DE102018210520B3 - Verfahren und System zur Diagnose eines Maschinenprozesses - Google Patents

Verfahren und System zur Diagnose eines Maschinenprozesses Download PDF

Info

Publication number
DE102018210520B3
DE102018210520B3 DE102018210520.0A DE102018210520A DE102018210520B3 DE 102018210520 B3 DE102018210520 B3 DE 102018210520B3 DE 102018210520 A DE102018210520 A DE 102018210520A DE 102018210520 B3 DE102018210520 B3 DE 102018210520B3
Authority
DE
Germany
Prior art keywords
input data
machine
machine process
state
trained
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.)
Active
Application number
DE102018210520.0A
Other languages
English (en)
Inventor
Manuel Kaspar
Jürgen Bock
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.)
KUKA Deutschland GmbH
Original Assignee
KUKA Deutschland GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by KUKA Deutschland GmbH filed Critical KUKA Deutschland GmbH
Priority to DE102018210520.0A priority Critical patent/DE102018210520B3/de
Priority to EP19731709.2A priority patent/EP3814070A1/de
Priority to CN201980043573.3A priority patent/CN112351868A/zh
Priority to KR1020217000823A priority patent/KR20210025048A/ko
Priority to PCT/EP2019/065845 priority patent/WO2020002021A1/de
Application granted granted Critical
Publication of DE102018210520B3 publication Critical patent/DE102018210520B3/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • 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
    • G05B2219/33—Director till display
    • G05B2219/33296—ANN for diagnostic, monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • General Physics & Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Debugging And Monitoring (AREA)

Abstract

Ein erfindungsgemäßes Verfahren zur Klassifikation von Eingangsdaten (XD) eines Maschinenprozesses, insbesondere einer Maschine (1), umfasst die Schritte:
- Generieren (S20) von fiktiven Eingangsdaten (F) eines ersten Maschinenprozesses, der einen zweiten Zustand aufweist, auf Basis erfasster erster Eingangsdaten (X1) dieses Maschinenprozesses, der einen ersten Zustand aufweist, mittels maschinellem Lernen;
- Trainieren (S30) eines Klassifikationsverfahrens (K) auf Basis der fiktiven und ersten Eingangsdaten; und
- Klassifizieren (S50) von Diagnose-Eingangsdaten (XD) des ersten und/oder wenigstens eines zweiten Maschinenprozesses mithilfe des trainierten Klassifikationsverfahrens.

Description

  • Die vorliegende Erfindung betrifft ein Verfahren und System zur Klassifikation von Eingangsdaten eines Maschinenprozesses, ein Verfahren und System zur Diagnose eines Maschinenprozesses mithilfe einer solchen Klassifikation sowie ein Computerprogrammprodukt zur Durchführung eines hier beschriebenen Verfahrens.
  • Die Klassifikation von Eingangsdaten eines Maschinenprozesses, beispielsweise eines arbeitenden Roboters oder dergleichen, kann eine Diagnose des Prozesses, zum Beispiel des Roboters, insbesondere dessen Überwachung, Qualitätssicherung und/oder einer vorausschauenden Wartung („predictive maintanance“) verbessern.
  • So ist aus der DE 44 47 288 A1 ein Maschinenfehlerdiagnosesystem und -verfahren bekannt, bei dem Maschinenzustände mithilfe eines neuronalen Netzwerkes diagnostiziert werden.
  • Aufgabe der vorliegenden Erfindung ist es, eine Klassifikation von Eingangsdaten eines Maschinenprozesses, insbesondere eine Diagnose eines Maschinenprozesses, zu verbessern.
  • Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruchs 1 bzw. 5 gelöst. Ansprüche 7, 8 stellen ein System bzw. Computerprogrammprodukt zur Durchführung eines hier beschriebenen Verfahrens unter Schutz. Die Unteransprüche betreffen vorteilhafte Weiterbildungen.
  • Nach einer Ausführung der vorliegenden Erfindung weist ein Verfahren zur Klassifikation von ein- oder mehrdimensionalen Eingangsdaten eines Maschinenprozesses, insbesondere wenigstens einer Maschine, in einer Ausführung wenigstens eines Roboters, die Schritte auf:
    • - Generieren von fiktiven Eingangsdaten eines ersten Maschinenprozesses, insbesondere wenigstens einer ersten Maschine, in einer Ausführung wenigstens eines ersten Roboters, der bzw. die einen zweiten Zustand aufweist, auf Basis erfasster erster Eingangsdaten dieses Maschinenprozesses bzw. dieser Maschine, der bzw. die einen ersten Zustand aufweist, mittels maschinellem Lernen;
    • - Trainieren eines Klassifikationsverfahrens auf Basis der (generierten) fiktiven und (erfassten) ersten Eingangsdaten; und
    • - Klassifizieren von Diagnose-Eingangsdaten des ersten und/oder wenigstens eines, insbesondere typgleichen oder typunterschiedlichen, zweiten Maschinenprozesses, insbesondere der ersten und/oder wenigstens einer zweiten Maschine, insbesondere gleichen oder unterschiedlichen Typs, in einer Ausführung des ersten und/oder wenigstens eines, insbesondere typgleichen oder typunterschiedlichen, zweiten Roboters, mithilfe des trainierten Klassifikationsverfahrens.
  • Durch ein trainiertes Klassifikationsverfahren kann in einer Ausführung das Klassifizieren von Diagnose-Eingangsdaten verbessert, insbesondere schneller, zuverlässiger und/oder präziser durchgeführt werden.
  • Durch das Generieren von fiktiven, zusätzlichen Eingangsdaten für einen zweiten Zustand eines Maschinenprozesses kann wiederum das Trainieren des Klassifikationsverfahrens verbessert werden, insbesondere das auf Basis dieser zusätzlich(generierten fiktiven Eingangsdaten trainierte Klassifikationsverfahren Diagnose-Eingangsdaten schneller, zuverlässiger und/oder präziser klassifizieren.
  • Bei Maschinenprozessen stehen in der Regel viele Eingangsdaten für einen fehlerfreien Zustand des Maschinenprozesses zur Verfügung, jedoch nur wenige(r) Eingangsdaten für einen fehlerhaften Zustand, da der Maschinenprozess einen solchen (möglichst) selten(er) aufweist.
  • Dies erschwert das (erfolgreiche) Trainieren von Klassifikationsverfahren, da hierzu häufig eine größere Anzahl (auch) von negativen Beispielen, vorzugsweise eine etwa gleich große Anzahl von positiven und negativen Beispielen vorteilhaft bzw. notwendig ist.
  • Durch das Generieren von fiktiven Eingangsdaten für einen zweiten Zustand eines Maschinenprozesses kann somit in einer Ausführung das Trainieren eines Klassifikationsverfahrens auf Basis erfasster Eingangsdaten für einen fehlerfreien ersten Zustand und der zusätzlichen fiktiven Eingangsdaten für einen zweiten fehlerhaften Zustand verbessert werden.
  • Entsprechend ist in einer Ausführung der erste Zustand ein fehlerfreier bzw. Gut- bzw. I(n)O(rdnung)-Zustand des (jeweiligen) Maschinenprozesses, insbesondere einer oder mehrerer seiner Komponenten, insbesondere Maschinen, und der zweite Zustand ein fehlerhafter bzw. Schlecht- bzw. N(icht)I(n)O(rdnung)-Zustand dieses Maschinenprozesses bzw. seiner Komponente(n) bzw. Maschine(n), ohne dass die vorliegende Erfindung hierauf beschränkt ist.
  • Ein Maschinenprozess im Sinne der vorliegenden Erfindung kann in einer Ausführung einen, in einer Ausführung industriellen, Arbeitsprozess einer oder mehrerer Maschinen, insbesondere Roboter, umfassen, insbesondere ein solcher sein.
  • Entsprechend können Eingangsdaten, insbesondere also (generierte) fiktive Eingangsdaten, (erfasste) erste Eingangsdaten, (zu klassifizierenden bzw. klassifizierten) Diagnose-Eingangsdaten und/oder nachfolgend genannte (erfasste) zweite Eingangsdaten, Betriebsparameter(werte) einer oder mehrerer Maschinen, insbesondere eines oder mehrerer Roboter, aufweisen, insbesondere sein.
  • In einer Ausführung können diese Betriebsparameter Schwingungsdaten, Temperaturdaten, Kraftdaten und/oder Strom- bzw. Spannungsdaten der Maschine(n) aufweisen, insbesondere sein, bzw. von Schwingungen der Maschine(n), Temperaturen der Maschine(n), insbesondere von Antrieben, Getrieben, Fluiden der Maschine(n) oder dergleichen, Kräften, insbesondere an Antrieben, Getrieben und/oder Werkzeugen der Maschine(n) oder dergleichen, und/oder Strom- bzw. Spannungsdaten der Maschine(n), insbesondere von Antrieben der Maschine(n) oder dergleichen, abhängen.
  • Mit solchen Eingangsdaten können Maschinenprozesse, insbesondere -zustände, in einer Ausführung besonders vorteilhaft, insbesondere schnell(er), zuverlässig(er) und/oder präzise(r) beurteilt und/oder prognostiziert werden.
  • Wenn in einer Ausführung Diagnose-Eingangsdaten desjenigen Maschinenprozesses (mithilfe eines trainierten Klassifikationsverfahrens) klassifiziert werden, mit dessen ersten Eingangsdaten auch die fiktiven Eingangsdaten generiert und/oder das Klassifikationsverfahren trainiert wird bzw. worden ist, können diese Diagnose-Eingangsdaten in einer Ausführung besonders vorteilhaft, insbesondere schnell(er), zuverlässig(er) und/oder präzise(r) beurteilt und/oder prognostiziert werden.
  • Wenn in einer anderen Ausführung Diagnose-Eingangsdaten eines Maschinenprozesses mithilfe eines trainierten Klassifikationsverfahrens klassifiziert werden, das seinerseits jedoch mit ersten Eingangsdaten eines anderen Maschinenprozesses und fiktiven Eingangsdaten trainiert wird bzw. worden ist, die auf Basis erster Eingangsdaten des anderen Maschinenprozesses generiert werden bzw. worden sind, können in einer Ausführung auch Diagnose-Eingangsdaten von Maschinenprozessen klassifiziert werden, für die erste Eingangsdaten zu Trainingszwecken schwer(er) oder gar nicht zu beschaffen und/oder qualitativ und/oder quantitativ schlecht(er), beispielsweise verrauscht(er) und/oder nur in geringer(er) Anzahl vorliegen.
  • Das Klassifikationsverfahren kann in einer Ausführung ein Klassifikationsverfahren bzw. einen Klassifikator des maschinellen Lernens, insbesondere des überwachten Lernens („supervised learning“) aufweisen, insbesondere sein. Es bildet in einer Ausführung (Diagnose-)Eingangsdaten auf Ausgangsdaten bzw. Klassen ab bzw. ordnet (Diagnose-)Eingangsdaten Ausgangsdaten bzw. Klassen zu, wobei die Abbildung bzw. Zuordnung in einer Ausführung auf Basis von (Diagnose-)Eingangsdaten und hierfür vorgegebenen Ausgangsdaten bzw. Klassen angepasst bzw. trainiert wird, um eine möglichst gute Übereinstimmung zwischen den vorgegebenen und den vom Klassifikationsverfahren ermittelten Ausgangsdaten bzw. Klassen zu erreichen, bzw. ist hierzu eingerichtet bzw. wird hierzu verwendet.
  • In einer Ausführung werden die fiktiven Eingangsdaten mithilfe eines Netzwerks mit erzeugenden gegnerischen Subnetzwerken („Generative Adversarial Network“, GAN) generiert. Solche GANs sind beispielsweise in Goodfellow, Yoshua Bengio, et al.: Deep Learning (Adaptive Computation and Machine Learning), MIT Press, Cambridge (USA), 2016. ISBN 978-0262035613 beschrieben.
  • Dabei führen in einer Ausführung die beiden künstlichen neuronalen Subnetzwerke ein Nullsummenspiel durch, wobei ein Subnetzwerk bzw. Generator Kandidaten nach einem generativen Modell erstellt und das andere neuronale Subnetzwerk bzw. ein Diskriminator die Kandidaten nach einem diskriminierenden Modell bewertet und das eine Subnetzwerk bzw. der Generator versucht, das andere neuronale Subnetzwerk bzw. den Diskriminator zu einer schlechten Antwort zu bringen bzw. möglichst realistische Werte zu generieren, während das andere neuronale Subnetzwerk bzw. der Diskriminator lernt, als „schlecht“ definierte Ergebnisse zu vermeiden bzw. versucht herauszufinden, ob es sich um einen echten, oder einen gefakten Datenpunkt handelt. In einer Ausführung wird ein sogenanntes Conditional GAN verwendet, bei dem der Generator in einer Ausführung zunächst über einen Datenpunkt aus der Ursprungsdomäne konditioniert wird, so dass er schließlich einen Style-Transfer vornehmen kann.
  • Hierdurch kann das Generieren von fiktiven, zusätzlichen Eingangsdaten verbessert, insbesondere schnell(er), zuverlässig(er) und/oder präzise(r) durchgeführt werden.
  • In einer Ausführung wird dieses Netzwerk bzw. GAN
    • - auf Basis erfasster erster Eingangsdaten
      • - des ersten Maschinenprozesses, der den ersten Zustand aufweist, und/oder
      • - eines weiteren Maschinenprozesses, der den ersten Zustand aufweist, insbesondere des zweiten oder eines hiervon verschiedenen, insbesondere typgleichen oder typunterschiedlichen, Maschinenprozesses, der den ersten Zustand aufweist,
      und/oder
    • - auf Basis erfasster zweiter Eingangsdaten
      • - dieses Maschinenprozesses, der den zweiten Zustand aufweist, trainiert, insbesondere also
    • - auf Basis erfasster erster Eingangsdaten des ersten Maschinenprozesses, insbesondere der ersten Maschine, der bzw. die den ersten Zustand aufweist, und/oder erfasster zweiter Eingangsdaten des ersten Maschinenprozesses, insbesondere der ersten Maschine, der bzw. die den zweiten Zustand aufweist; und/oder
    • - auf Basis erfasster erster Eingangsdaten des zweiten Maschinenprozesses, insbesondere der zweiten Maschine, der bzw. die den ersten Zustand aufweist, und/oder erfasster zweiter Eingangsdaten des zweiten Maschinenprozesses, insbesondere der zweiten Maschine, der bzw. die den zweiten Zustand aufweist; und/oder
    • - auf Basis erfasster erster Eingangsdaten eines weiteren, vom ersten und gegebenenfalls zweiten Maschinenprozess verschiedenen (dritten) Maschinenprozesses, insbesondere wenigstens einer dritten Maschine, der bzw. die den ersten Zustand aufweist, und/oder erfasster zweiter Eingangsdaten dieses weiteren Maschinenprozesses, insbesondere wenigstens einer dritten Maschine, der bzw. die den zweiten Zustand aufweist.
  • Zusätzlich oder alternativ wird in einer Ausführung das Klassifikationsverfahren
    • - auf Basis erfasster erster Eingangsdaten
      • - des ersten Maschinenprozesses, der den ersten Zustand aufweist, und/oder
      • - eines weiteren Maschinenprozesses, der den ersten Zustand aufweist, insbesondere des zweiten oder eines hiervon verschiedenen, insbesondere typgleichen oder typunterschiedlichen, Maschinenprozesses, der den ersten Zustand aufweist,
      und/oder
    • - auf Basis erfasster zweiter Eingangsdaten
      • - dieses Maschinenprozesses, der den zweiten Zustand aufweist,
      trainiert, insbesondere also
    • - auf Basis erfasster erster Eingangsdaten des ersten Maschinenprozesses, insbesondere der ersten Maschine, der bzw. die den ersten Zustand aufweist, und/oder erfasster zweiter Eingangsdaten des ersten Maschinenprozesses, insbesondere der ersten Maschine, der bzw. die den zweiten Zustand aufweist; und/oder
    • - auf Basis erfasster erster Eingangsdaten des zweiten Maschinenprozesses, insbesondere der zweiten Maschine, der bzw. die den ersten Zustand aufweist, und/oder erfasster zweiter Eingangsdaten des zweiten Maschinenprozesses, insbesondere der zweiten Maschine, der bzw. die den zweiten Zustand aufweist; und/oder
    • - auf Basis erfasster erster Eingangsdaten eines weiteren, vom ersten und gegebenenfalls zweiten Maschinenprozess verschiedenen (dritten) Maschinenprozesses, insbesondere wenigstens einer dritten Maschine, der bzw. die den ersten Zustand aufweist, und/oder erfasster zweiter Eingangsdaten dieses weiteren Maschinenprozesses, insbesondere wenigstens einer dritten Maschine, der bzw. die den zweiten Zustand aufweist.
  • Somit werden in einer Ausführung das Netzwerk mit erzeugenden gegnerischen Subnetzwerken bzw. GAN und das Klassifikationsverfahren mit Eingangsdaten desselben Maschinenprozesses trainiert.
  • Zusätzlich oder alternativ werden in einer Ausführung (Diagnose-)Eingangsdaten desjenigen Maschinenprozesses mithilfe desjenigen Klassifikationsverfahrens klassifiziert, mit dessen Daten auch das Klassifikationsverfahren und/oder das Netzwerk bzw. GAN trainiert wird bzw. worden ist.
  • Zusätzlich oder alternativ werden in einer Ausführung fiktive Eingangsdaten auf Basis erfasster erster Eingangsdaten desjenigen Maschinenprozesses generiert, auf dessen Basis (von dessen erfassten ersten Eingangsdaten) das Netzwerk mit erzeugenden gegnerischen Subnetzwerken bzw. GAN trainiert wird bzw. worden ist.
  • Hierdurch können das Netzwerk mit erzeugenden gegnerischen Subnetzwerken bzw. GAN bzw. das Klassifikationsverfahren in einer Ausführung optimal an den spezifischen Maschinenprozess angepasst werden.
  • In einer anderen Ausführung werden hingegen das Netzwerk mit erzeugenden gegnerischen Subnetzwerken bzw. GAN und das Klassifikationsverfahren mit Eingangsdaten verschiedener Maschinenprozesse trainiert.
  • Zusätzlich oder alternativ werden in einer Ausführung (Diagnose-)Eingangsdaten eines Maschinenprozesses mithilfe eines Klassifikationsverfahrens klassifiziert, wobei das Klassifikationsverfahren und/oder das Netzwerk bzw. GAN mit Eingangsdaten eines anderen Maschinenprozesses trainiert wird bzw. worden ist.
  • Zusätzlich oder alternativ werden in einer Ausführung fiktive Eingangsdaten auf Basis erfasster erster Eingangsdaten generiert, wobei das Netzwerk mit erzeugenden gegnerischen Subnetzwerken bzw. GAN mit erfassten ersten Eingangsdaten eines anderen Maschinenprozesses trainiert wird bzw. worden ist.
  • Hierdurch können in einer Ausführung auch Diagnose-Eingangsdaten von Maschinenprozessen klassifiziert werden, für die erste Eingangsdaten zu Trainingszwecken schwer(er) oder gar nicht zu beschaffen und/oder qualitativ und/oder quantitativ schlecht(er), beispielsweise verrauscht(er) und/oder nur in geringer(er) Anzahl vorliegen.
  • Zusätzlich oder alternativ werden in einer Ausführung den (generierten) fiktiven Eingangsdaten zusätzlich (erfasste) zweite Eingangsdaten hinzugefügt bzw. beigemischt.
  • Hierdurch kann in einer Ausführung die Datenbasis für den zweiten Zustand (weiter) verbessert und/oder vergrößert und dadurch das Trainieren des Klassifikationsverfahrens verbessert werden, insbesondere das auf Basis dieser zusätzlichen (erfassten) zweiten Eingangsdaten trainierte Klassifikationsverfahren Diagnose-Eingangsdaten schneller, zuverlässiger und/oder präziser klassifizieren.
  • Zusätzlich oder alternativ wird in einer Ausführung das Netzwerk mit erzeugenden gegnerischen Subnetzwerken bzw. GAN auf Basis erfasster zweiter Eingangsdaten trainiert.
  • Hierdurch kann das Trainieren des Netzwerks bzw. GAN verbessert werden, insbesondere das auf Basis dieser zusätzlichen (erfassten) zweiten Eingangsdaten trainierte Netzwerk bzw. GAN fiktive zweite Eingangsdaten schneller, zuverlässiger und/oder präziser generieren.
  • In einer Ausführung weicht die Anzahl der ersten Eingangsdaten bzw. Beispielen, mit denen das Klassifikationsverfahren trainiert wird, um höchstens 50%, insbesondere höchstens 35%, in einer Ausführung höchstens 25%, insbesondere höchstens 10%, von der Anzahl der fiktiven Eingangsdaten oder der Summe der fiktiven und der zweiten Eingangsdaten, mit denen das Klassifikationsverfahren trainiert wird, ab.
  • Hierdurch kann in einer Ausführung das Klassifikationsverfahrens besonders vorteilhaft trainiert werden, insbesondere das auf Basis dieser zusätzlich( generierten fiktiven Eingangsdaten trainierte Klassifikationsverfahren Diagnose-Eingangsdaten schneller, zuverlässiger und/oder präziser klassifizieren.
  • In einer Ausführung wird der erste Maschinenprozess, der zweite Maschinenprozess und/oder der weitere bzw. dritte Maschinenprozess, insbesondere eine oder mehrere seiner Komponenten, insbesondere Maschinen, gezielt von dem ersten in den zweiten Zustand überführt, um zweite Eingangsdaten zu erfassen, die in einer Ausführung zum Trainieren des Klassifikationsverfahrens und/oder des Netzwerks mit erzeugenden gegnerischen Subnetzwerken bzw. GAN verwendet werden, insbesondere, indem gezielt wenigstens eine fehlerhafte Komponente verwendet, insbesondere eingebaut bzw. genutzt, wird.
  • Hierdurch kann in einer Ausführung die Datenbasis für den zweiten Zustand (weiter) verbessert und/oder vergrößert und dadurch das Trainieren des Klassifikationsverfahrens bzw. Netzwerks bzw. GAN verbessert werden, insbesondere das Klassifikationsverfahren Diagnose-Eingangsdaten schneller, zuverlässiger und/oder präziser klassifizieren.
  • Eine erfindungsgemäße Klassifikation von Diagnose-Eingangsdaten eines Maschinenprozesses kann mit besonderem Vorteil zur Diagnose des Maschinenprozesses verwendet werden, ohne dass die vorliegende Erfindung hierauf beschränkt ist. Vielmehr kann die Klassifikation in einer Ausführung auch zum Steuern des Maschinenprozesses, insbesondere einer oder mehrerer seiner Komponenten, insbesondere Maschinen oder auch zu anderen Zwecken verwendet werden.
  • Nach einer Ausführung der vorliegenden Erfindung weist ein Verfahren zur Diagnose eines Maschinenprozesses die Schritte:
    • - Erfassen von Diagnose-Eingangsdaten des Maschinenprozesses;
    • - Klassifizieren dieser Diagnose-Eingangsdaten mithilfe des trainierten Klassifikationsverfahrens in einer hier beschriebenen Weise; und
    • - Bewerten des Maschinenprozesses auf Basis dieser Klassifizierung.
  • Eine Diagnose bzw. ein Bewerten eines Maschinenprozesses kann in einer Ausführung ein Überwachen und/oder eine Prognose (eines Zustands und/oder Arbeitsergebnisses) des Maschinenprozesses, insbesondere einer oder mehrerer seiner Komponenten, insbesondere Maschinen, umfassen, insbesondere sein. In einer Ausführung wird auf Basis der Diagnose bzw. des bewerteten Maschinenprozesses eine, insbesondere prospektive, Wartung(s-) bzw. Instandhaltung(sstrategie) des Maschinenprozesses, insbesondere einer oder mehrerer seiner Komponenten, insbesondere Maschinen, geplant („predictive Maintenance“), was eine besonders vorteilhafte Anwendung der vorliegenden Erfindung darstellen kann. Zusätzlich oder alternativ können in einer Ausführung Arbeitsergebnisse des Maschinenprozesses auf Basis der Diagnose bzw. des bewerteten Maschinenprozesses unterschiedlich gehandhabt, beispielsweise Ausschuss aussortiert oder einer Nachbearbeitung zugeführt werden (Qualitätssicherung).
  • Nach einer Ausführung der vorliegenden Erfindung ist ein System, insbesondere hard- und/oder software-, insbesondere programmtechnisch, zur Durchführung eines hier beschriebenen Verfahrens eingerichtet und/oder weist auf:
    • - Mittel zum Generieren von fiktiven Eingangsdaten eines ersten Maschinenprozesses, insbesondere wenigstens einer ersten Maschine, in einer Ausführung wenigstens eines ersten Roboters, der bzw. die einen zweiten Zustand aufweist, auf Basis erfasster erster Eingangsdaten dieses Maschinenprozesses bzw. dieser Maschine, der bzw. die einen ersten Zustand aufweist, mittels maschinellem Lernen;
    • - Mittel zum Trainieren eines Klassifikationsverfahrens auf Basis der (generierten) fiktiven und (erfassten) ersten Eingangsdaten; und
    • - Mittel zum Klassifizieren von Diagnose-Eingangsdaten des ersten und/oder wenigstens eines, insbesondere typgleichen oder typunterschiedlichen, zweiten Maschinenprozesses, insbesondere der ersten und/oder wenigstens einer, insbesondere typgleichen oder typunterschiedlichen, zweiten Maschine, in einer Ausführung des ersten und/oder wenigstens eines, insbesondere typgleichen oder typunterschiedlichen, zweiten Roboters, mithilfe des trainierten Klassifikationsverfahrens.
  • In einer Ausführung weist das System bzw. sein(e) Mittel auf:
    • Mittel zum Generieren der fiktiven Eingangsdaten mithilfe eines Netzwerks mit erzeugenden gegnerischen Subnetzwerken; und/oder
    • Mittel zum Trainieren des Netzwerks und/oder des Klassifikationsverfahrens auf Basis erfasster erster Eingangsdaten des ersten und/oder eines weiteren, insbesondere des zweiten oder eines hiervon verschiedenen, Maschinenprozesses, der den ersten Zustand aufweist, und/oder erfasster zweiter Eingangsdaten dieses Maschinenprozesses, der den zweiten Zustand aufweist; und/oder
    • Mittel zum gezielten Überführen des ersten, zweiten und/oder weiteren Maschinenprozesses von dem ersten in den zweiten Zustand, um zweite Eingangsdaten zu erfassen; und/oder
    • Mittel zum Erfassen von Diagnose-Eingangsdaten eines Maschinenprozesses, Klassifizieren dieser Diagnose-Eingangsdaten mithilfe des trainierten Klassifikationsverfahrens in hier beschriebener Weise und Bewerten dieses Maschinenprozesses auf Basis dieser Klassifizierung.
  • Ein Mittel im Sinne der vorliegenden Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein, insbesondere eine, vorzugsweise mit einem Speicher- und/oder Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbeitungs-, insbesondere Mikroprozessoreinheit (CPU), Graphikkarte (GPU) oder dergleichen, und/oder ein oder mehrere Programme oder Programmmodule aufweisen. Die Verarbeitungseinheit kann dazu ausgebildet sein, Befehle, die als ein in einem Speichersystem abgelegtes Programm implementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangssignale an einen Datenbus abzugeben. Ein Speichersystem kann ein oder mehrere, insbesondere verschiedene, Speichermedien, insbesondere optische, magnetische, Festkörper- und/oder andere nicht-flüchtige Medien aufweisen. Das Programm kann derart beschaffen sein, dass es die hier beschriebenen Verfahren verkörpert bzw. auszuführen imstande ist, sodass die Verarbeitungseinheit die Schritte solcher Verfahren ausführen kann und damit insbesondere den Maschinenprozess diagnostizieren kann. Ein Computerprogrammprodukt kann in einer Ausführung ein, insbesondere nicht-flüchtiges, Speichermedium zum Speichern eines Programms bzw. mit einem darauf gespeicherten Programm aufweisen, insbesondere sein, wobei ein Ausführen dieses Programms ein System bzw. eine Steuerung, insbesondere einen Computer, dazu veranlasst, ein hier beschriebenes Verfahren bzw. einen oder mehrere seiner Schritte auszuführen.
  • In einer Ausführung werden ein oder mehrere, insbesondere alle, Schritte des Verfahrens vollständig oder teilweise automatisiert durchgeführt, insbesondere durch das System bzw. sein(e) Mittel. In einer Ausführung weist das System die Maschine(n), insbesondere Roboter, des Maschinenprozesses auf.
  • Weitere Vorteile und Merkmale ergeben sich aus den Unteransprüchen und den Ausführungsbeispielen. Hierzu zeigt, teilweise schematisiert:
    • 1: ein System zur Klassifikation von Eingangsdaten eines Maschinenprozesses nach einer Ausführung der vorliegenden Erfindung; und
    • 2: ein Verfahren zur Klassifikation von Eingangsdaten des Maschinenprozesses nach einer Ausführung der vorliegenden Erfindung.
  • 1 zeigt ein System zur Klassifikation von Betriebsparametern eines Maschinenprozesses eines Roboters 1 mit einer Robotersteuerung 2, 2 ein Verfahren zur Klassifikation von Betriebsparametern des Maschinenprozesses bzw. Roboters 1 nach einer Ausführung der vorliegenden Erfindung.
  • In einem ersten Schritt S10 werden erste Betriebsparameter X1 des Roboters 1, der bzw. während dieser einen ersten, fehlerfreien bzw. Gut-Zustand („IO“) aufweist, sowie zweite Betriebsparameter X2 des Roboters 1, der bzw. während dieser einen zweiten, fehlerhaften bzw. Schlecht-Zustand („NIO“) aufweist, erfasst und damit ein Netzwerk N trainiert, das erzeugende gegnerische Subnetzwerken N1 , N2 aufweist.
  • In einem zweiten Schritt S20 generiert das Netzwerk N fiktive Betriebsparameter F des Roboters 1, wenn dieser einen bzw. den zweiten, fehlerhaften bzw. Schlecht-Zustand („NIO“) aufweist. Mit anderen Worten emuliert das Netzwerk N Betriebsparameter, wie sie bei einem fehlerhaften bzw. Schlecht-Zustand des Roboters 1 erfasst würden, bzw. täuscht solche vor.
  • Mit diesen fiktiven Betriebsparametern F und den ersten Betriebsparametern X1 wird in Schritt S30 ein Klassifikationsverfahren K trainiert.
  • Dabei werden die erfassten zweiten Betriebsparameter X2 den fiktiven Betriebsparametern F hinzugefügt und das Klassifikationsverfahren K somit auch mit diesen erfassten zweiten Betriebsparametern X2 trainiert.
  • Zur Erfassung der zweiten Betriebsparameter X2 kann der Roboter 1 gezielt temporär in den zweiten, fehlerhaften bzw. Schlecht-Zustand überführt werden, beispielsweise, indem gezielt ein schadhaftes Getriebe eingebaut wird oder dergleichen.
  • In einem Schritt S40 werden Diagnose-Betriebsparameter XD des Roboters 1 erfasst.
  • In einem Schritt S50 klassifiziert das in Schritt S30 trainierte Klassifikationsverfahren K diese Diagnose-Betriebsparameter XD .
  • Auf Basis dieser Klassifizierung wird in einem Schritt S60 der Roboter 1 überwacht und prospektiv eine Wartung(s-) bzw. Instandhaltung(sstrategie) geplant.
  • Obwohl in der vorhergehenden Beschreibung exemplarische Ausführungen erläutert wurden, sei darauf hingewiesen, dass eine Vielzahl von Abwandlungen möglich ist.
  • So wird im Ausführungsbeispiel das Netzwerk N mit Betriebsparametern X1 und X2 des Roboters 1 trainiert und generiert anschließend fiktive Betriebsparameter F dieses Roboters. In einer Abwandlung kann das Netzwerk N jedoch auch mit Betriebsparametern eines anderen Roboters desselben oder eines anderen Typs (nicht dargestellt) trainiert werden und anschließend fiktive Betriebsparameter des Roboters 1 generieren.
  • Gleichermaßen wird im Ausführungsbeispiel das Klassifikationsverfahren K mit fiktiven Betriebsparametern F sowie Betriebsparametern X1 und X2 des Roboters 1 trainiert und klassifiziert anschließend Diagnose-Betriebsparameter XD dieses Roboters. In einer Abwandlung kann das Netzwerk N jedoch auch mit fiktiven und ersten bzw. zweiten Betriebsparametern eines anderen Roboters desselben oder eines anderen Typs (nicht dargestellt) trainiert werden und anschließend Diagnose-Betriebsparameter des Roboters 1 klassifizieren.
  • Außerdem sei darauf hingewiesen, dass es sich bei den exemplarischen Ausführungen lediglich um Beispiele handelt, die den Schutzbereich, die Anwendungen und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausgehende Beschreibung ein Leitfaden für die Umsetzung von mindestens einer exemplarischen Ausführung gegeben, wobei diverse Änderungen, insbesondere in Hinblick auf die Funktion und Anordnung der beschriebenen Bestandteile, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und diesen äquivalenten Merkmalskombinationen ergibt.
  • Bezugszeichenliste
    • 1
    Roboter
    2
    Steuerung
    F
    fiktive Eingangsdaten
    K
    Klassifikationsverfahren
    N(1/2)
    (Sub)Netzwerk
    X1
    erste Eingangsdaten
    X2
    zweite Eingangsdaten
    XD
    Diagnose-Eingangsdaten

Claims (8)

  1. Verfahren zur Klassifikation von Eingangsdaten (XD) eines Maschinenprozesses, insbesondere einer Maschine (1), mit den Schritten: - Generieren (S20) von fiktiven Eingangsdaten (F) eines ersten Maschinenprozesses, der einen fehlerhaften zweiten Zustand aufweist, auf Basis erfasster erster Eingangsdaten (X1) dieses Maschinenprozesses, der einen fehlerfreien ersten Zustand aufweist, mittels maschinellem Lernen; - Trainieren (S30) eines Klassifikationsverfahrens (K) auf Basis der fiktiven und ersten Eingangsdaten; und - Klassifizieren (S50) von Diagnose-Eingangsdaten (XD) des ersten und/oder wenigstens eines zweiten Maschinenprozesses mithilfe des trainierten Klassifikationsverfahrens, wobei die fiktiven Eingangsdaten mithilfe eines Netzwerks (N) mit erzeugenden gegnerischen Subnetzwerken (N1, N2) generiert werden.
  2. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass das Netzwerk (N) und/oder das Klassifikationsverfahren (K) auf Basis erfasster erster Eingangsdaten des ersten und/oder eines weiteren, insbesondere des zweiten oder eines hiervon verschiedenen, Maschinenprozesses, der den ersten Zustand aufweist, und/oder erfasster zweiter Eingangsdaten dieses Maschinenprozesses, der den zweiten Zustand aufweist, trainiert wird (S10, S30).
  3. Verfahren nach einem der beiden vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Anzahl der ersten Eingangsdaten, mit denen das Klassifikationsverfahren trainiert wird, um höchstens 50% von der Anzahl der fiktiven Eingangsdaten oder der Summe der fiktiven und der zweiten Eingangsdaten, mit denen das Klassifikationsverfahren trainiert wird, abweicht.
  4. Verfahren nach einem der beiden vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der erste, zweite und/oder weitere Maschinenprozess gezielt von dem ersten in den zweiten Zustand überführt wird, um zweite Eingangsdaten zu erfassen.
  5. Verfahren zur Diagnose eines Maschinenprozesses, mit den Schritten: - Erfassen (S40) von Diagnose-Eingangsdaten des Maschinenprozesses; - Klassifizieren (S50) dieser Diagnose-Eingangsdaten mithilfe des trainierten Klassifikationsverfahrens nach einem der vorhergehenden Ansprüche; und - Bewerten (S60) des Maschinenprozesses auf Basis dieser Klassifizierung.
  6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Eingangsdaten Betriebsparameter wenigstens einer Maschine, insbesondere wenigstens eines Roboters, aufweisen.
  7. System zur Klassifikation von Eingangsdaten eines Maschinenprozesses, insbesondere einer Maschine (1), das zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche eingerichtet ist.
  8. Computerprogrammprodukt mit einem Programmcode, der auf einem von einem Computer lesbaren Medium gespeichert ist, zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche.
DE102018210520.0A 2018-06-27 2018-06-27 Verfahren und System zur Diagnose eines Maschinenprozesses Active DE102018210520B3 (de)

Priority Applications (5)

Application Number Priority Date Filing Date Title
DE102018210520.0A DE102018210520B3 (de) 2018-06-27 2018-06-27 Verfahren und System zur Diagnose eines Maschinenprozesses
EP19731709.2A EP3814070A1 (de) 2018-06-27 2019-06-17 Verfahren und system zur diagnose eines maschinenprozesses
CN201980043573.3A CN112351868A (zh) 2018-06-27 2019-06-17 用于诊断机器过程的方法和***
KR1020217000823A KR20210025048A (ko) 2018-06-27 2019-06-17 기계 공정 진단 방법 및 시스템
PCT/EP2019/065845 WO2020002021A1 (de) 2018-06-27 2019-06-17 Verfahren und system zur diagnose eines maschinenprozesses

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102018210520.0A DE102018210520B3 (de) 2018-06-27 2018-06-27 Verfahren und System zur Diagnose eines Maschinenprozesses

Publications (1)

Publication Number Publication Date
DE102018210520B3 true DE102018210520B3 (de) 2019-09-05

Family

ID=66951957

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102018210520.0A Active DE102018210520B3 (de) 2018-06-27 2018-06-27 Verfahren und System zur Diagnose eines Maschinenprozesses

Country Status (5)

Country Link
EP (1) EP3814070A1 (de)
KR (1) KR20210025048A (de)
CN (1) CN112351868A (de)
DE (1) DE102018210520B3 (de)
WO (1) WO2020002021A1 (de)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4447288A1 (de) 1993-12-30 1995-07-06 Caterpillar Inc Maschinenfehlerdiagnosesystem und -verfahren

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5579232A (en) * 1993-03-29 1996-11-26 General Electric Company System and method including neural net for tool break detection
JP4321581B2 (ja) * 2006-11-30 2009-08-26 パナソニック電工株式会社 工作機械総合監視装置
US8868985B2 (en) * 2009-09-17 2014-10-21 Siemens Aktiengesellschaft Supervised fault learning using rule-generated samples for machine condition monitoring
US8996174B2 (en) * 2012-06-21 2015-03-31 Rethink Robotics, Inc. User interfaces for robot training
US10032117B2 (en) * 2014-09-17 2018-07-24 Caterpillar Inc. Method for developing machine operation classifier using machine learning
CN107644231A (zh) * 2017-09-19 2018-01-30 广东工业大学 一种发电机转子故障诊断方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4447288A1 (de) 1993-12-30 1995-07-06 Caterpillar Inc Maschinenfehlerdiagnosesystem und -verfahren

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron: Deep learning. Cambridge, Massachusetts, USA: MIT Press, 2016. Deckblatt und Inhaltsverzeichnis. ISBN 978-0-262-03561-3. *

Also Published As

Publication number Publication date
KR20210025048A (ko) 2021-03-08
EP3814070A1 (de) 2021-05-05
CN112351868A (zh) 2021-02-09
WO2020002021A1 (de) 2020-01-02

Similar Documents

Publication Publication Date Title
DE19523483C2 (de) Rechnergestützte Fehlerdiagnoseeinrichtung für ein komplexes technisches System
DE102004024262A1 (de) Wissensbasiertes Diagnosesystem für ein komplexes technisches System mit zwei getrennten Wissensbasen zur Verarbeitung technischer Systemdaten und zur Verarbeitung von Kundenbeanstandungen
DE102017213119A1 (de) Verfahren und Vorrichtung zum Ermitteln von Anomalien in einem Kommunikationsnetzwerk
DE102018210520B3 (de) Verfahren und System zur Diagnose eines Maschinenprozesses
WO2021219389A1 (de) Detektieren von störungen in roboteranordnungen
DE10222072A1 (de) Diagnoseverfahren für dynamische Systeme
EP4047316A1 (de) Verfahren zum bewerten einer bekanntheit einer fahrstrecke und elektronische recheneinrichtung
DE102018207220A1 (de) Verfahren, Vorrichtung und Computerprogramm zum Detektieren eines Berechnungsfehlers oder einer Fehlfunktion
DE102021211610A1 (de) Verfahren zum Trainieren eines neuronalen Lernmodells zum Detektieren von Produktionsfehlern
EP3710207B1 (de) Qualitätssicherung eines prozesses
EP3764185A1 (de) Verfahren zum testen eines systems
DE10038094B4 (de) Vorrichtung und Verfahren zum Generieren und Erweitern der Wissensbasis eines Expertensystems
DE102017217596A1 (de) Verfahren zum Überprüfen eines elektronischen Bauelements, Verfahren zum Erzeugen eines Modells und Vorrichtung
DE102023000357B3 (de) Verfahren zum Erzeugen von Testdaten für eine Simulation eines Assistenzsystems eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs, Computerprogrammprodukt, computerlesbares Speichermedium sowie elektronische Recheneinrichtung
DE102018212801A1 (de) Diagnose komplexer Systeme
DE102023200017B3 (de) Verfahren zur Fehlererkennung in Montage- und Instandhaltungsprozessen
DE102023115307B3 (de) Verfahren zum Betreiben eines Fahrzeugs, Verfahren zum Entwickeln einer Einheit für ein Kraftfahrzeug sowie Kraftfahrzeug
AT525591A1 (de) Verfahren und Vorrichtung zur automatischen Analyse eines Diagnosesystems eines Fahrzeugs
DE102020213830A1 (de) Verfahren und System zur Bereitstellung einer Diagnoseinformation
DE102020203045A1 (de) Verfahren und Vorrichtung zum Prüfen eines Klassifikators
DE102020205481A1 (de) Verfahren, Vorrichtung, Computerprogramm und computerlesbares Medium zum Prüfen eines Produkts
DE102022205918A1 (de) Verfahren zum Durchführen einer Datenverarbeitung
EP3671569A1 (de) Metadatenbasierte nachvollziehbarkeit von ki-ausgaben
DE102019005565A1 (de) Verfahren zum Erkennen einer Fertigungsanomalie bei einer Fertigung eines Kraftfahrzeugs mittels eines Produktionsassistenzsystems, sowie Produktionsassistenzsystems
DE102022208464A1 (de) Verfahren zum Simulieren eines Umformwerkzeugs zum Erzeugen eines Bauteils, Computerprogrammprodukt sowie elektronische Recheneinrichtung

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication
R018 Grant decision by examination section/examining division
R020 Patent grant now final