CN113424120A - 无需计量地捕获机器特别是机床的特性确定该特性的方法 - Google Patents
无需计量地捕获机器特别是机床的特性确定该特性的方法 Download PDFInfo
- Publication number
- CN113424120A CN113424120A CN202080014252.3A CN202080014252A CN113424120A CN 113424120 A CN113424120 A CN 113424120A CN 202080014252 A CN202080014252 A CN 202080014252A CN 113424120 A CN113424120 A CN 113424120A
- Authority
- CN
- China
- Prior art keywords
- machine
- computer
- time series
- pattern order
- characteristic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000008859 change Effects 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 8
- 238000000053 physical method Methods 0.000 claims description 7
- 238000013107 unsupervised machine learning method Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/182—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by the machine tool function, e.g. thread cutting, cam making, tool direction control
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31455—Monitor process status
-
- 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
- G05B2219/37254—Estimate wear of subsystem of machine with measures from other subsystems
-
- 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
- G05B2219/37256—Wear, tool wear
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Numerical Control (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种用于无需计量地捕获机器特别是机床的特性确定该特性的计算机实现的方法，包括以下方法步骤：‑捕获所述机器的一个或更多个物理测量变量的一个或更多个第一时间序列；‑检测所述一个或更多个第一时间序列中的变化点；‑基于检测到的所述变化点从所述第一时间序列中提取模式顺序实例；‑根据提取的所述模式顺序实例产生多个模式顺序类别；‑识别相同模式顺序类别的多个模式顺序实例的至少一个特征以及所述特征的时间曲线；‑使用所确定的特性和/或使用所确定的特性的时间曲线来确定机器的特性。
Description
技术领域
本发明涉及用于无需计量地捕获机器特别是机床的特性确定该特性的计算机实现的方法。本发明还涉及用于无需计量地捕获机特别是机床的特性确定该特性的***。本发明的另一主题是用于确定用机器制造的部件的预期质量水平的计算机实现的方法。
背景技术
本发明可以在操作机器时使用，特别是在工业部件制造的领域中使用。在这种应用中，机器、特别是机床，不仅必须具有高水平的性能，而且具有高水平的可用性。然而，由于磨损和耗损，例如在制造的产品中通常存在不期望的机器故障和/或质量缺陷。对于这种故障的原因通常是不利地选择了机器的操作点或者不能直接地监视机器的磨损部件的状况。
在此背景下，期望确定未计量地捕获的机器的特性，以便得到对于动作的建议，例如对于维护机器或对于优化操作模式的建议。例如，这可以通过统计计算来完成。然而，在相同台机器上变化操作模式或制造不同的部件使得更加难以计算机器部件的磨损水平和服务寿命，特别地，难以动态地计算机器部件的磨损水平和服务寿命。
US2016/0091393A1描述了一种用于对机器的操作数据进行分析的方法，在该方法中，通过使用交互式最近点(ICP)方法对相似的过程进行比较来识别加工方法。过程被聚集。借助于单调测试基于加工方法集群中的操作数据的趋势来检测工具的劣化。
发明内容
本发明的目的是具体说明用于无需计量地捕获机器的特性确定该特性的可靠方法。
该目的通过具有权利要求1的特征的方法实现。
在根据本发明的方法中，首先捕获机器的一个或更多个物理测量变量的一个或更多个时间序列。在本发明的上下文中，这种时间序列应该被理解为表示物理测量变量的时间曲线。然后在一个或更多个单独的时间序列中对变化点进行检测，这些变化点即为在特定测量变量随时间的时间曲线中发生变化的点或间隔。这些变化点可以在时间序列中用作交叉点的标记，交叉点将时间序列划分为单个顺序。使用检测到的变化点，然后从一个或更多个单独的时间序列中提取模式顺序实例。这些模式顺序实例可以例如由变化点限制。因此，模式顺序实例可以通过特定测量变量在两个检测到的变化点之间时间曲线而形成。基于提取的模式顺序实例，在提取的模式顺序实例的组中产生、即识别多个模式顺序类别。这些模式顺序类别包括具有特定的相似性或某种共性的多个模式顺序实例。然后，对相同的、特别是所选择的模式顺序类别的多个模式顺序实例的至少一个特征进行识别，以及对该特征的时间曲线进行识别。基于所识别的特征和/或基于所识别的特征的时间曲线，然后在随后的方法步骤中对机器的特性进行识别，这无需计量地捕获。因此，可以确定未计量地捕获的物理效果、特别是物理变量或状态指示诸如例如机器部件的磨损水平。这使得能够更精确地计划机器维护，从而提高机器的可用性。
机器可以设计为机床。替代性地，机器可以是机器人，例如制造机器人、风力涡轮机、汽车、飞机、水道运输交通工具，轨道车辆或医疗装置。在这种机器的物理测量变量的情况下，存在下述部段：这些部段几乎不包含任何故障信息或者通常几乎不与不同类型的信息重叠，并且这些部段因此特别适合于提取关于机器的特性的间接信息，前提是关于机器的特性使用适用的传感器信号。
根据本发明的有利实施方式，提供的是机器的特性是机器的或机器的部件的磨损水平的指示。例如，该特性可以是机器的工具的磨损水平，特别是可转位***件、钻头或铣刀、优选地在机器的工具中心点(TCP)处的磨损水平。这种信息通常不能计量地直接被检测或取决于多个物理测量变量。根据本发明的方法使得可以可靠地确定这种信息。替代性地，这在如下情况下是优选的：机器的特性是机器的预定区域中的温度的指示例如是在用于测量温度的温度传感器不能布置的区域中的温度的指示。
根据本发明的有利实施方式，提供了机器的一个或更多个物理测量变量是扭矩和/或旋转速度和/或电流和/或电压和/或能量/或温度和/或加速度和/或速度和/或力和/或位置。
该机器的一个或更多个物理测量变量优选地由机器的传感器装置来捕获。传感器装置优选地包括扭矩传感器和/或旋转速度传感器和/或电流传感器和/或电压传感器和/或能量传感器和/或温度传感器和/或加速度传感器和/或速度传感器和/或力传感器和/或位置传感器。传感器装置优选地是机器的传感器装置，该机器的传感器装置配置成将在机器的操作期间捕获的测量变量传输至机器的控制装置。因此，没有必要在机器上设置额外的传感器装置以对执行该方法所需的测量变量进行识别。例如，传感器装置可以是机器的电动驱动器上的传感器装置，该传感器装置用于在机器处于操作时控制驱动器。
根据本发明的有利实施方式，在一个或更多个时间序列中的变化点的检测包括变化点的检测。这种变化点优选地通过用于变化点检测的算法来识别。替代性地或附加地，一个或更多个时间序列中的变化点的检测可以包括检测预定的变化顺序。预定的变化顺序可以存储在变化顺序存储器中，该变化顺序存储器优选地设置在与机器分开的装置中，特别是远程定位的装置中、例如在经由通信链路特别是通信网络而连接至机器的云存储装置中。预定变化顺序可以包括例如至少三个点，所述至少三个点限定时间序列的梯度的预定顺序。
根据本发明的有利实施方式，提供的是一个或更多个第一时间序列中的变化点的检测例如通过形成时间序列的导数和/或借助于Douglas-Peucker算法基于时间序列、即在时域中而直接发生。替代性地或附加地，一个或更多个第一时间序列中的变化点的检测可以使用时间序列的变换、例如使用傅立叶变换或小波变换而间接发生。在变化点的检测之前优选地执行时间序列的预处理和/或在变化点的检测之后发生所检测到的变化点的后处理。
根据检测到的变化点从第一时间序列提取模式顺序实例优选地包括对两个变化点之间的候选顺序进行识别。这种候选顺序是时间序列的可能表示模式顺序实例的顺序。可以将特定候选顺序的长度与预定的最小顺序长度进行比较。替代性地，可以验证的是特定候选顺序的长度是否位于预定的序列长度范围内。如果候选顺序的长度大于或等于预限定的最小顺序长度或者候选顺序的长度位于预限定的序列长度范围内，则候选顺序优选地仅被视为模式顺序实例。
已经证明是有利的是，在生成多个模式顺序类别时，执行非监督式机器学习方法。在这种非监督式机器学习方法中，在包含模式顺序实例的输入数据中来鉴别模式顺序类别，使得然后将各个模式顺序实例分配给模式顺序类别是已知的。例如，可以通过主要部件分析或通过K-means算法来生成多个模式顺序类别。
有利的是，如果生成模式顺序类别包括比较多个候选顺序。优选地，多个候选顺序的曲线、特别是具有不同梯度的部段的顺序的曲线与彼此进行比较。该比较优选地包括多个候选顺序之间相似性程度的确定。如果确定的相似性大于预限定的相似性阈值，则多个候选顺序优选地分配至相同的模式顺序类别。为了确定相似性的程度，可以确定两个候选顺序之间的至少一个数学距离，例如Wasserstein距离(Kantorovich-Rubinstein计量)和/或总变化距离和/或kolmogorov-smirnov距离和/或动态时间翘曲距离。
替代性地或附加地，比较可以包括对候选顺序中的数据的分布进行确定、例如直方图比较或相关性。作为另一替代方案，两个候选顺序的比较可以包括以下特征的比较：平均值、峰的数目。
多个模式顺序类别的生成优选地以两个子步骤来执行：在第一子步骤中，将多个、特别是全部的候选顺序与彼此进行比较，以便确定两个候选顺序之间的相似性。在第二子步骤中，将多个相似的候选顺序聚集在新的模式顺序类别中，除非已经存在下述现有模式顺序类别：该现有模式顺序类别由于相似性而合适并且多个相似的候选顺序可以分配给该现有模式顺序类别。为了尽可能快地确定相似的模式顺序类别，优选地首先使用最近已经发生的模式顺序类别进行比较。
根据本发明的一个方面，在生成模式顺序类之后执行下述方法步骤：
-根据由机器的控制单元提供的操作状态信息将模式顺序类别分配给机器和/或机器的部件和/或机器的工具的操作状态。
在该进一步方法步骤中，将所产生的模式顺序类别分配给机器的不同操作状态，其中，这能够根据描绘了机器操作状态的时间曲线的与特定测量变量的时间序列对应的操作状态信息发生。该操作状态信息由机器的控制单元提供，并且能够在模式顺序类别与机器的操作状态之间建立上下文关系。机器的控制单元可以使用用于控制机器的程序代码来确定操作状态信息，例如使用CNC(计算机化的数字控制)程序代码。优选地，选择分配给操作状态的模式顺序类别，操作状态是机器的待确定的特性的特征。
优选地，将验证模式顺序类别、特别是模式顺序类别的所有模式顺序实例是否可以分配给机器和/或机器的部件和/或/或机器的工具的一个操作状态、例如具有相同工具的机器的操作。如果模式顺序类别或模式顺序类别的模式顺序实例可以分配给多个操作状态，则模式顺序类别优选地被划分为多个新的模式顺序类别，其中，这些新的模式顺序类别中的每个新的模式顺序类别被分配至刚好一个操作状态。
模式顺序类别优选地各自被分配有标识符并且模式顺序类别的顺序在第一时间序列中被识别。模式顺序类别的这些序列由其标识符的序列或所谓的识别序列来描述。模式优选地在识别序列中被确定，特别是例如通过字符串聚类和/或通过用于公共近似的子顺序问题的解决方法被确定。对模式的识别可以分层级地进行、即基于结果重复地识别，并且由此还能够鉴别机器和/或机器的部件和/或机器的工具的操作状态的序列。以此方式，可以鉴别通过机器制造的产品或由机器执行的制造过程。
根据本发明的替代方案，在生成模式顺序类别之后执行下述方法步骤：
-根据所述机器的操作员或在所述机器的上级的***提供的操作状态信息将模式顺序类别分配给所述机器和/或所述机器的部件和/或所述机器的工具的操作状态。
在该进一步的方法步骤中，所产生的模式顺序类被分配给机器和/或机器的部件和/或机器的工具的不同操作状态，并且这能够根据表示机器的操作状态的时间曲线的与特定测量变量的时间序列对应的操作状态信息而发生。该操作状态信息由机器的操作员或由机器的上级的***提供。这种***可以是例如制造执行***(MES)。
根据有利实施方式，多个模式顺序实例的所识别的特征是模式顺序实例的平均值和/或模式顺序实例的最大值和/或模式顺序实例的最小值。替代性地或附加地，该特征可以例如使用到频域的变换、特别是傅立叶变换或小波变换由模式顺序实例的变换来而产生。因此，特征可以是在时域中识别的特征或在变换空间中特别是在频域中识别的特征、或者在时域中识别的特征和在变换空间特别是在频域中识别的特征的组合。该特征可以根据目标函数与机器的特性相关。目标函数通过由机器的操作员输入目标函数，或者例如通过回归、通过神经网络等自动地确定目标函数而被优选地限定。
优选实施方式提供的是，除了对(第一)模式顺序类别的多个模式顺序实例的至少一个(第一)特征以及该(第一)特征的时间曲线进行识别以外，将对附加的(第二)模式顺序类别的多个模式顺序实例的至少一个附加的(第二)特征以及该附加的(第二)特征的时间曲线进行识别。在这种情况下，优选地提供的是，基于多个(第一和第二)识别的特征和/或基于多个(第一和第二)所识别特征的时间曲线来确定机器的特性。
根据本发明的有利实施方式，提供的是在确定机器的特性之后进行下述方法步骤：
-使用所述第一序列和特征识别曲线训练自学习确定模块。
自学习确定模块优选地配置成执行监督式机器学习方法。使用神经网络的方法、特别是深度学习方法或多变量分析方法特别是回归方法特别适合作为监督式机器学习的方法。在这种训练中，第一时间序列可以被指定为输入值，并且特征的识别曲线可以被指定(假设)为训练数据组的输出值。训练还可以包括为自学习确定模块提供所识别的模式顺序实例和/或代表特定模式顺序类别的模式顺序和/或关于待识别的特性的信息。
根据本发明的有利实施方式，提供的是在自学习确定模块的训练之后执行下述方法步骤：
-捕获一个或更多个物理测量变量的一个或更多个第二时间序列；
-由经训练的所述确定模块根据所述一个或更多个第二时间序列确定无需计量地捕获的所述机器的所述特性。
在这方面，在机器的操作期间，经训练的确定模块可以用于仅基于捕获的第二时间序列来确定特性。使用经训练的确定模块使得可以(在训练之后)分配有(第二)时间序列中的变化点以及在该(第二)时间序列中提取模式顺序。另外，机器的特性可以由经训练的确定模块专门地确定。以这种方式，特性的确定可以通过减少的计算工作来加速和/或执行。
在这种情况下，已经证明有利的是，(经训练的)确定模块设置在机器的处理单元中，并且用于对确定模块进行训练的模块例如作为云处理单元与机器分开地设置。变化点的检测和/或模式顺序实例的提取和/或模式顺序类别的生成和/或特征的识别也优选地借助于例如作为云计算单元与机器分开提供的模块来执行。这具有下述优点：仅需要最初或用于对确定模块进行训练的这些方法步骤不必保持在机器的计算单元中，使得计算单元可以被设计成具有利用较少的硬件和/或软件支出。
本发明的另一主题是一种用于确定用机器制造的部件的预期质量水平的计算机实现的方法，其中，执行上述方法以用于确定机器的特性，其中，机器的特性是机器磨损水平，并且用机器制造的部件的预期水平通过该磨损水平确定，该磨损水平由经训练的确定模块根据一个或更多个第二时间序列确定。这使得可以基于机器的经确定的特性和时间序列、特别是与上述所有处理选项组合，以得出关于用该机器制造的部件的预期质量水平的结论。
本发明的另一主题是用于无需计量地捕获机器特别是机床的特性确定该特性的***，该***包括处理器，该处理器配置成执行用于确定机器的特性的上述方法。
相同的优点可以使用已经与用于对机器的特性进行确定的方法结合描述的***来实现。
根据有利的实施方式，该***具有：第一单元，该第一单元配置成布置在机器的区域中；以及第二单元，该第二单元配置成与机器分开布置、特别是作为云的一部分，其中，第二单元包括存储所产生的模式顺序类别的存储器装置。用于模式顺序类别的存储器装置的布置使得可以使用用于大量机器的公共存储装置。模式顺序类别可以作为用于多个相同或不同机器的公共数据库的一部分而被存储，其中，模式顺序类别优选地被分配有机器和/或机器的部件和/或机器的工具的操作状态。
在这种情况下，已经证明是有利的是，第一单元具有缓冲存储装置，存储在第二单元的存储装置中的模式顺序类别的子组存储在该缓冲存储装置中。经常使用的模式顺序类别、例如已经在现有时间段中使用的那些模式顺序类别优选地存储在缓冲存储装置中。这可以加快对经常使用的模式顺序类别的访问。
还描述了用于确定设计为机床或机器人的机器的磨损水平的上述***的用途。
本发明的另一主题是一种包括指令的计算机程序，该计算机程序在由计算机执行该计算机程序时使计算机执行用于确定机器的特性的上述方法。
本发明的另一主题是一种包括指令的计算机可读介质，该计算机可读介质在由计算机执行所述指令时使计算机执行用于确定机器的特性的上述方法。
附图说明
下面将参照附图中所示的示例性实施方式对本发明的其他细节和优点进行解释。附图仅图示了本发明的示例性实施方式，示例性实施方式不限制本发明的构思。在附图中：
图1示出了根据本发明的示例性实施方式的确定机器的特性的方法的流程图；
图2示出了机器的物理测量变量的示例性时间序列；
图3示出了具有标记变化点的示例性时间序列；
图4示出了具有提取的模式顺序实例的示例性时间序列；以及
图5示出了具有相同模式顺序类别的提取的模式顺序实例的示例性时间序列和模式顺序实例的示例性特征的时间曲线。
具体实施方式
图1示出了根据本发明的用于确定设计为机床的机器1的特性的方法的示例性实施方式的示意流程图，其中，该特性无需被计量地捕获。在本示例性实施方式中，磨损水平、特别是工具中心点处的磨损水平被识别为特性。
在该方法中，由布置在机器1上的传感器装置捕获一个或更多个物理测量变量的一个或更多个时间序列。传感器装置优选地包括安装在机器1中的传感器，以便能够在机器1的操作期间进行目标/实际比较和/或控制机器1。
在这方面，没有必要在机器上提供额外的传感器来执行该方法。同时，该方法可以利用除了机器1上已经存在的传感器之外另外设置的传感器来执行。
测量变量的示例性时间序列如图2中所示。测量变量例如可以是被配置成驱动机器1的部件例如驱动机器1的工具的电动马达中的电流的幅值。例如，电动马达可以是带有用于机器1的工具的工具保持器的主轴的马达。
所捕获的时间序列被评估，以便确定磨损水平。在检测步骤11中，对一个或更多个第一时间序列中的变化点进行检测。优选地使用用于变化点检测的算法，以确定时间序列中的变化点、特别是确定特定时间序列的曲线发生变化的某些变化点。这种变化点由图3中的竖向线表示。
在检测步骤11之后的提取步骤12中，基于检测到的变化点从特定时间序列提取模式顺序实例。为此，首先在两个变化点之间识别所谓的候选序列。验证这种候选序列是否至少具有预定的最小顺序长度。将长度小于最小顺序长度的候选序列丢弃。将经比较的其他候选序列被视为模式顺序实例。
在随后的类别产生步骤13中，然后根据所提取的模式顺序实例产生多个模式顺序类别。此处使用了非监督式机器学习方法，其中，在不事先已知单个模式顺序实例分配至模式顺序类别的情况下在模式顺序实例的组中自动识别模式顺序类别。图4示出了其中已识别出分配至第一模式顺序类别A的两个第一模式顺序实例和分配至第二模式顺序类别B的五个第二模式顺序实例的时间序列。完全由非监督式机器学习方法产生的标识符(identifier)或所谓的标记(label)可以分配至这些模式顺序类别A和B。也可以使用先验知识和/或人类知识以获得具有语义意义的已识别模式顺序类别的适合的标识符。人类知识例如可以作为查询步骤的一部分被引入，其中，机器的用户将标识符、特别是具有语义意义的标识符分配至所识别的模式顺序类别。
在进一步的方法步骤中，将所产生的模式顺序类别分配至机器的不同操作状态。该分配根据描绘了机器的操作状态的时间曲线的与特定测量变量的时间序列对应的操作状态信息进行。这种操作状态信息由机器的控制单元提供并且使得能够在模式顺序类别与机器的操作状态之间建立上下文关系。机器的控制单元可以使用用于控制机器的程序代码、例如使用CNC程序代码来确定操作状态信息。以这种方式例如可以确定，图4中所示的模式顺序类别B对应于其中机器1的工具在旋转的操作状态，并且模式顺序类别A对应于在工具的旋转之前的准备步骤。
在识别步骤14中，然后对相同模式顺序类别的多个模式顺序实例、特别是相同模式顺序类别的所有模式顺序实例的至少一个特征进行识别，并且建立该特征的时间曲线，参见图1。该特征例如可以是模式顺序实例的平均值或标准偏差。然而，也能够想到其他特征诸如例如最大值、最小值或基于傅立叶或小波变换而识别的变量。图5中示意性地示出了这种特征的示例性曲线。要确定的特性，此处为磨损水平，特别是工具中心点处的磨损水平取决于该特征。然后可以基于所识别的特征和/或基于所识别的特征的时间曲线来确定机器的特性。
可选的，在预测步骤15中，除了确定特性外，还可以得到对该特性的后续曲线的预测。为此，如由图5中的虚线所指示，对特征的曲线进行预测，并且据此关于要确定的特性得出结论。可以在统计学上或使用模拟来确定预测。
标识符被分配给模式顺序类别中的每个模式顺序类别——此处标识符为标识符A和B。可选地，可以在时间序列中标识这些模式顺序类别A和B的序列。模式顺序类别的这些序列由其标识符的序列或所谓的识别序列来描述。模式优选地在识别序列中被确定，特别是例如通过字符串聚类和/或通过用于公共近似的子顺序问题的解决方法被确定。对模式的识别可以分层级地进行、即基于结果重复地识别，并且由此还能够鉴别机器和/或机器的部件和/或机器的工具的操作状态的序列。以此方式，可以鉴别通过机器制造的产品或由机器执行的制造过程。
可选地，可以提供的是，在确定了机器的特性之后，借助于第一时间序列和所识别的特征的曲线来训练自学习确定模块，参见图1中的训练步骤16。自学习确定模块优选地配置为执行监督式机器学习方法。在训练期间，第一时间序列作为输入值给出，并且先前识别的特征的曲线作为训练数据组的输出值给出。训练还可以包括为自学习确定模块提供所识别的模式顺序实例和/或代表特定模式顺序类别的模式顺序和/或关于待识别的特性的信息。
训练之后，自学***。为此，经训练的确定模块不必执行先前描述的方法步骤11至15。相反，经训练的确定模块中的通过训练而积累的知识允许仅基于新捕获的时间序列来确定特性，这减少了计算工作量。因此，经训练的自学习确定模块执行以下方法步骤：
-捕获一个或更多个物理测量变量的一个或更多个第二时间序列；
-由经训练的所述确定模块根据所述一个或更多个第二时间序列确定无需计量地捕获的所述机器的所述特性。
如果在机器的处理单元中提供经训练的确定模块并且例如作为云处理单元与机器1分开地设置用于对确定模块进行训练的模块，则是有利的。变化点的检测和/或模式顺序实例的提取和/或模式顺序类别的生成和/或特征的识别也优选地借助于例如作为云计算单元与机器分开提供的模块来执行。这具有下述优点，仅需要最初或用于对确定模块进行训练的这些方法步骤不必保持在机器的计算单元中，使得计算单元可以被设计成具有利用较少的硬件和/或软件支出。对确定模块进行训练所需的所有数据例如模式顺序类别也可以存储在云存储装置20中，该云存储装置布置成远离于机器1并且经由网络连接至机器。
此外，可以执行用于对利用机器1制造的部件的预期质量水平进行确定的计算机实现的方法，其中，上面所描述的方法被执行以用于确定机器1的特性，其中，机器的特性为机器的磨损水平并且利用机器制造的部件的预期质量水平基于该磨损水平确定，该磨损水平由经训练的确定模块根据一个或更多个第二时间序列确定。
这使得可以根据机器1的经确定的特性得出关于利用该机器1制造的部件的预期质量水平的结论。
Claims (17)
1.一种用于无需计量地捕获机器特别是机床的特性确定所述特性的计算机实现的方法，所述计算机实现的方法包括下述方法步骤：
-捕获所述机器的一个或更多个物理测量变量的一个或更多个第一时间序列；
-检测所述一个或更多个第一时间序列中的变化点；
-基于检测到的所述变化点从所述第一时间序列中提取模式顺序实例；
-根据提取的所述模式顺序实例产生多个模式顺序类别；
-识别相同模式顺序类别的多个模式顺序实例的至少一个特征以及所述特征的时间曲线；
-使用识别的所述特征和/或使用识别的所述特征的所述时间曲线来确定机器的特性；
其中，在生成所述模式顺序类别之后执行下述方法步骤中的一种方法步骤：
-根据由所述机器的控制单元提供的操作状态信息将所述模式顺序类别分配给所述机器和/或所述机器的部件和/或所述机器的工具的操作状态；以及
-根据所述机器的操作员或在所述机器的上级的***提供的操作状态信息将模式顺序类别分配给所述机器和/或所述机器的部件和/或所述机器的工具的操作状态。
2.根据权利要求1所述的计算机实现的方法，其特征在于，所述机器的所述特性是所述机器的磨损水平或所述机器的部件或所述机器的预定区域中的温度的指示。
3.根据前述权利要求中的一项所述的计算机实现的方法，其特征在于，所述机器的所述一个或更多个物理测量变量是扭矩和/或旋转速度和/或电流和/或电压和/或能量和/或温度和/或加速度和/或速度和/或力和/或位置。
4.根据前述权利要求中的一项所述的计算机实现的方法，其特征在于，所述机器的一个或更多个物理测量变量由所述机器的传感器装置检测。
5.根据前述权利要求中的一项所述的计算机实现的方法，其特征在于，所述一个或更多个时间序列中的所述变化点的检测包括变化点的检测和/或预定变化顺序的检测。
6.根据前述权利要求中的一项所述的计算机实现的方法，其特征在于，基于所述时间序列对所述一个或更多个第一时间序列中的所述变化点进行直接检测和/或基于所述时间序列变换例如使用傅立叶变换或小波变换对所述一个或更多个第一时间序列中的所述变化点进行间接检测。
7.根据前述权利要求中的一项所述的计算机实现的方法，其特征在于，基于检测到的所述变化点从所述第一时间序列提取模式顺序实例包括识别两个变化点之间的候选顺序。
8.根据前述权利要求中的一项所述的计算机实现的方法，其特征在于，通过非监督式机器学习方法生成多个模式顺序类别。
9.根据前述权利要求中的一项所述的计算机实现的方法，其特征在于，识别的所述特征是模式顺序实例的平均值和/或模式顺序实例的最大值和/或模式顺序实例的最小值。
10.根据前述权利要求中的一项所述的计算机实现的方法，其特征在于，在确定所述机器的所述特性之后执行下述方法步骤：
-使用所述第一序列和特征识别曲线训练自学习确定模块。
11.根据权利要求10所述的计算机实现的方法，其特征在于，在训练所述自学习确定模块之后执行下述方法步骤：
-捕获一个或更多个物理测量变量的一个或更多个第二时间序列；
-由经训练的所述确定模块根据所述一个或更多个第二时间序列确定无需计量地捕获的所述机器的所述特性。
12.一种用于确定用机器制造的部件的预期质量水平的计算机实现的方法，其中，执行根据权利要求11所述的用于确定机器的特性的方法，其中，所述机器的所述特性是所述机器的磨损水平，并且用所述机器制造的部件的所述预期质量水平基于所述磨损水平而确定，所述磨损水平由经训练的所述确定模块根据所述一个或更多个第二时间序列而确定。
13.一种用于无需计量地捕获机器特别是机床的特性确定所述特性的***，所述***包括处理器，所述处理器配置成执行根据权利要求1至9中的一项所述的方法。
14.根据权利要求13所述的***，其特征在于，所述***具有：第一单元，所述第一单元配置成布置在所述机器的区域中；以及第二单元，所述第二单元配置成与所述机器分开布置、特别是作为云的一部分，其中，所述第二单元包括存储器装置，产生的所述模式顺序类别存储在所述存储器装置中。
15.一种用于确定设计为机床或工业机器人的机器的磨损水平的根据权利要求13或14所述的***的用途。
16.一种包括指令的计算机程序，所述计算机程序在由计算机执行所述计算机程序时使所述计算机执行根据权利要求1至11中的一项所述的方法。
17.一种包括指令的计算机可读介质，所述指令在由计算机执行所述指令时使所述计算机执行根据权利要求1至11中的任一项所述的方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102019107363.4 | 2019-03-22 | ||
| DE102019107363.4A DE102019107363B4 (de) | 2019-03-22 | 2019-03-22 | Verfahren und System zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft sowie Verfahren zum Bestimmen eines voraussichtlichen Qualitätszustands eines mit einer Maschine gefertigten Bauteils |
| PCT/DE2020/100144 WO2020192822A1 (de) | 2019-03-22 | 2020-03-04 | Verfahren zum bestimmen einer eigenschaft einer maschine, insbesondere einer werkzeugmaschine, ohne messtechnisches erfassen der eigenschaft |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113424120A true CN113424120A (zh) | 2021-09-21 |
Family
ID=69845004
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080014252.3A Pending CN113424120A (zh) | 2019-03-22 | 2020-03-04 | 无需计量地捕获机器特别是机床的特性确定该特性的方法 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20220187787A1 (zh) |
| EP (1) | EP3942376B1 (zh) |
| CN (1) | CN113424120A (zh) |
| DE (1) | DE102019107363B4 (zh) |
| HU (1) | HUE064066T2 (zh) |
| PL (1) | PL3942376T3 (zh) |
| WO (1) | WO2020192822A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3208090A1 (en) * | 2021-02-24 | 2022-09-01 | Ruomu TAN | Method and system for industrial change point detection |
| EP4120038A1 (de) | 2021-07-15 | 2023-01-18 | ifm electronic gmbh | Überwachungsverfahren zur fehlererkennung eines maschinen- bzw. hardwarefehlers |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020643A (zh) * | 2012-11-30 | 2013-04-03 | 武汉大学 | 基于提取核特征早期预测多变量时间序列类别的分类方法 |
| US20150269050A1 (en) * | 2014-03-18 | 2015-09-24 | Microsoft Corporation | Unsupervised anomaly detection for arbitrary time series |
| US20160091393A1 (en) * | 2014-09-26 | 2016-03-31 | Palo Alto Research Center Incorporated | Computer-Implemented Method And System For Machine Tool Damage Assessment, Prediction, And Planning In Manufacturing Shop Floor |
| US20180164794A1 (en) * | 2016-12-12 | 2018-06-14 | Mitsubishi Electric Research Laboratories, Inc. | Methods and Systems for Discovery of Prognostic Subsequences in Time Series |
| CN109032829A (zh) * | 2018-07-23 | 2018-12-18 | 腾讯科技（深圳）有限公司 | 数据异常检测方法、装置、计算机设备及存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU4733601A (en) * | 2000-03-10 | 2001-09-24 | Cyrano Sciences Inc | Control for an industrial process using one or more multidimensional variables |
| US6687654B2 (en) * | 2001-09-10 | 2004-02-03 | The Johns Hopkins University | Techniques for distributed machinery monitoring |
| US7409261B2 (en) | 2004-10-25 | 2008-08-05 | Ford Motor Company | Data management and networking system and method |
| US20070088550A1 (en) | 2005-10-13 | 2007-04-19 | Dimitar Filev | Method for predictive maintenance of a machine |
| US8781982B1 (en) | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
| US20130197854A1 (en) | 2012-01-30 | 2013-08-01 | Siemens Corporation | System and method for diagnosing machine tool component faults |
| JP6995493B2 (ja) * | 2017-04-28 | 2022-01-14 | 横河電機株式会社 | データ処理装置、データ処理システム、データ処理方法及びプログラム |
-
2019
- 2019-03-22 DE DE102019107363.4A patent/DE102019107363B4/de active Active
-
2020
- 2020-03-04 EP EP20711782.1A patent/EP3942376B1/de active Active
- 2020-03-04 US US17/439,441 patent/US20220187787A1/en active Pending
- 2020-03-04 PL PL20711782.1T patent/PL3942376T3/pl unknown
- 2020-03-04 CN CN202080014252.3A patent/CN113424120A/zh active Pending
- 2020-03-04 HU HUE20711782A patent/HUE064066T2/hu unknown
- 2020-03-04 WO PCT/DE2020/100144 patent/WO2020192822A1/de active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020643A (zh) * | 2012-11-30 | 2013-04-03 | 武汉大学 | 基于提取核特征早期预测多变量时间序列类别的分类方法 |
| US20150269050A1 (en) * | 2014-03-18 | 2015-09-24 | Microsoft Corporation | Unsupervised anomaly detection for arbitrary time series |
| US20160091393A1 (en) * | 2014-09-26 | 2016-03-31 | Palo Alto Research Center Incorporated | Computer-Implemented Method And System For Machine Tool Damage Assessment, Prediction, And Planning In Manufacturing Shop Floor |
| US20180164794A1 (en) * | 2016-12-12 | 2018-06-14 | Mitsubishi Electric Research Laboratories, Inc. | Methods and Systems for Discovery of Prognostic Subsequences in Time Series |
| CN109032829A (zh) * | 2018-07-23 | 2018-12-18 | 腾讯科技（深圳）有限公司 | 数据异常检测方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3942376A1 (de) | 2022-01-26 |
| WO2020192822A1 (de) | 2020-10-01 |
| EP3942376B1 (de) | 2023-10-04 |
| DE102019107363B4 (de) | 2023-02-09 |
| DE102019107363A1 (de) | 2020-09-24 |
| PL3942376T3 (pl) | 2024-02-26 |
| US20220187787A1 (en) | 2022-06-16 |
| HUE064066T2 (hu) | 2024-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114065613B (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
| JP6450858B2 (ja) | 設備管理装置および方法 | |
| Chen et al. | A just-in-time-learning-aided canonical correlation analysis method for multimode process monitoring and fault detection | |
| EP3460611B1 (en) | System and method for aircraft fault detection | |
| Li et al. | Similarity-measured isolation forest: Anomaly detection method for machine monitoring data | |
| Al-Dahidi et al. | Remaining useful life estimation in heterogeneous fleets working under variable operating conditions | |
| CN116009480B (zh) | 一种数控机床的故障监测方法、装置、设备及存储介质 | |
| Ferreiro et al. | Industry 4.0: predictive intelligent maintenance for production equipment | |
| Liang et al. | Data-driven anomaly diagnosis for machining processes | |
| EP1958034B1 (en) | Use of sequential clustering for instance selection in machine condition monitoring | |
| US12007745B2 (en) | Apparatus for predicting equipment damage | |
| Yan et al. | A hybrid method for on-line performance assessment and life prediction in drilling operations | |
| CN113424120A (zh) | 无需计量地捕获机器特别是机床的特性确定该特性的方法 | |
| CN111788042A (zh) | 机器人的预见性分析 | |
| Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
| Maeda et al. | Method for automatically recognizing various operation statuses of legacy machines | |
| CN117784710B (zh) | 数控机床远程状态监控***及其方法 | |
| CN114326593B (zh) | 一种刀具寿命预测***及方法 | |
| Bator et al. | Feature extraction and reduction applied to sensorless drive diagnosis | |
| Seevers et al. | Automatic detection of manufacturing equipment cycles using time series | |
| EP3706047A1 (en) | Cluster based classification for time series data | |
| Pantazis et al. | An automated feature extraction method with application to empirical model development from machining power data | |
| Park et al. | Prediction of the CNC tool wear using the machine learning technique | |
| CN112884027B (zh) | 一种基于模式识别的切削过程实时状态监测方法及装置 | |
| JP6798968B2 (ja) | ノイズ発生原因推定装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |