahren erneut angewendet werden, sodass vorteilhafterweise eine genauere Vorhersage der Restnutzungszyklen stattfinden kann, solange ein Verschleißschwellwert (Healthy Threshold) bereits überschritten ist.
In manchen Ausführungsbeispielen basiert das Wiener-Prozess-Modell auf einem Drift, wie hierin beschrieben.
Wie allgemein bekannt ist, repräsentiert ein Wiener-Prozess-Modell eine Markovianische Eigenschaft, wodurch das Wiener-Prozess-Modell gedächtnislos ist, d.h. wenn der zweite Zustandswert ausschließlich basierend auf dem Wiener-Prozess-Modell bestimmt werden würde, würde eine Vorhersage immer auf dem ersten Zustandswert x, basieren, aber keine historischen ersten Zustandswerte (aus vorherigen Messungen) würden in Betracht gezogen werden.
Deshalb umfasst das Degradationsmodell, in manchen Ausführungsbeispielen, ein Bayesisches Vorhersagemodell (Bayesian forecasting model).
In manchen Ausführungsbeispielen umfasst das Verfahren ferner: Bestimmen eines Drifts im Wener-Prozess-Modell basierend auf dem Bayesischen Vorhersagemodell. Generell ist bekannt, dass der Drift-Koeffizient l(t) einem sich mit der Zeit verändernden Prozess unterliegt. Deshalb kann der erste Zustandswert der einzige bekannte Wert sein, weswegen der Drift bestimmt werden muss.
Wie oben beschrieben, wird der Drift generell als deterministisch betrachtet. Jedoch kann er, in machen Ausführungsbeispielen, als Zufallsvariable (oder stochastische Variable) modelliert werden.
In manchen Ausführungsbeispielen wird der Drift basierend auf einem Bayesischen Filter und/oder einem Kalmanfilter bestimmt.
Auf solche eine Art und Weise kann der Drift, wie allgemein bekannt ist, in einem
Zustandsraummodell (state space model) konstruiert werden, wie in den Formeln (6) und (7) dargestellt ist:
h kann proportional zu einem normalverteilten Rauschen sein, e kann proportional zu einem weiteren normalverteilten Rauschen als Varianz sein, um eine Brownsche Bewegung darzustellen. Darüber hinaus stellt Formel (6) eine Systemgleichung und Formel (7) eine Beobachtungsgleichung (Observation equation) dar. h und e können unkorreliert sein. Jedoch ist die vorliegende Erfindung nicht darauf beschränkt.
Wenn h und e unkorreliert sind, kann Formel (7) erfindungsgemäß angepasst werden, woraus sich Gleichung (8) ergibt:
Hierbei ist e ~ N(0, n), also proportional zu einer Normalverteilung um Null als erster
Zustandswert mit n als Varianz, wobei n aus den natürlichen Zahlen stammen kann und die vergangenen Zyklen seit einem vormaligen Ausführen eines erfindungsgemäßen Verfahrens umfasst. ci entspricht also einem gegenwärtigen Zyklus bzw. einem Zyklus einer letzten Messung durch einen Sensor und Ci-n entspricht einem Zyklus des letztmaligen Ausführen eines
erfindungsgemäßen Verfahrens.
Typischerweise kann sich in bekannten Verfahren, wie beispielsweise in Gleichung (7), die Varianz von e mit der Zeit erhöhen, obwohl kein Nutzungszyklus stattgefunden hat, da keine Nutzungspausen und dergleichen in Betracht gezogen werden.
Bei einem erfindungsgemäßen Verfahren, welches Gleichung (8) in Betracht zieht, erhöht sich die Varianz jedoch vorteilhafterweise nur mit jedem Nutzungszyklus, sodass sich der Vorteil ergibt, dass ein unnötiges Hinzufügen von Unsicherheit in das Bestimmen des zweiten
Zustandswertes vermieden wird.
In manchen Ausführungsbeispielen wird ein Strang Tracking Filter Algorithmus verwendet, um plötzliche Signaländerungen (bzw. plötzliche (kurzzeitige) Änderungen des ersten
Zustandswertes) herauszufiltern, und um den Drift zu bestimmen.
Hierfür kann folgender erster Algorithmus implementiert werden:
iv) Zustandsschätung basierend auf dem Bayesischen Vorhersagemodell für eine einzelne Variable:
Aktualisieren der Driftschätzung und der Varianz:
In manchen Ausführungsbeispielen umfasst das Degradationsmodell eine Monte-Carlo- Simulation.
Hierbei kann vorteilhafterweise bei einer ausreichend hohen Anzahl N an Simulationen basierend auf dem ersten Algorithmus eine Genauigkeit der Bestimmung des zweiten
Zustandswertes erhöht werden.
Damit kann eine Anzahl an Restnutzungszyklen, bspw. anhand des folgenden zweiten
Algorithmus bestimmt werden.
Input: Erster Zustandswert Geschätzter Drift Failure Threshold FT
Initialisierung: S = 0
Simuliere N Degradationspfade wie folgt:
v) end while
vi) end for
vii) Erzeuge basierend auf der Menge Sf eine Normalverteilung
Hierbei ist i < j < f. Darüber hinaus ist ci ein Nutzungszyklus, an welchem eine vergangene (bzw. die letzte) Sensormessung durchgeführt wurde und cf ist ein zukünftiger Nutzungszyklus, an welchem der FT erreicht wird.
In manchen Ausführungsbeispielen umfasst das Verfahren ferner: Prozessieren des ersten Zustandswertes. Der erste Zustandswert kann beispielsweise rauschbehaftet sein, ein Ausreißer aus einer Statistik, und dergleichen.
Deshalb kann der erste Zustandswert prozessiert, d.h. verarbeitet werden, um den ersten Zustandswert zu filtern und/oder zu normalisieren.
Deshalb umfasst, in manchen Ausführungsbeispielen das Prozessieren ein Filtern.
Beispielsweise kann ein Kalman-Filter angewendet werden zum Filtern eines Rauschens.
Generell kann Rauschen eine Vorhersage bzw. das Bestimmen des zweiten Zustandswertes und/oder des zukünftigen Nutzungszyklus fehlerhaft machen. Dies kann beispielsweise durch eine indirekte Messung verursacht sein.
Um Rauschen von dem ersten Zustandswert zu entfernen, kann ein Kalman-Filter in Form des folgenden dritten Algorithmus implementiert werden:
Input: Erster Zustandswert x;
Output: Gefilterter erster Zustandswert
Aktualisierung der Signalabschätzung und der Varianz:
Somit kann vorteilhafterweise Rauschen entfernt werden und das Bestimmen des zweiten Zustandswertes kann basierend auf einem stabileren ersten Zustandswert durchgeführt werden.
In manchen Ausführungsbeispielen umfasst das Prozessieren eine Rolling-Window-Regression.
Die Rolling-Window-Regression kann nach dem Kalman-Filter angewendet werden, um eine Fluktuation des ersten Zustandswertes auf einer kurzen Zeitskala zu filtern. Hierfür werden für mehrere (aufeinanderfolgende) erste Zustandswerte ein Mittelwert gebildet. Beispielsweise wird für den ersten bis n-ten ersten Zustandswert ein erster Mittelwert gebildet (in einem ersten Fenster). Danach wird das Fenster um eine Stelle verschoben, sodass für den zweiten bis n+1-ten ersten Zustandswert ein zweiter Mittelwert gebildet wird. Danach kann das Fenster um eine weitere Stelle verschoben werden, sodass für den dritten bis n+2-ten
Zustandswert ein dritter Mittelwert gebildet wird.
Dadurch kann vorteilhafterweise eine Stabilität des ersten Zustandswertes und somit der Bestimmung des zukünftigen Zustandswertes erhöht werden.
In manchen Ausführungsbeispielen basiert daher das Prozessieren ferner auf einem
beweglichen Mittelwert, wie hierin beschrieben.
In manchen Ausführungsbeispielen umfasst das Verfahren ferner: Bestimmen wenigstens eines Schwellwerts basierend auf dem ersten Zustandswert, welcher indikativ ist für den zweiten Zustandswert.
Der erste Schwellwert kann beispielsweise ein Healthy Threshold, ein Failure Threshold, und dergleichen umfassen, wie hierin beschrieben.
Dadurch kann vorteilhafterweise ein (vorgegebener) Standard erfüllt werden und eine
Zuverlässigkeit der Vorrichtung gewährleistet werden.
Um einen Standard zu erfüllen und eine Zuverlässigkeit zu gewährleisten werden
typischerweise mehrere Tests durchgeführt, bevor eine Vorrichtung freigegeben wird, um beispielsweise in einer Produktion verwendet zu werden. In solchen Tests kann die Vorrichtung derart getestet werden, dass ihr Verhalten unter Extrembedingungen überprüft wird. Basierend auf solchen Tests können typischerweise Standards erzeugt werden, welche die
Extrembedingungen als Schwellwerte für spezifische Vorrichtungscharakteristika definieren.
Durch eine Vorgabe, welche beispielsweise durch einen Standard gesetzt ist, kann man beispielsweise eine maximal erlaubte Bedienungsbedingung einer Vorrichtung oder eines Teils einer Vorrichtung im Voraus kennen.
Beispielsweise kann im Fall einer Klebemaschine, ein Druck eine indirekte Messung für eine Stromflussmenge eines Motors sein. Ferner kann ein FT basierend auf einem standardisierten (maximalen) Wert solch einer Stromflussmenge gegeben sein, welche sich durch Druckwerte in einer Kammer des Motors äußert.
Eine Betreibung oder Bedienung des Motors oberhalb solch eines maximalen Wertes kann gefährlich sein für eine Intaktheit des Motors. Deshalb kann bei einer Betreibung oberhalb des maximalen Wertes eine Betriebspause (downtime) des Motors vorgenommen werden, um weitere Schäden zu vermeiden.
In solch einem Kontext kann der FT einen Wert repräsentieren, bei welchem die Vorrichtung nicht mehr bedient werden kann.
Darüber hinaus kann basierend auf einem Test oder einer Überprüfung und/oder basierend auf einem Standard (oder mehreren Standards), ein Schwellwert festgelegt werden, bis zu welchem man die Vorrichtung noch bedienen kann, ohne dass typischerweise bereits ein Schaden entstanden ist. Solch ein Schwellwert kann eine Sicherheit umfassen bis der FT erreicht ist und kann als HT (Healthy Threshold) bezeichnet werden. Des Weiteren kann ein BU-Schwellwert (Business as Usual) definiert werden, welcher einen Zustand bezeichnen kann, zu welchem die Vorrichtung bedient wird.
Der HT kann basierend auf dem BU definiert werden und anhand einer Standardabweichung s von ersten Zustandswerten (oder Rohdaten) während eines BU-Betriebsmodus. Ohne die vorliegende Erfindung darauf zu beschränken, kann der HT folgendermaßen definiert werden:
Der BU kann anhand von gefilterten ersten Zustandswerten (welche mit einem Kalman-Filter, wie hierin beschrieben gefiltert wurden) bestimmt werden, wobei vorteilhafterweise eine Wahrscheinlichkeit, dass der BU einen Wert oberhalb des HT annimmt, durch die Filterung gering ist, solange der BU unterhalb des HT liegt. Außerdem findet jedes Mal, wenn der Schwellwert (HT) überschritten wird, eine zufällige (bzw. stochastische) Degradation bzw. ein Verschleiß statt.
Wenn der gefilterte erste Zustandswert den HT überschreitet, können, in manchen
Ausführungsbeispielen, keine Restnutzungszyklen mehr bestimmt werden, sodass
vorteilhafterweise der HT erkannt werden kann, bevor ein Schaden an einer Vorrichtung entsteht. Manche Ausführungsbeispiele betreffen eine Restnutzungszyklusbestimmungsschaltung, welche dazu eingerichtet ist, ein erfindungsgemäßes Verfahren auszuführen.
Die Restnutzungszyklusbestimmungsschaltung kann beispielsweise eine CPU (Central Processing Unit), GPU (Graphic Processing Unit) oder irgend eine andere Art von wenigstens einem Prozessor, einem FPGA (Field Programmable Gate Array), und dergleichen umfassen. Die Schaltung kann Sensordaten erhalten, indem sie mit wenigstens einem Sensor verbunden ist, oder wenigstens einen Sensor umfasst. Des Weiteren kann sie mit wenigstens einem Sensor verbunden sein und gleichzeitig wenigstens einen (anderen) Sensor umfassen.
Der wenigstens eine Sensor kann dazu eingerichtet sein, wenigstens einen Zustandswert wenigstens einer Wartungsgröße zu messen bzw. Messdaten zu generieren, die indikativ für den wenigstens einen Zustandswert sind, beispielsweise durch eine direkt oder indirekte Messung.
Des Weiteren kann der Sensor auch dazu eingerichtet sein, mehrere Wartungsgrößen zu messen, wie beispielsweise einen Druck und eine Luftfeuchtigkeit, eine Distanz, ein Volumen, und dergleichen.
Die Restnutzungszyklusbestimmungsschaltung kann außerdem einen (oder mehrere)
Computer, Server, und dergleichen umfassen, welche so geschaltet sind, dass ein
erfindungsgemäßes Verfahren ausgeführt werden kann.
Manche Ausführungsbeispiele betreffen eine Restnutzungszyklusbestimmungsvorrichtung, welche eine erfindungsgemäße Restnutzungszyklusbestimmungsschaltung umfasst.
Die Restnutzungszyklusbestimmungsvorrichtung kann beispielsweise einen Computer, Server, und dergleichen umfassen sowie wenigstens einen Sensor oder mit diesem verbunden sein. Darüber hinaus kann die Restnutzungszyklusbestimmungsvorrichtung auch eine Vorrichtung umfassen, für welche eine Anzahl von Restnutzungszyklen bestimmt werden soll.
Ausführungsbeispiele der Erfindung werden nun beispielhaft und unter Bezugnahme auf die beigefügten Zeichnungen beschrieben, in denen: Fig. 1 schematisch ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens zum
Bestimmen von Restnutzungszyklen einer Produktionsvorrichtung aufgrund von Verschleiß in einem Blockdiagramm;
Fig. 2 ein weiteres Ausführungsbeispiel eines erfindungsgemäßen Verfahrens zum Bestimmen von Restnutzungszyklen einer Produktionsvorrichtung aufgrund von Verschleiß in einem Blockdiagramm;
Fig. 3 eine Produktionsvorrichtung, für die eine Anzahl von Restnutzungszyklen bestimmt werden kann;
Fig. 4 ein weiteres Ausführungsbeispiel eines erfindungsgemäßen Verfahrens zum Bestimmen von Restnutzungszyklen einer Produktionsvorrichtung aufgrund von Verschleiß in einem Ablaufdiagramm;
Fig. 5 einen Graphen zum Bestimmen von Restnutzungszyklen;
Fig. 6 einen Graphen, welcher eine Degradation darstellt; und
Fig. 7 eine erfindungsgemäße Restnutzungszyklusbestimmungsvorrichtung mit einer erfindungsgemäßen Restnutzungszyklusbestimmungsschaltung zeigt.
Ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens 1 zum Bestimmen von
Restnutzungszyklen einer Produktionsvorrichtung aufgrund von Verschleiß ist in Fig. 1 in einem Blockdiagramm dargestellt.
In 2 wird ein erster Zustandswert einer Wartungsgröße eines Teils einer Produktionsvorrichtung basierend auf Sensordaten eines Sensors für die Produktionsvorrichtung bestimmt, wie hierin beschrieben.
In 3 wird ein zukünftiger Nutzungszyklus des Teils der Produktionsvorrichtung bestimmt, zu welchem die Wartungsgröße einen vorher festgelegten zweiten Zustandswert aufweist, wobei der zukünftige Nutzungszyklus basierend auf dem ersten Zustandswert und basierend auf einem diskreten stochastischen Degradationsmodell bestimmt wird, wie hierin beschrieben. Fig. 2 zeigt ein weiteres Ausführungsbeispiel eines erfindungsgemäßen Verfahrens 10 zum Bestimmen von Restnutzungszyklen einer Produktionsvorrichtung aufgrund von Verschleiß.
In 11 wird ein erster Zustandswert einer Wartungsgröße eines Teils einer
Produktionsvorrichtung basierend auf Sensordaten eines Sensors für die
Produktionsvorrichtung bestimmt, wie hierin beschrieben.
In 12 wird der erste Zustandswert prozessiert, wie hierin beschrieben.
In 13 wird wenigstens ein Schwellwert basierend auf dem ersten Zustandswert bestimmt, welcher indikativ ist für den zweiten Zustandswert, wie hierin beschrieben.
In 14 wird ein Drift in einem Wiener-Prozess-Modell bestimmt basierend auf einem Bayesischen Vorhersagemodell, wie hierin beschrieben.
In 15 wird eine Wahrscheinlichkeitsdichtefunktion zum Bestimmen der Restnutzungszyklen erzeugt, wie hierin beschrieben.
In 16 wird ein zukünftiger Nutzungszyklus des Teils der Produktionsvorrichtung bestimmt, zu welchem die Wartungsgröße einen vorher festgelegten zweiten Zustandswert aufweist, wobei der zukünftige Nutzungszyklus basierend auf dem ersten Zustandswert und basierend auf einem diskreten stochastischen Degradationsmodell bestimmt wird, wie hierin beschrieben.
In 17 wird eine Anzahl von Restnutzungszyklen der Produktionsvorrichtung basierend auf dem zukünftigen Nutzungszyklus bestimmt, wie hierin beschrieben.
Fig. 3 zeigt eine Produktionsvorrichtung, für die eine Anzahl von Restnutzungszyklen bestimmt werden kann.
Die Produktionsvorrichtung ist in diesem Ausführungsbeispiel eine Klebemaschine 20, welche einen Motor 21 mit einer Motorachse 22, eine Spindel 23, eine Nuss 24 mit Rollelementen, Führungsstäbe 25, einen Kolben 26, eine Klebstoffkammer 27, ein Eingangsventil 28, ein Ausgangsventil 29, und eine Düse 30 aufweist.
Mit einer Hochdruckpumpe und einem Verteiler kann die Klebemaschine 20 Klebstoff verteilen. Der Verteiler, da er unter Hochdruck betrieben wird, kann anfällig für Verschleiß sein. Darüber hinaus kann die Spindel 23 schwierig zu warten sein, womit hohe Kosten verbunden sein können. Deshalb wird das ein erfindungsgemäßes Verfahren für die Spindel 23 angewendet. Eine Sensorik, welche die Klebemaschine 20 überwacht, kann neben acht weiteren Parameter einen Druck in der Klebekammer 27 messen. Der Druck ist in diesem Ausführungsbeispiel die relevante Wartungsgröße.
Der (maximale) Druck (während eines Produktionszyklus) ist in diesem Ausführungsbeispiel die Hauptwartungsgröße, nach welchem ein möglicher Ausfall der Spindel 23 vorhergesagt bzw. eingeschätzt werden kann. Während einer Klebstoffauftragung kann die Düse eine momentane Blockade haben. Dadurch kann es notwendig sein, dass der Druck in der Klebekammer 27 erhöht werden muss, um die Düse freizumachen. Um den Druck zu erhöhen, kann, wie weiter oben beschrieben, ein Strom des Motors 21 erhöht werden. Der Strom, und damit der Druck, kann jedoch Schwankungen unterliegen, wodurch ein Datenpunkt, welcher den maximalen Druck widerspiegelt, welcher nach einem Produktionszyklus (indirekt gemessen), ein Ausreißer und/oder rauschbehaftet sein kann.
Deshalb wird, wie hierin beschrieben, der Druck mit einem Kalman-Filter und einer Rolling- Window-Regression mit einem beweglichen Mittelwert gefiltert.
Fig. 4 zeigt ein weiteres Ausführungsbeispiel eines erfindungsgemäßen Verfahrens 40 in einem Ablaufdiagramm.
In 41 wird ein Condition Monitoring durchgeführt, wodurch ein erster Zustandswert einer Wartungsgröße erhalten wird, d.h. ein Druckdatensatzes wird von einem Drucksensor ermittelt.
In 42 wird der erhaltene Druckdatensatz gefiltert, wie hierin beschrieben.
In 43 wird entschieden, ob ein Verschleiß stattgefunden hat, d.h. ob ein maximaler Druckwert überschritten wurde.
Wenn der maximale Druckwert nicht überschritten wurde in 44, wird ein neuer erster
Zustandswert ermittelt.
Wenn der maximale Druckwert überschritten wurde, wird in 45 eine Driftschätzung für einen Wiener-Prozess basierend auf einem Bayesischen Netzwerk durchgeführt, wie hierin beschrieben. Die Driftschätzung wir derart angewendet, dass ein negativer Wert oder ein Nullwert für den Drift vermieden wird, um vorteilhafterweise ein Divergieren einer Monte-Carlo-Simulation zu vermeiden, womit vorteilhafterweise Rechenleistung eingespart werden kann.
In 46 wird basierend darauf, also basierend auf einem Wiener-Prozess mit Drift anhand einer Monte-Carlo-Simulation ein zukünftiger Nutzungszyklus bestimmt. Das heißt, es wird ermittelt, wie oft der Druck in zukünftigen Nutzungszyklen den maximalen Druckwert voraussichtlich überschreiten wird. Der zukünftige Nutzungszyklus gibt dann einen Failure Threshold an.
Darauf basierend wird eine Anzahl an Restnutzungszyklen bestimmt. Ist in 47 die Anzahl an Restnutzungszyklen kleiner als die Nutzungszyklen pro Tag (d.h. dann kann die Klebemaschine noch an dem Produktionstag benutzt werden), wird ein neuer Druckdatensatz in 48 ermittelt. Wenn die Anzahl an Restnutzungszyklen größer ist, wird in 49 ein Bericht erstellt und eine Wartung veranlasst.
In diesem Ausführungsbeispiel wird davon ausgegangen, dass genügend erste Zustandswerte vorhanden sind bzw. dass der Sensordatensatz groß genug ist, sodass eine
statistische/stochastische Analyse durchgeführt werden kann, wobei die vorliegende Erfindung nicht darauf beschränkt ist. Beispielsweise kann auch nur ein erster Zustandswert vorhanden sein.
In solch einem erfindungsgemäßen Verfahren kann eine Wartung durchgeführt werden, wenn eine Produktionspause stattfindet oder wenn eine geplant ist. So kann die Produktionspause beispielsweise anhand der ermittelten Restnutzungszyklen geplant werden, sodass
vorteilhafterweise Kosten eingespart werden können, welche durch eine unplanmäßige
Produktionspause entstehen können.
Fig. 5 zeigt einen Graphen 50 zum Bestimmen von Restnutzungszyklen, welcher auf einer Ordinate 51 einen gemessenen Druck in einer Klebstoffkammer (wie oben beschrieben) zeigt, welcher als Datenpunkte 52 gegen eine Zeit 53 aufgetragen ist. Zwischen den Datenpunkten 52 liegen leere Stellen 54, welche durch Produktionspausen (bspw. Wochenende) entstehen. Des Weiteren ist ein Healthy Threshold 55 dargestellt. Die Datenpunkte, welche oberhalb des HT 55 liegen entsprechen zweiten Zustandswerten, sind also mit einem erfindungsgemäßen Verfahren bestimmt worden. Die Datenpunkte oberhalb des HT 55 geben Aufschluss über eine Anzahl an Restnutzungszyklen bis zu einem Failure Threshold 56. ln Fig. 6 ist ein Graph 60 dargestellt, welcher eine Degradation darstellt, mit einer Vielzahl von Wahrscheinlichkeitsdichtefunktionen 61. Der Graph 60 hat auf einer Ordinate 62 eine
Wahrscheinlichkeit (oder Wahrscheinlichkeitsdichte, engl.: Likelihood) aufgetragen und auf einer Abszisse 63 zukünftige Nutzungszyklen. Wie zu sehen ist, sind die
Wahrscheinlichkeitsdichtefunktionen 61 normalverteilt. Die Mittelwerte 64 der
Wahrscheinlichkeitsdichtefunktionen 61 geben eine erwartete Anzahl von Restnutzungszyklen an, während Kreuze 65 eine tatsächliche Anzahl von Restnutzungszyklen vor einem Ausfall darstellen.
Hierbei ist der Vorteil ersichtlich, dass bei einer Anwendung eines erfindungsgemäßen
Verfahrens, eine genaue Vorhersage getroffen werden kann. Beispielsweise bleiben hier achtzig Prozent der bestimmten Restnutzungszyklen unterhalb eines vorher festgelegten Konfidenzintervalls, sodass eine Exaktheit vorteilhafterweise hoch ist, sodass ein
erfindungsgemäßes Verfahren in Produktionsvorrichtungen verwendet werden kann, und eine Unsicherheit durch die kontinuierliche Variable Zeit kann vorteilhafterweise außer Acht gelassen werden.
Fig. 7 zeigt eine erfindungsgemäße Restnutzungszyklusbestimmungsvorrichtung 70 zum Bestimmen einer Anzahl von Restnutzungszyklen einer Produktionsvorrichtung 73. Die
Restnutzungszyklusbestimmungsvorrichtung 70 umfasst eine Sensorschnittstelle 71 , welche Sensordaten eines Sensors 72 erhält. Der Sensor 72 ist dazu eingerichtet, Sensordaten zu erzeugen, welche indikativ sind für einen ersten Zustandswert (bzw. eine Vielzahl von ersten Zustandswerten) einer Wartungsgröße, wie hierin beschrieben.
Die Sensorschnittstelle 71 ist dazu eingerichtet, den ersten Zustandswert aus den Sensordaten zu ermitteln.
Des Weiteren enthält die Restnutzungszyklusbestimmungsvorrichtung 70 eine
erfindungsgemäße Restnutzungszyklusbestimmungsschaltung 74, welche in diesem
Ausführungsbeispiel als CPU ausgebildet ist, und welche dazu eingerichtet ist, ein
erfindungsgemäßes Verfahren durchzuführen.
Die vorliegende Erfindung kann, abgesehen von Klebemaschinen, generell bei
Produktionsvorrichtungen Anwendung finden, die von Verschleiß betroffen sind, wie
beispielsweise in der Autoindustrie. Solche Produktionsvorrichtungen können beispielsweise ein Spindelgetriebe, ein Zahnradgetriebe, ein Wälzlager, und/oder andere Bauteile enthalten. Des Weiteren kann die vorliegende Erfindung bei allen von Verschleiß betroffenen Bauteilen Anwendung finden, wie beispielsweise von Fahrzeugkomponenten, welche mit entsprechender Sensorik (bspw. Schwingungssensor) überwacht werden. Beispielsweise kann ein
Radlagerschaden, ein Getriebeschaden, und dergleichen vorhergesagt werden. Bei einem Elektrofahrzeug (mit vorhandenen Sensoren) kann eine Vorhersage über Schäden am
Antriebsstrang durchgeführt werden.
Bezugszeichenliste
1 Verfahren zum Bestimmen von Restnutzungszyklen
2 Bestimmen erster Zustandswert
3 Bestimmen zukünftiger Nutzungszyklus
10 Verfahren zum Bestimmen von Restnutzungszyklen
11 Bestimmen erster Zustandswert
12 Prozessieren erster Zustandswert
13 Bestimmen wenigstens eines Schwellwert basierend auf dem ersten Zustandswert
14 Bestimmen Drift
15 Erzeugen Wahrscheinlichkeitsdichtefunktion
16 Bestimmen zukünftiger Nutzungszyklus
17 Bestimmen Anzahl von Restnutzungszyklen
20 Klebemaschine
21 Motor
22 Motorachse
23 Spindel
24 Nuss
25 Führungsstäbe
26 Kolben
27 Klebstoffkammer
28 Eingangsventil
29 Ausgangsventil
30 Düse
40 Verfahren zum Bestimmen von Restnutzungszyklen
41 Durchführen Condition Monitoring
42 Filtern
43 Entscheidung, ob Verschleiß stattgefunden hat
44 Ermittlung neuer erster Zustandswert
45 Durchführen Driftschätzung
46 Bestimmen zukünftiger Nutzungszyklus
47 Analyse ob Anzahl an Restnutzungszyklen größer als Anzahl an Nutzungszyklen pro Tag
48 Ermittlung neuer Druckdatensatz 49 Erstellen Bericht
50 Graph zum Bestimmen von Restnutzungszyklen
51 Ordinate mit gemessenem Druck
52 Datenpunkte
53 Zeit
54 Leere Stelle (Produktionspause)
55 Healthy Threshold
56 Failure Threshold
60 Graph, welcher eine Degradation darstellt
61 Wahrscheinlichkeitsdichtefunktion
62 Ordinate mit Wahrscheinlichkeit
63 Abszisse mit zukünftigen Nutzungszyklen
64 Mittelwert der Wahrscheinlichkeitsdichtefunktion
65 Kreuz, welche eine tatsächlich Anzahl von Restnutzungszyklen darstellen
70 Restnutzungszyklusbestimmungsvorrichtung
71 Sensorschnittstelle
72 Sensor
73 Produktionsvorrichtung
74 Restnutzungszyklusbestimmungsschaltung

Claims

Patentansprüche
1. Verfahren (1 ; 10; 40) zum Bestimmen von Restnutzungszyklen einer
Produktionsvorrichtung (20; 73) aufgrund von Verschleiß, umfassend:
Bestimmen (2; 11 ; 41) eines ersten Zustandswertes einer Wartungsgröße eines Teils der Produktionsvorrichtung (20; 73) basierend auf Sensordaten eines Sensors für die Produktionsvorrichtung; und
Bestimmen (3; 16; 49) eines zukünftigen Nutzungszyklus des Teils der
Produktionsvorrichtung (20; 73), zu welchem die Wartungsgröße einen vorher festgelegten zweiten Zustandswert aufweist, wobei der zukünftige Nutzungszyklus basierend auf dem ersten Zustandswert und basierend auf einem diskreten
stochastischen Degradationsmodell bestimmt wird.
2. Verfahren (1 ; 10; 40) nach Anspruch 1 , ferner umfassend:
Bestimmen (17) einer Anzahl von Restnutzungszyklen der Produktionsvorrichtung (20; 73) basierend auf dem zukünftigen Nutzungszyklus.
3. Verfahren (1 ; 10; 40) nach Anspruch 2, ferner umfassend:
Erzeugen (15) einer Wahrscheinlichkeitsdichtefunktion zum Bestimmen der
Restnutzungszyklen.
4. Verfahren (1 ; 10; 40) nach einem der vorherigen Ansprüche, wobei das
Degradationsmodell ein Wiener-Prozess-Modell umfasst.
5. Verfahren (1 ; 10; 40) nach Anspruch 4, wobei das Degradationsmodell ein Bayesisches Vorhersagemodell umfasst.
6. Verfahren (1 ; 10; 40) nach Anspruch 5, ferner umfassend:
Bestimmen (14) eines Drifts im Wiener-Prozess-Modell basierend auf dem Bayesischen Vorhersagemodell.
7. Verfahren (1 ; 10; 40) nach einem der Ansprüche 5 und 6, wobei das Degradationsmodell eine Monte-Carlo-Simulation umfasst.
8. Verfahren (1 ; 10; 40) nach einem der vorherigen Ansprüche, ferner umfassend:
Prozessieren (12) des ersten Zustandswertes.
9. Verfahren (1 ; 10; 40) nach Anspruch 8, wobei das Prozessieren ein Filtern umfasst
10. Verfahren (1 ; 10; 40) nach Anspruch 9, wobei das Filtern auf einem Kalman-Filter basiert.
11. Verfahren (1 ; 10; 40) nach einem der Ansprüche 8 bis 10, wobei das Prozessieren eine
Rolling-Window-Regression umfasst.
12. Verfahren (1 ; 10; 40) nach Anspruch 11 , wobei das Prozessieren ferner auf einem
beweglichen Mittelwert basiert.
13. Verfahren (1 ; 10; 40) nach einem der vorherigen Ansprüche, ferner umfassend:
Bestimmen (13) wenigstens eines Schwellwerts basierend auf dem ersten Zustandswert, welcher indikativ ist für den zweiten Zustandswert.
14. Restnutzungszyklusbestimmungsschaltung (74), welche dazu eingerichtet ist, das
Verfahren (1 ; 10; 40) nach einem der vorherigen Ansprüche auszuführen.
15. Restnutzungszyklusbestimmungsvorrichtung (70) zum Bestimmen von
Restnutzungszyklen, welche eine Restnutzungszyklusbestimmungsschaltung nach Anspruch 14 umfasst.
EP20712294.6A 2019-04-23 2020-03-16 Verfahren zum bestimmen von restnutzungszyklen, restnutzungszyklusbestimmungsschaltung, restnutzungszyklusbestimmungsvorrichtung Pending EP3959571A1 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102019002890 2019-04-23
DE102020200051.4A DE102020200051A1 (de) 2019-04-23 2020-01-06 Verfahren zum Bestimmen von Restnutzungszyklen, Restnutzungszyklusbestimmungsschaltung, Restnutzungszyklusbestimmungsvorrichtung
PCT/EP2020/057149 WO2020216530A1 (de) 2019-04-23 2020-03-16 Verfahren zum bestimmen von restnutzungszyklen, restnutzungszyklusbestimmungsschaltung, restnutzungszyklusbestimmungsvorrichtung

Publications (1)

Publication Number Publication Date
EP3959571A1 true EP3959571A1 (de) 2022-03-02

Family

ID=79877178

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20712294.6A Pending EP3959571A1 (de) 2019-04-23 2020-03-16 Verfahren zum bestimmen von restnutzungszyklen, restnutzungszyklusbestimmungsschaltung, restnutzungszyklusbestimmungsvorrichtung

Country Status (2)

Country Link
EP (1) EP3959571A1 (de)
CN (1) CN114008549A (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115796051B (zh) * 2022-12-26 2026-02-10 富联裕展科技(深圳)有限公司 一种点胶针头寿命预测方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488881B (zh) * 2013-09-06 2017-05-17 中国人民解放军第二炮兵工程大学 一种不确定退化测量数据下的设备剩余寿命预测方法
US9846978B1 (en) * 2016-06-15 2017-12-19 Ford Global Technologies, Llc Remaining useful life estimation of vehicle component
CN107145645B (zh) * 2017-04-19 2020-11-24 浙江大学 带不确定冲击的非平稳退化过程剩余寿命预测方法
CN107145720B (zh) * 2017-04-19 2020-05-12 浙江大学 连续退化和未知冲击共同作用下的设备剩余寿命预测方法
CN108629073B (zh) * 2018-03-14 2019-05-03 山东科技大学 一种多模式的退化过程建模及剩余寿命预测方法
CN109343505A (zh) * 2018-09-19 2019-02-15 太原科技大学 基于长短期记忆网络的齿轮剩余寿命预测方法

Also Published As

Publication number Publication date
CN114008549A (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
WO2020216530A1 (de) Verfahren zum bestimmen von restnutzungszyklen, restnutzungszyklusbestimmungsschaltung, restnutzungszyklusbestimmungsvorrichtung
EP1543394B1 (de) Vorrichtung und verfahren zur überwachung einer mehrere systeme umfassenden technischen anlage, insbesondere einer kraftwerksanlage
DE102016008987B4 (de) Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
EP0895197B1 (de) Verfahren zum Überwachen von Anlagen mit mechanischen Komponenten
DE69324296T2 (de) Verfahren zur Diagnose eines laufenden Prozesses
DE102018107233A1 (de) Verfahren zur automatischen Prozessüberwachung und Prozessdiagnose eines stückbasierten Prozesses (batch-Fertigung), insbesondere eines Spritzgießprozesses und eine den Prozess durchführende Maschine oder ein den Prozess durchführender Maschinenpark
DE102006048430A1 (de) Verfahren zur Wartungsvorhersage einer Maschine
EP3640477B1 (de) Entwicklung eines übergeordneten modells
DE102014223810A1 (de) Verfahren und Assistenzsystem zur Erkennung einer Störung in einer Anlage
DE102020200051A1 (de) Verfahren zum Bestimmen von Restnutzungszyklen, Restnutzungszyklusbestimmungsschaltung, Restnutzungszyklusbestimmungsvorrichtung
EP4215257B1 (de) Verfahren zur bestimmung des verschmutzungsgrades eines filters
DE102022211058B4 (de) Computer-implementiertes Überwachungsverfahren, hydraulisches System und computerlesbares Speichermedium
EP4268029B1 (de) Verfahren und system zur überwachung des betriebs einer technischen anlage
EP3959571A1 (de) Verfahren zum bestimmen von restnutzungszyklen, restnutzungszyklusbestimmungsschaltung, restnutzungszyklusbestimmungsvorrichtung
EP4278098A1 (de) Verfahren zur bereitstellung wenigstens einer information über eine hydraulische anlage
DE102023207829B4 (de) Verfahren und System zum Erkennen von Anomalien in einem Satz von Signalen
EP4086526A1 (de) Verfahren zur überwachung einer heizungsanlage, computerprogramm, regel- und steuergerät, heizungsanlage und verwendung von betriebsdaten einer heizungsanlage
AT528105B1 (de) Verfahren zur Ausfallprognose von Prüfanlagen
EP4127848B1 (de) Verfahren und system zur diagnose von meldungen
DE102019116139A1 (de) Verfahren zum Überprüfen des Produktionsprozesses von Feldgeräten mittels eines Machine-Learning-, bzw. Prognosesystems
EP4302163B1 (de) Verfahren und system zur evaluierung einer notwendigen instandhaltungsmassnahme für eine maschine, insbesondere für eine pumpe
DE102023113134A1 (de) Verfahren und Vorrichtung zur Erfassung von Messdaten einer Maschine sowie Reifenheizpresse aufweisend eine Vorrichtung zur Erfassung von Messdaten
EP4425288A1 (de) Verfahren zum bereitstellen eines aktuellen status eines geräts für ein netzwerk aus physischen geräten, computerprogrammprodukt, computerlesbares speichermedium sowie überwachungssystem
DE102021205872A1 (de) Verfahren zum Überwachen eines Energiespeichers in einem Kraftfahrzeug
WO2022200263A1 (de) Ursachenanalyse einer anomalie auf basis von simulierten symptomen

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20211123

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20240229