CN114341814A - 通过数字孪生中模拟故障进行有效的故障分析 - Google Patents
通过数字孪生中模拟故障进行有效的故障分析 Download PDFInfo
- Publication number
- CN114341814A CN114341814A CN202080060600.0A CN202080060600A CN114341814A CN 114341814 A CN114341814 A CN 114341814A CN 202080060600 A CN202080060600 A CN 202080060600A CN 114341814 A CN114341814 A CN 114341814A
- Authority
- CN
- China
- Prior art keywords
- fault
- facility
- state
- faulty
- time
- 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
- 238000004458 analytical method Methods 0.000 title description 8
- 238000009434 installation Methods 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000002950 deficient Effects 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 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
- 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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及用于识别自动化设施中的故障原因的方法和装置,还涉及包括用于识别自动化设施中的故障原因的装置的自动化设施。在自动化设施的数字孪生中认定数字孪生的至少一个元件有故障,然后利用数字孪生进行模拟,直到故障时间点为止。基于至少一个被认为有故障的元件将自动化设施的至少一个故障元件识别为故障原因。
Description
技术领域
本发明涉及用于识别自动化设施中的故障原因的方法和装置,还涉及包括用于识别自动化设施中的故障原因的装置的自动化设施。
背景技术
自动化技术尤其涉及机械工程和电气工程领域的设施构造。自动化技术用于自动化机器、设施或技术***中的技术流程,并进而创建自动化设施。为此,在执行过程(例如制造过程或方法)的自动化设施中使用了各种执行器。执行器由自动化设施的控制器控制,控制器从传感器接收有关过程或设施状态的信息。
自动化设施的自动化程度越高,自动化设施就越独立于人为干预。除了减轻人们从事危险、繁重或日常活动之外,自动化还有助于提高质量并提高自动化设施的性能。此外,自动化可以降低人员成本。人的活动主要简化成排除故障、补料、取出成品件、维修等类似工作。
自动化功能的设计、实施和自动化设施的调试都非常注重方法。开发的方法和解决方案通常是对真实的物理***(自动化设施)的(抽象)模型考虑的结果。在此,物理***通常使用计算机支持的虚拟映像或模型进行建模,即所谓的数字孪生。基于这些数字孪生,可以开发用于设计和调试各种自动化功能的基于知识的方法。例如,使用基于知识的方法,然后创建包含基于模型的规则和控制的自动化设施。
在自动化设施中存在的问题是通常不清楚发生的故障以及其他不可预见的设施状态,并且自动化设施的(故障)原因无法追踪。例如,这可能是由时间和局部故障传播引起的。这使得识别或定位故障的原因变得困难,因为触发设施状态/故障的原因可能已发生并且不能再在产生的设施状态/故障中被识别。
自动化设施的数字孪生可以通过以下方式进行扩展,即对可能的故障进行建模,并模拟发生故障时自动化设施的行为以及进一步的影响。在此,自动化设施的元件中存在大量可能的故障类型和组合,其通过生产操作中不同的设施行为(例如***中工件的类型和位置)进一步增加。由此产生的组合***通常不能预先模拟并确定每个可能的设施状态和故障。
使用诸如“失效模式和影响分析(FMEA)”(在此特别是***或过程的失效模式和影响分析)或“根本原因分析(RCA)”模型等既定方法的解决方案需要额外的分析和建模工作,并且只能在建模的范畴中以及对确定的关系进行故障识别。全面的映射需要过高的成本,并且仍然不能确保可以识别以前未知的设施状态或故障。
发明内容
本发明的目的是:通过提供使用根据独立权利要求1的用于识别自动化设施中的故障原因的方法、以及根据其他独立权利要求的用于识别自动化设施中的故障原因的设备和相应的自动化设施,解决或至少缓解该问题。有利的设计和改进方案是各个从属权利要求的主题。
根据本发明的第一方面,提出一种用于识别自动化设施中的故障原因的方法,其包括以下步骤:
a)连续检测自动化设施的真实设施状态,其中,真实设施状态包括自动化设施的至少一个物理参量。
b)连续检查在检测到的真实设施状态中是否存在故障,如果在检测到的真实设施状态中存在故障,则确定检测到的真实设施状态中最近的无故障设施状态和故障时间点。
c)利用确定的最近的无故障设施状态来初始化自动化设施的数字孪生。
d)借助初始化的数字孪生来模拟设施状态,直至确定的故障时间点为止,其中,数字孪生的至少一个元件被认为是有故障的。
e)将在确定的故障时间点的模拟的设施状态与在故障时间点的真实设施状态进行比较,以及
e1)如果在故障时间点的模拟的设施状态与在故障时间点的真实设施状态一致,则基于数字孪生的至少一个被认为有故障的元件将自动化设施的至少一个故障元件识别为自动化设施中的故障原因,或者
e2)如果在故障时间点的模拟的设施状态与在故障时间点的真实设施状态不一致,则将步骤c)到步骤e)重复,其中,在步骤d)中认为数字孪生的至少一个另外的元件是有故障的。
根据本发明的第二方面,提出一种用于识别自动化设施中的故障原因的装置,该装置包括至少一个传感器和控制单元。至少一个传感器设计用于连续检测自动化设施的至少一个物理参量。控制单元与至少一个传感器通信连接。控制单元设计用于执行根据本发明的第一方面的方法。为此目的,控制单元设计和设置用于连续检测自动化设施的真实设施状态。在这种情况下,真实设施状态包括由至少一个传感器检测到的至少一个物理参量。控制单元还设计和设置成,连续检查在检测到的真实设施状态中是否存在故障,如果在检测到的真实设施状态中存在故障,则确定检测到的真实设施状态中最近的无故障设施状态和故障时间点。此外,控制单元设计和设置成,利用确定的最近的设施状态来初始化自动化设施的数字孪生。此外,控制单元设计和设置成,借助初始化的数字孪生来模拟设施状态,直到确定的故障时间点为止。在此,数字孪生的至少一个元件被认为是有故障的。最后,控制单元设计和设置成,将在确定的故障时间点的模拟的设施状态与在故障时间点的真实设施状态进行比较,并且如果在故障时间点的模拟的设施状态与在故障时间点的真实设施状态一致,则基于数字孪生的至少一个被认为有故障的元件将自动化设施的至少一个故障元件识别为自动化设施中的故障原因,或者如果在故障时间点的模拟的设施状态与在故障时间点的真实设施状态不一致,则再次初始化数字孪生,模拟设施状态并将模拟的设施状态与真实设施状态进行比较,其中,数字孪生的至少一个另外的元件被认为是有故障的。
根据本发明的第三方面,提出一种自动化设施,其包括根据本发明的第二方面的装置。
根据本发明的第一方面的方法可以由根据本发明的第二方面的装置来执行。特别地,根据本发明第一方面的方法可以由根据本发明第二方面的装置的控制单元执行。控制单元可以是数据处理设备,例如计算机(例如服务器、可编程逻辑控制器(SPS)、手持计算机***、袖珍PC设备、移动无线电设备和其他可以处理计算机辅助数据的通信设备、处理器和其他用于数据处理的电子设备)、基于云的***、自动化设施的控制装置等。
结合本发明,术语“连续”被理解为在预定时间点以及尤其在预定时间间隔之后。因此,连续执行的步骤被理解为在特定、预定的时间点或相应地在预定的时间间隔之后执行的步骤。
自动化设施具有数字孪生。数字孪生可以在自动化设施的规划阶段或开发阶段被创建。数字孪生是自动化设施的计算机辅助虚拟模型,代表自动化设施的(最重要)元件,并且可以模拟工厂执行的过程(例如制造过程、程序等)。自动化设施或过程的行为可以通过数字孪生以足够的精度进行模拟(例如,借助虚拟调试的模拟),以使真实设施状态(例如,在生产操作期间,启动阶段,关闭过程等)由模拟的设施状态反映。基于真实的自动化设施的真实设施状态(信号或数据),可以将模拟或数字孪生设置在与真实的自动化设施相同的状态。
执行滚动数据检测,以连续检测真实设施状态。为此,真实设施状态被连续地确定和存储,从而设有检测的真实设施状态的时间序列。每个设施状态由至少一个物理参量来表征。至少一个物理参量例如可以是自动化设施的元件的或自动化设施中的工件/过程项目的温度、压力、力、位置和/或速度和/或加速度、振动、转速等。至少一个物理参量可以由自动化设施中或自动化设施上的至少一个传感器连续检测。至少一个传感器可以是温度传感器、力传感器、加速度传感器、位置传感器、压力传感器等。至少一个传感器可以是多个单独传感器的阵列。
连续地检查检测到的真实设施状态,检查是否在真实的(最新的)设施状态中存在故障。例如,这可以通过将检测的真实设施状态与存储的已知故障进行比较来实现。用户(例如技术人员、工厂工程师等)还可以识别检测到的真实设施状态中的故障。
一旦在检测的真实设施状态之一中检测到故障,就确定并保存故障设施状态发生的时间点。此外,选择没有故障的(过去)检测到的真实设施状态。在此,没有故障的最近的真实设施状态优选地被识别为最近的无故障设施状态。
最近的无故障设施状态可以选择地利用数字孪生验证进行检查,其中,从最近的无故障设施状态(没有故意添加的干扰或假设故障元件)出发,利用数字孪生模拟是否导致其中不存在故障的模拟的设施状态。如果不是这种情况(有故障),则最近的无故障设施状态不合适,因为故障的原因已经存在于最近的无故障设施状态中,而另一个(更早的)真实设施状态可以被选择为最近的无故障设施状态。
然后,利用最近的无故障设施状态初始化数字孪生,使数字孪生处于与无故障真实自动化设施相同的状态,即故障发生前的自动化设施。
在初始化的数字孪生中,现在假设至少一个(虚拟)元件(例如执行器的虚拟映射)有故障或有缺陷。例如,可以假设至少一个元件完全失效或至少一个元件偏离期望的行为。相应地调整或操纵数字孪生,以便在模拟中使用假设有故障的至少一个元件,而不是使用相应的至少一个正常运行的元件。生成的模拟设施状态基于数字孪生的模拟(虚拟执行)过程,该数字孪生具有至少一个在故障时间点前被假设为故障的元件。
从出现最近无故障设施状态的时间点到存储的故障时间点实现利用包括至少一个被假设为有故障的(虚拟)元件的数字孪生进行的模拟。
在使用受操纵的数字孪生(包括至少一个假设有故障的元件)进行模拟之后,将模拟的设施状态与故障时间点的真实设施状态进行比较。如果模拟的设施状态和故障时间点的真实设施状态一致,则可以确定故障的原因。为此,数字孪生的至少一个(虚拟)元件被假设有故障,可以直接识别为导致故障的(真实)自动化设施的至少一个有故障的(真实)元件。因此,故障原因是已知的并且能在真正的自动化设施中进行相应的纠正。
如果模拟设施状态和真实设施状态在故障时间点不一致,则使用最近的无故障设施状态重新初始化数字孪生,并假设数字孪生的至少一个另外的元件有故障。然后如上所述再次执行模拟,并将得到的新模拟设施状态与故障时间点的真实设施状态进行比较。这会反复重复,直到生成的模拟设施状态与故障时间点的真实设施状态匹配。
数字孪生的(虚拟)元件的组合也可以被认为是有故障的。
此外,可以指定终止标准(例如,数字孪生的所有(虚拟)元件曾经被假设为有故障,或者数字孪生的(虚拟)元件的预定义数量的组合被假设为有故障),在达到这些数量时迭代将被中止。
如果假设有故障的元件的组合不能用于重新创建真实实现的设施或故障状态,则在真实的设施中的原因搜索可能仅限于可能无法虚拟映射的过程或设施组件和/或不再能被理解的时间间隔。如果在(迭代)过程结束时,模拟的设施状态与故障时间点的真实设施状态不一致,因此没有找到故障原因,那么至少可以基于之前的过程模拟结果限制在真实的自动化设施上进行的故障搜索。
本发明能够可靠地识别自动化设施中的故障原因,而无需在开发过程中进行额外的建模工作,甚至无需模拟所有可能的故障状态。所描述的方法和相应的装置或自动化设施能够基于自动化设施的数字孪生来自动分析故障情况。基于这种自动分析(如果成功),可以识别一个(或多个)故障的原因,并且可以快速执行自动化设施的相应故障纠正或修复。为此,不需要对故障行为进行复杂且可能仍然不完整的预先建模。
根据本发明的一个改进方案,在步骤d)中,为至少一个被认为有故障的元件认定多个不同故障类型中的一个故障类型。
因此,不仅可以认定数字孪生的(虚拟)元件中的某个故障,而且可以从各种可能的故障类型中选择故障类型并且可以相应地操纵数字孪生。
如果具有至少一个被相应被认为有故障的(虚拟)元件的操纵数字孪生的模拟设施状态与故障时间点的真实设施状态不一致,则在步骤d)中在下一次迭代时也可以认定另一种类型的故障而不是认定另一种(虚拟)元件。
这可以利用数字孪生更精确地模拟(故障)设施状态,从而更可靠地识别故障原因。
根据另一个改进方案,在步骤d)中,为至少一个被认为有故障的元件认定一次性故障、暂时性故障和/或永久性故障。
根据本发明的一个改进方案,在子步骤e1)中,从至少一个识别出的故障元件得出至少一个识别出的故障元件的故障概率和/或自动化设施的故障概率。
得出的故障概率(例如,基于历史故障率、MTBF(平均无故障时间)值等)可用于确定故障场景模拟的优先级。
根据本发明的一个改进方案,在步骤b)中对最近的无故障设施状态的确定包括以下子步骤:
b1)在检测到的真实设施状态中选定临时的最近的无故障设施状态。
b2)利用选定的临时的无故障设施状态来临时初始化数字孪生。
b3)借助临时初始化的数字孪生对设施状态进行临时模拟(2.3),直至确定的故障时间点为止。
b4)检查在临时模拟的设施状态中是否不存在故障,其中,如果在临时模拟的设施状态中存在故障,则再次执行子步骤b1)到子步骤b4)。在此,从检测到的真实设施状态中临时选定较早的真实设施状态,将其作为先前临时选定的设施状态。
因此,可以在检测到的真实设施状态中以特别可靠的方式确定时间上最后的(最近的)真实设施状态,并将其用于初始化数字孪生。
下面参照附图更详细地解释本发明和技术环境。需要指出的是,本发明不应受所示实施例的限制。特别地,除非另有明确说明,还可以提取附图中解释的事实的部分方面并将其与来自本说明书和/或附图的其他组成部分和观点相结合。特别要指出的是,这些图、特别是所示的比例只是示意性的。相同的附图标记表示相同的对象,以便在必要时可以使用其他附图的解释作为补充。
附图说明
图1示出了用于识别自动化设施中的故障原因的方法的示意流程图。
图2示出了具有用于识别自动化设施中的故障原因的装置的自动化设施的示意图。
具体实施方式
图1示意性地示出了用于识别自动化设施中的故障原因的方法。该方法包括以下步骤:a)连续检测1真实设施状态,b)连续检查2,c)初始化3数字孪生,d)模拟4设施状态,以及e)比较5模拟的设施状态。
在连续检测1真实设施状态的步骤a)中,真实设施状态St被连续地(取决于预定时间间隔的到期)检测,即确定和存储。检测到的设施状态St分别都包括物理参量101...103,A01,这些物理参量可以由自动化设施中或自动化设施上的相应传感器测量。
在连续检查2的步骤b)中,检查检测到的真实设施状态St,检查是否在一个(最新的)检测到的真实设施状态St中存在故障。如果是这种情况,则将检测到的包含故障的真实设施状态存在的时间点确定(并缓冲)为故障时间点TF。同样,在检测到的真实设施状态中确定(并缓存)最近的(最新的)无故障设施状态。
在步骤b)中对最近的无故障设施状态的确定包括:子步骤b1)选择2.1临时的最近的无故障设施状态,b2)临时初始化2.2数字孪生,b3)临时模拟2.3设施状态,以及b4)检查2.4。
在选择2.1临时最近的无故障设施状态的子步骤b1)中,从检测到的真实设施状态St中选择临时最近(最新)的无故障设施状态。该临时最近的无故障设施状态用于在临时初始化2.2数字孪生的子步骤b2)中初始化自动化设施的数字孪生。然后,数字孪生在最近或最后一个时间点处于与真实***相同的设施状态,其中在该时间点在真实的自动化设施中仍然没有故障。随后,在临时模拟2.3设施状态的子步骤b3)中,使用初始化的数字孪生模拟(虚拟)的设施状态直到故障时间点TF。在故障时间点TF的临时模拟的设施状态在检查2.4中的步骤b4)中被检查,以确定临时模拟的设施状态是否存在故障。如果是这种情况,则临时最近无故障设施状态实际上对应于最近无故障设施状态并且可以在步骤c)中使用。另一方面,如果在临时模拟的设施状态中(在故障时间点TF)中存在故障,则再次执行子步骤b1)到b4),因为那时故障原因已经存在于最近的无故障设施状态。因此,从检测到的真实设施状态中临时选定较早的真实设施状态作为先前临时选择的设施状态。
在初始化3数字孪生的步骤c)中,现在使用最近的(最新的)无故障设施状态对数字孪生进行初始化,因此将其设置在真实的自动化设施在故障原因出现之前相同的状态。
在模拟4设施状态的步骤d)中,从最近的无故障设施状态的时间点到故障时间点利用初始化的数字孪生进行模拟,并且模拟的设施状态在故障时间点被缓冲。然而,在模拟之前认定数字孪生的至少一个元件有故障。可以为至少一个元件认定几种预定义的故障类型之一。
在比较5模拟的设施状态的步骤e)中,将故障时间点的模拟的设施状态与故障时间点的真实设施状态进行比较。
比较5模拟的设施状态的步骤e)包括:识别5.1至少一个故障元件的子步骤e1)和将步骤c)到e)重复5.2的步骤e2)。
如果故障时间点的模拟的设施状态与故障时间点的真实设施状态一致,则在识别5.1至少一个故障的元件的子步骤e1)中,基于数字孪生的至少一个被认为有故障的元件,将自动化设施的至少一个故障元件识别为自动化设施中的故障原因。在此,也可以从至少一个已识别的故障元件得出至少一个已识别的故障元件的故障概率和/或自动化设施的故障概率。
在将步骤c)到e)重复5.2的子步骤e2)中,如果故障时间点的模拟的设施状态与故障时间点的真实设施状态不一致,则迭代地重复步骤c)到e)。在步骤d)中,认为数字孪生的至少一个另外的元件有故障和/或认为与之前相同的元件具有不同类型的故障。
图2示出了自动化设施10,其具有用于识别自动化设施中的故障原因的装置20。装置20设计用于执行图1的方法。为此,装置20包括至少一个传感器21和控制单元22。
至少一个传感器21连续地检测自动化设施10中或自动化设施10上的至少一个物理参量(例如自动化设施中工件的温度、压力和速度)。
控制单元22与至少一个传感器21通信连接,以使至少一个传感器21可将检测到的至少一个物理参量传送至控制单元22。控制单元22执行图1的方法的步骤a)至e)。
尽管这里已经说明和描述了特定实施例,但是本领域技术人员认识到存在多种替代和/或等效实施方式。应当理解,示例性的设计方案或实施例仅仅是示例并且不旨在以任何方式限制范围、适用性或设计方案。相反,前述概述和详细描述将为本领域技术人员提供用于实施至少一个优选实施例的充分说明,其中应当理解的是,示例性实施例中描述的元件的功能和布置的各种改变可能不会改变从在所附权利要求及其法律等效物中阐述的范围扩展。一般而言,本申请旨在涵盖本文所讨论的特定实施例的任何修改或变化。
在前述详细描述中,在一个或多个示例中将各种特征组合在一起以保持公开的简洁。应当理解,以上描述用于说明而非限制性的。它旨在涵盖所有可能包括在本发明范围内的替代、修改和等效物。在研究上述公开内容后,许多其他示例对于本领域技术人员将变得显而易见。
为了提供对本发明的透彻理解,将采用在前述公开中使用的特定命名法。然而,对于本领域技术人员来说,根据本文所包含的说明书显而易见的是,为了实践本发明不需要特定细节。因此,出于说明和描述的目的,呈现本发明的特定实施例的前述描述。它们并非旨在详尽无遗或将本发明限制为上述公开的精确形式;显然,根据上述教导,许多修改和变化都是可能的。选择和描述实施例是为了最好地解释本发明的原理及其实际应用,从而使本领域的其他技术人员能够最好地利用本发明,并且具有被认为适用于特定用途的各种修改的各种实施例适用性。在整个说明书中,术语“包含”和“在…中”分别用作术语“包括”和“其中”的等同物。此外,术语“第一”、“第二”、“第三”等仅用作标签,并不旨在对对象或任何特定对象施加数字要求以指定排名。在本说明书和权利要求的上下文中,组合“或”应理解为包括(“和/或”)而不是排他性的(“或者……或者”)。
Claims (8)
1.一种用于识别自动化设施中的故障原因的方法,所述方法包括以下步骤:
a)连续检测(1)自动化设施(10)的真实设施状态,其中,所述真实设施状态包括所述自动化设施的至少一个物理参量;
b)连续检查(2)在检测到的所述真实设施状态中是否存在故障,如果在检测到的所述真实设施状态中存在故障,则确定检测到的所述真实设施状态中最近的无故障设施状态和故障时间点;
c)利用确定的所述最近的无故障设施状态来初始化(3)所述自动化设施的数字孪生;
d)借助初始化的所述数字孪生来模拟(4)设施状态,直至确定的所述故障时间点为止,其中,所述数字孪生的至少一个元件被认为是有故障的;以及
e)将在确定的所述故障时间点的模拟的设施状态与在所述故障时间点的真实设施状态进行比较(5),以及
e1)如果在所述故障时间点的模拟的设施状态与在所述故障时间点的真实设施状态一致,则基于所述数字孪生的至少一个被认为有故障的元件将所述自动化设施的至少一个故障元件识别(5.1)为所述自动化设施中的故障原因,或者
e2)如果在所述故障时间点的模拟的设施状态与在所述故障时间点的真实设施状态不一致,则将步骤c)到步骤e)重复5.2,其中,在步骤d)中认为所述数字孪生的至少一个另外的元件是有故障的。
2.根据权利要求1所述的方法,其中,在步骤d)中,为至少一个被认为有故障的元件认定多个不同故障类型中的一个故障类型。
3.根据权利要求2所述的方法,其中,在步骤d)中,为至少一个被认为有故障的元件认定一次性故障、暂时性故障和/或永久性故障。
4.根据前述权利要求中任一项所述的方法,其中,在子步骤e1)中,从至少一个识别出的所述故障元件推导出至少一个识别出的所述故障元件的故障概率和/或所述自动化设施的故障概率。
5.根据前述权利要求中任一项所述的方法,其中,在步骤b)中对最近的无故障设施状态的确定包括以下子步骤:
b1)在检测到的所述真实设施状态中选定(2.1)临时的最近的无故障设施状态;
b2)利用选定的临时的无故障设施状态来临时初始化(2.2)所述数字孪生;
b3)借助临时初始化的所述数字孪生来临时模拟(2.3)设施状态,直至确定的所述故障时间点为止;并且
b4)检查(2.4)在临时模拟的设施状态中是否不存在故障,其中,如果在所述临时模拟的设施状态中存在故障,则重新执行子步骤b1)到子步骤b4),其中,将检测到的真实设施状态中的较早的真实设施状态临时选定为先前临时选定的设施状态。
6.一种用于识别自动化设施中的故障原因的装置(20),所述装置包括:
-至少一个传感器(21),所述至少一个传感器设计用于连续检测所述自动化设施的至少一个物理参量;和
-控制单元(22),所述控制单元与所述至少一个传感器(11)通信连接,其中,所述控制单元(22)设计用于执行根据权利要求1所述的方法,其中,所述控制单元(22)设计和设置成:
-连续检测所述自动化设施(10)的真实设施状态,其中,所述真实设施状态包括由所述至少一个传感器检测到的至少一个物理参量;
-连续检查在检测到的所述真实设施状态中是否存在故障,如果在检测到的所述真实设施状态中存在故障,则确定检测到的所述真实设施状态中最近的无故障设施状态和故障时间点;
-利用确定的所述最近的无故障设施状态来初始化所述自动化设施(10)的数字孪生;
-借助初始化的所述数字孪生来模拟设施状态,直到确定的所述故障时间点为止,其中,所述数字孪生的至少一个元件被认为是有故障的;以及
-将在确定的所述故障时间点的模拟的设施状态与在所述故障时间点的真实设施状态进行比较,并且:
-如果在所述故障时间点的模拟的设施状态与在所述故障时间点的真实设施状态一致,则基于所述数字孪生的至少一个被认为有故障的元件将所述自动化设施(10)的至少一个故障元件识别为所述自动化设施中的故障原因,或者
-如果在所述故障时间点的模拟的设施状态与在所述故障时间点的真实设施状态不一致,则重新初始化所述数字孪生、模拟设施状态并且将模拟的设施状态与所述真实设施状态进行比较,其中,所述数字孪生的至少一个另外的元件被认为是有故障的。
7.根据权利要求7所述的装置(20),其中,所述控制单元(22)设计用于执行根据权利要求2至5中任一项所述的方法。
8.一种自动化设施(10),包括根据权利要求6或7所述的装置(20)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19194048.5 | 2019-08-28 | ||
EP19194048.5A EP3786746A1 (de) | 2019-08-28 | 2019-08-28 | Effiziente fehleranalyse durch simulierten fehler in einem digitalen zwilling |
PCT/EP2020/071896 WO2021037498A1 (de) | 2019-08-28 | 2020-08-04 | Effiziente fehleranalyse durch simulierten fehler in einem digitalen zwilling |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114341814A true CN114341814A (zh) | 2022-04-12 |
Family
ID=67810379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080060600.0A Pending CN114341814A (zh) | 2019-08-28 | 2020-08-04 | 通过数字孪生中模拟故障进行有效的故障分析 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11567489B2 (zh) |
EP (2) | EP3786746A1 (zh) |
CN (1) | CN114341814A (zh) |
WO (1) | WO2021037498A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11393175B2 (en) | 2020-02-06 | 2022-07-19 | Network Documentation & Implementation Inc. | Methods and systems for digital twin augmented reality replication of non-homogeneous elements in integrated environments |
EP4220460A1 (de) * | 2022-01-31 | 2023-08-02 | Siemens Aktiengesellschaft | Bestimmung einer störungsursache einer störung im betrieb eines cyber-physischen systems |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160258845A1 (en) * | 2015-03-02 | 2016-09-08 | Ca, Inc. | Self-learning simulation environments |
CN108919765A (zh) * | 2018-07-20 | 2018-11-30 | 王德权 | 一种基于数字孪生的智能制造工厂虚拟调试和虚拟监控方法及方法 |
CN109779894A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 一种基于神经网络算法的往复式压缩机故障诊断***及方法 |
CN110083119A (zh) * | 2019-05-08 | 2019-08-02 | 国网江苏省电力有限公司信息通信分公司 | 一种基于数字孪生的可视化电力***机房监控***和方法 |
-
2019
- 2019-08-28 EP EP19194048.5A patent/EP3786746A1/de not_active Withdrawn
-
2020
- 2020-08-04 CN CN202080060600.0A patent/CN114341814A/zh active Pending
- 2020-08-04 US US17/638,622 patent/US11567489B2/en active Active
- 2020-08-04 WO PCT/EP2020/071896 patent/WO2021037498A1/de active Search and Examination
- 2020-08-04 EP EP20761519.6A patent/EP3987373B1/de active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160258845A1 (en) * | 2015-03-02 | 2016-09-08 | Ca, Inc. | Self-learning simulation environments |
CN108919765A (zh) * | 2018-07-20 | 2018-11-30 | 王德权 | 一种基于数字孪生的智能制造工厂虚拟调试和虚拟监控方法及方法 |
CN109779894A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 一种基于神经网络算法的往复式压缩机故障诊断***及方法 |
CN110083119A (zh) * | 2019-05-08 | 2019-08-02 | 国网江苏省电力有限公司信息通信分公司 | 一种基于数字孪生的可视化电力***机房监控***和方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3786746A1 (de) | 2021-03-03 |
WO2021037498A9 (de) | 2021-04-22 |
US20220291674A1 (en) | 2022-09-15 |
EP3987373A1 (de) | 2022-04-27 |
US11567489B2 (en) | 2023-01-31 |
WO2021037498A1 (de) | 2021-03-04 |
EP3987373B1 (de) | 2023-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6956028B2 (ja) | 故障診断装置及び機械学習装置 | |
JP7320368B2 (ja) | 故障予測装置、故障予測方法およびコンピュータプログラム | |
CN109791516B (zh) | 用于在具有自x特性的自主***中使用的监测和控制单元 | |
US7433801B2 (en) | Identifying and visualizing faults in PLC-based manufacturing systems | |
WO2014117967A1 (en) | Method and apparatus for deriving diagnostic data about a technical system | |
CN114341814A (zh) | 通过数字孪生中模拟故障进行有效的故障分析 | |
CN110673515A (zh) | 对工业设施的监控 | |
CN111061581B (zh) | 一种故障检测方法、装置及设备 | |
US7698245B2 (en) | Applying rules to validating data for a machine arrangement | |
CN111552263B (zh) | 用于检查工业设施的方法、计算机可读存储介质和*** | |
CN112639645A (zh) | 用于定位传感器的方法、设备和定位*** | |
CN111044826B (zh) | 检测方法及检测*** | |
JP7026012B2 (ja) | 機器状態監視システム及び機器状態監視方法 | |
CN113924532A (zh) | 用于监测驱动器的状况的方法和*** | |
WO2016103229A1 (en) | A method for verifying a safety logic in an industrial process | |
Maier et al. | Automated generation of timing models in distributed production plants | |
Kolisnyk et al. | Markov model for availability assessment of PLC in Industrial IoT considering subsystems failures | |
CN117387925B (zh) | 一种阻尼器性能连续测试方法及*** | |
US20240078465A1 (en) | Training of machine learning models with hardware-in-the-loop simulations | |
EP4286966A1 (en) | Analyzing input data of a respective device and/or controlling the respective device method and system | |
Liu et al. | Functional safety certification: Practice and issues | |
Mourtzis et al. | Check for updates A Conceptual Framework for the Improvement of Robotic System Reliability Through Industry 4.0 | |
CN116490933A (zh) | 使用神经网络模型跟踪异常状态判断依据的装置和方法 | |
Rivera et al. | A Software Based Self-Recovering Robotic System Architecture Using ROS | |
Oveisi et al. | Software Validation Using Markov Chain Method and State Transition Diagram |
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 |