DE102021210106A1

DE102021210106A1 - Computerimplementierte Verfahren und System zur Anomalieerkennung und Verfahren zur Anomalieerkennung in einer akustischen Endprüfung eines Getriebes

Info

Publication number: DE102021210106A1
Application number: DE102021210106.2A
Authority: DE
Inventors: Nicolas Thewes; Georg Schneider
Original assignee: ZF Friedrichshafen AG
Current assignee: ZF Friedrichshafen AG
Priority date: 2021-09-14
Filing date: 2021-09-14
Publication date: 2023-03-16
Also published as: WO2023041459A1

Abstract

Computerimplementiertes Verfahren zur Anomalieerkennung umfassend die Schritte: Erhalten von Daten von N Zuständen (Z) eines technischen Objekts, wobei die Daten mittels Sensoren gemessen und/oder in einer Simulation des technischen Objekts erzeugt wurden und/oder aus einer Nachverarbeitung von mittels Sensoren gemessenen Daten errechnet wurden (C1); Ordnen der Daten der jeweiligen Zustände nach h · k Positionen, wobei jeder Eintrag eines der N Zustände an einer der h · k Positionen mit dem Eintrag eines anderen der N Zustände an derselben Position vergleichbar ist und Erhalten eines Trainingsdatensatzes in Form einer N × h × k Anordnung; Trainieren eines Analysemodells (ANOM-Stat) durch Einspeisen der Trainingszustände in das Analysemodell, wobei das Analysemodell eine statistische Charakterisierung einzelner Positionen hinsichtlich Anomalien bestimmt durch Berechnung eines Referenzzustand mittels l Referenzabbildungen, wobei die Referenzabbildungen jeweils in h ■ k Positionsabbildungen gi,junterteilt sind; Einspeisen eines zu überprüfenden Zustandes in das trainierte Analysemodell (ANOM-Stat) (C4), wobei das trainierte Analysemodell (ANOM-Stat) den zu überprüfenden Zustand mit dem Referenzzustand mittels wenigstens einer Differenzabbildung vergleicht und wenigstens einen Differenzzustand erhält (C5), dem Differenzzustand gemäß einer Abbildung einen Anomaliewert (AS) zuordnet (C6)

Description

Die Erfindung betrifft ein computerimplementiertes Verfahren und ein System zur Anomalieerkennung. Ferner betrifft die Erfindung ein Verfahren zur Anomalieerkennung in einer akustischen Endprüfung eines Getriebes.
Industrielle Fertigungsprozesse sind variable und komplexe Prozesse, die entsprechend anfällig für Fehler und Ausfälle sind. Gleichzeit nimmt im Rahmen der sog. 4. industriellen Revolution die Durchdringung der Fertigungsprozesse mit Sensoren zu, wodurch eine flächendeckende Abbildung der Prozesse durch Daten gewährleistet ist. Die Sicherstellung eines einwandfreien Ablaufs eines industriellen Prozessschrittes ist mit hohem Aufwand und hohen Kosten verbunden, da Fehlerfeststellung als auch Fehlerbeseitigung häufig manuelle Prozesse sind und zudem reaktiv stattfinden. In diesem Kontext ist die Erkennung von Anomalien eine grundlegende Herausforderung in industriellen Prozessen.
Aufgabe der Erfindung war es, wie basierend auf Zustands-Daten ein Grad einer Anomalität des Zustandes abgebildet werden kann.
Die Gegenstände der Ansprüche 1, 9 und 10 lösen diese Aufgabe.
Nach einem Aspekt stellt die Erfindung ein computerimplementiertes Verfahren bereit zur Anomalieerkennung. Das Verfahren umfasst die Schritte:

• Erhalten von Daten von N Zuständen eines technischen Objekts, wobei die Daten mittels Sensoren gemessen und/oder in einer Simulation des technischen Objekts erzeugt und/oder aus einer Nachverarbeitung von mittels Sensoren gemessenen Daten errechnet wurden;
• Beschreiben jeden der N Zustände durch eine mathematische Anordnung gleicher Dimensionalität;
• Ordnen der Daten der jeweiligen Zustände nach h · k Positionen, wobei jeder Eintrag eines der N Zustände an einer der h · k Positionen mit dem Eintrag eines anderen der N Zustände an derselben Position vergleichbar ist und Erhalten eines Trainingsdatensatzes in Form einer N × h × k Anordnung;
• Trainieren eines Analysemodells durch
- ◯ Einspeisen der Trainingszustände in das Analysemodell, wobei
- ◯ das Analysemodell eine statistische Charakterisierung einzelner Positionen hinsichtlich Anomalien bestimmt durch Berechnung eines Referenzzustand x_ref ∈ R^h×k×l mittels l Referenzabbildungen ƒ: R^N×h×k → R^h×k, wobei die Referenzabbildungen jeweils in h · k Positionsabbildungen g_i,j: R^N → R; i ≤ h, j ≤ k unterteilt sind, ein Wert einer Position im Referenzzustand x_ref ∈ R^h×k×l gemäß den Positionsabbildungen g_i,j aus den Werten der Position in den Trainingszuständen berechnet wird und
- ◯ Erhalten eines trainierten Analysemodells;
• Einspeisen eines zu überprüfenden Zustandes x_test ∈ R^h×k in das trainierte Analysemodell, wobei das trainierte Analysemodell
- ◯ den zu überprüfenden Zustand x_test mit dem Referenzzustand x_ref mittels wenigstens einer Differenzabbildung d: R^h×k × R^h×k×l → R^h×k vergleicht und wenigstens einen Differenzzustand x_diff = d(x_test,x_ref) erhält,
- ◯ dem Differenzzustand x_diff gemäß einer Abbildung f_score: R^h×k → R einen Anomaliewert zuordnet;
• Erkennen der Anomalien basierend auf dem Anomaliewert.

Die mathematische Anordnung ist beispielsweise eine h × k Matrix. Dann ist jeder Zustand 2-dimensional. Die mathematische Anordnung kann auch eine h × k × l Matrix sein. In diesem Fall ist jeder Zustand 3-Dimensional. Für die hier beschriebene Erfindung ist die Dimension des Zustandes unerheblich, wichtig ist, dass alle betrachteten Zustände die gleiche Dimension haben und die Einträge (Positionen) des Zustandes geordnet werden können. Zur einfacheren Anschauung und Lesbarkeit, ohne Beschränkung der Allgemeinheit, wird die Erfindung anhand einer h × k Matrix beschrieben. Dies könnte zum Beispiel ein Sonagramm aus einer Getriebe-Akustik-Prüfung sein. Dann entspricht jeder Zustand einer Zeit/Frequenz Koordinate.
Nach einem Aspekt stellt die Erfindung auch ein Computerprogramm bereit zur Anomalieerkennung. Das Computerprogramm umfasst Befehle, die einen Computer veranlassen, die Schritte des erfindungsgemäßen Verfahrens zur Anomalieerkennung auszuführen, wenn das Computerprogramm auf dem Computer läuft.
Nach einem Aspekt werden die Referenzabbildungen, die Positionsabbildungen und/oder die Abbildung für den Anomaliewert mittels Hyperparameteroptimierung festgelegt.
Nach einem weiteren Aspekt wird der Referenzzustand mittels 2 Referenzabbildungen mit jeweils einer Positionsabbildung berechnet. Eine erste Positionsabbildung ist eine Mittelwertsfunktion. Eine zweite Positionsabbildung ist eine Standardabweichung. Alternativ wird der Referenzzustand mittels einer Referenzabbildung mit einer Positionsabbildung berechnet. Die Positionsabbildung ist eine Quantils-Funktion.
Nach einem weiteren Aspekt wird der Differenzzustand x_diff gemäß x_diff = x_test - (x_mean + 3 · x_std) berechnet. x_mean und x_std sind die Anteile des Referenzzustandes x_ref, die sich aus der Berechnung des Mittelwertes und der Standardabweichung über den Trainingszuständen ergeben. Die Einträge im Differenzzustand, die größer als null sind, stehen dann für Positionen, an denen ein Wert im zu überprüfenden Zustand am Rand der Verteilung der entsprechenden Werte in den Trainingsdaten liegt, nämlich oberhalb von drei Standardabweichen um den Mittelwert. Ein äquivalentes Vorgehen kann für sehr kleine Werte durchgeführt werden, das heißt Subtraktion von Mittelwert minus drei Standardabweichungen.
Nach einem weiteren Aspekt werden mittels m Differenzabbildungen m Differenzzustände berechnet. Den m Differenzzuständen wird gemäß einer Abbildung f_score: R^h×k×m → R der Anomaliewert zugeordnet.
Auf welche Weise diese Differenz berechnet wird, hängt von der Art der Referenz ab und dem jeweiligen Anwendungsfall. Entscheidend dabei ist, dass die l Referenzen und der zu überprüfende Zustand die gleiche Dimension besitzen und in gleicher Weise geordnet sind, sodass ein positionsweiser Vergleich in Form mindestens einer Differenzabbildung durchgeführt werden kann.
Nach einem weiteren Aspekt wird der Anomaliewert als Mittelwert aller positiven Werte in dem oder den Differenzzuständen x_diff berechnet. Dies entspricht einer global averaging pooling Operation. Allgemein kann jede Operation verwendet werden, die den Differenzzustand auf einen skalaren Wert abbildet, beispielsweise pooling Operation aus Faltungsnetzwerken, beispielsweise min/max pooling. Nach einem Aspekt der Erfindung wird der Anomaliewert mittels eines Faltungsnetzwerkes aus dem Differenzzustand berechnet.
Auf welche Weise aus dem Differenzzustand der Anomaliewert berechnet wird, ist wiederum abhängig vom Anwendungsfall und kann Daten-getrieben bestimmt werden, beispielsweise mittels Hyperparametertuning.
Nach einem weiteren Aspekt umfassen die h · k Positionen Koordinaten in einem 2-dimensionalen Raum, z.B. Zeit und Frequenz. Damit können Messwerte verglichen werden, die zum gleichen Zeitpunkt und zur gleichen Frequenz einer Messreihe gehören.
Nach einem weiteren Aspekt sind die Trainingszustände und/oder der zu überprüfende Zustand x_test Sonagramme. Damit können Geräuschdaten im Frequenzraum analysiert werden. Die Geräuschsignale werden beispielsweise mittels Fourier-Transformation oder Wavelet-Transformation in den Frequenzraum transformiert. Dabei entstehen die Sonagramme. In einem Sonagramm entspricht ein Eintrag der Amplitude oder Energie einer Frequenz in einem Zeitintervall, das heißt es ergibt sich eine Matrix von numerischen Werten, bei der jede Spalte einem Zeitintervall und jede Zeile eine Frequenz entspricht. Die Einträge eines Sonagramms sind damit geordnet.
Nach einem weiteren Aspekt stellt die Erfindung ein System bereit zur Anomalieerkennung in industriellen Fertigungsprozessen. Das System umfasst

• ein erstes Modul, das Daten von Zuständen eines Prozesses, eines Bauteils und/oder einer Produktionsmaschine in wenigstens einem zu überwachenden Prozessschritt des industriellen Fertigungsprozesses zu einem bestimmten Zeitpunkt oder in einem bestimmten Zeitintervall, aus gleichartigen Prozessschritten und/oder aus nachgelagerten Prozessen erhält, umfassend sensoriell gemessene Daten und/oder aus Simulieren des Prozesses erhaltene Daten, die Daten verarbeitet und ein Analysemodell nach einem der voran gehenden Ansprüche trainiert und erhält;
• ein zweites Modul, dem das trainierte Analysemodell bereitgestellt wird und das einen Anomaliewert berechnet;
• ein drittes Modul, das den Anomaliewert einer Überprüfungsinstanz bereitstellt, die,
- ◯ falls der erhaltene Anomaliewert einen anormalen Zustand klassifiziert mit hoher Genauigkeit, den Zustand als Anomalie ohne weitere Überprüfung meldet;
- ◯ falls der erhaltene Anomaliewert einen anormalen Zustand klassifiziert, eine Ähnlichkeit zu einem bereits als potentielle Anomalie erkanntem und annotiertem Zustand bestimmt,
- ◯ im Falle hoher Ähnlichkeit eine Annotation des als Anomalie erkannten Zustandes übernimmt,
- ◯ andernfalls in Abhängigkeit einer Größe des erhaltenen Anomaliewertes den Zustand annotiert.
- ◯ einen als normal klassifizierten Zustand mit gewisser Wahrscheinlichkeit annotiert.

Das erfindungsgemäße System integriert folgende Schritte und/oder Module: Datenbasierte Definition des Zustandes des zu überwachenden Prozesses, Datenspeicherung und Verarbeitung aller notwendigen Daten, Training einer Anomalieerkennung basierend auf historischen Daten, Integration einer Überprüfungsinstanz, beispielsweise eines menschlichen Überprüfers, zur Kontrolle der erkannten Anomalien sowie zur Generierung weiterer Annotationen zur gezielten Erweiterung des Trainingsdatenbestandes, Erkennung von Anomalien, Verarbeitung der Bewertung des menschlichen Überprüfers und basierend darauf kontinuierlich Anpassung und Verbesserung der Anomalieerkennung. Die Grundfunktionalitäten, wie Speichern und Erweitern des Datenbestandes und/oder Anfrage von Annotationen zur Erweiterung der Datengrundlage werden dabei von dem ersten Modul übernommen. Die Aufgabe der Erkennung potenzieller Anomalien wird durch das zweites Modul durchgeführt. Dabei werden vom zu überwachenden Prozess oder Produktionsmaschine kontinuierlich Daten oder Prüfungsergebnisse, entsprechenden dem definierten Zustand Z, an das erfindungsgemäße System geschickt. Die Systemantwort enthält dann eine Einordnung des Zustandes Z in „normal/anormal“, optional mit Konfidenzschätzung, und wird über das dritte Modul zur Überprüfung an einen menschlichen Experten gesendet.
Nach einem weiteren Aspekt stellt die Erfindung ein Verfahren bereit zur Anomalieerkennung in einer akustischen Endprüfung eines Getriebes. Das Verfahren umfasst die Schritte

• Antreiben des Getriebes mit einem Drehzahlprofil, Messen des entstehenden Körperschalls mittels Akustiksensoren und Erhalten von Körperschall-Zeitreihen;
• Transformieren der Körperschall-Zeitreihen in einen Frequenzraum und Erhalten von Sonagrammen;
• erfindungsgemäßes Trainieren eines Analysemodells, wobei die Trainingszustände historische Sonagramme von in Ordnung und nicht-in-Ordnung getesteten Getrieben umfassen und die Auswahl von Referenzabbildungen, Positionsabbildungen, Differenzabbildungen und/oder Abbildungen für einen Anomaliewert des Analysemodells während des Trainings Daten getrieben erfolgt.

Nach der Fertigstellung eines Getriebes wird der einwandfreie Zustand unter anderem durch eine akustische Prüfung untersucht. Dabei wird das Getriebe mit einem standardisierten Drehzahlprofil angetrieben und während dessen wird der entstehende Körperschall gemessen. Das Drehzahlprofil besteht dabei unter anderem aus Drehzahlrampen in verschiedenen Gängen. Eine erfindungsgemäße Anomalieerkennung wird durchgeführt, optional neben einer etablierten Prüfung auf auffällige Geräusche. Dabei wird die Körperschall-Zeitreihe, die pro Getriebe-Prüfung entsteht, mittels Fast-Fourier-Transformation oder Wavelet-Transformation in den Frequenzraum transformiert. Dadurch entsteht ein Sonagramm, das der obigen Definition geordneter numerischer Daten genügt. Als Trainingsdaten werden in diesem Anwendungsfall die Sonagramme von „in-Ordnung“ (IO) getesteten Getriebe (gleicher Bauart) aus der Vergangenheit verwendet. Eine geeignete Trennung der vorhandenen Daten in Trainings-, Validierungs- und Testdaten wird hier als Standardvorgehen angenommen und daher nicht explizit erwähnt. Die Daten-getriebe Auswahl der notwendigen Abbildungen des erfindungsgemäßen Analysemodells wird anhand der verfügbaren historischen „nicht-in-Ordnung“ (NIO) Daten durchgeführt. Das heißt, die Abbildungen werden in der Art ausgewählt, dass das resultierende Analysemodell NIO-Getriebe bestmöglich von IO-Getrieben unterscheiden kann.
Nach einem Aspekt ist das Verfahren zur Anomalieerkennung in einer akustischen Endprüfung eines Getriebes computerimplementiert.
Nach einem Aspekt stellt die Erfindung auch ein Computerprogramm bereit zur Anomalieerkennung in einer akustischen Endprüfung eines Getriebes. Das Computerprogramm umfasst Befehle, die einen Computer veranlassen, die Schritte des erfindungsgemäßen Verfahrens zur Anomalieerkennung in einer akustischen Endprüfung eines Getriebes auszuführen, wenn das Computerprogramm auf dem Computer läuft.
Nach einem Aspekt entspricht bei dem erfindungsgemäßen Verfahren zur Anomalieerkennung in einer akustischen Endprüfung eines Getriebes

• die Referenzabbildung der Berechnung des 99%-igen Quantils pro Position;
• die Differenzabbildung der Berechnung der Differenz zwischen einem zu überprüfenden Zustand x_test und einem Referenzzustand x_ref; und/oder
• die Abbildung für den Anomaliewert der Berechnung des Mittelwerts aller positiven Werte in dem erhaltenen Differenzzustand x_diff.

Auf dem Weg zum Erreichen der erfindungsgemäßen Lösung haben sich folgende Aspekte überraschenderweise gezeigt: Durch Ungenauigkeiten im Schaltvorgang kann es zu erhöhtem Rauschen im Körperschallsignal in den entsprechenden Bereichen kommen. Das 99% Quantil liegt hinreichend weit am oberen Ende der Verteilungen, sodass diese Einflüsse unterdrückt werden. Im Falle der Getriebeprüfung sind insbesondere „zu laute“ Frequenzen/Anomalien von Interesse, eine einfach Differenzbildung lässt diese Werte als „alle Werte größer null“ in Erscheinung treten. Im Falle des 99%-Quantils haben also im Differenzzustand alle Werte einen Eintrag größer Null, die (an ihrer jeweiligen Position) im Ausgangszustand, das heißt dem zu überprüfenden Zustand, einen größeren Wert besitzen als 99% der Einträge in den Trainingsdaten. Da neben der reinen Anzahl an zu lauten Frequenzen auch die Höhe der Abweichungen eine Rolle spielt, ist der Mittelwert der Abweichungen eine vorteilhafte Größe zur Charakterisierung der Abweichungen in einem einzelnen Wert.
Nach einem weiteren Aspekt wird zur Durchführung des Verfahrens zur Anomalieerkennung in einer akustischen Endprüfung eines Getriebes ein erfindungsgemäßes System verwendet.
Vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den nachfolgenden Definitionen, Zeichnungen und der Beschreibung bevorzugter Ausführungsbeispiele.
Das technische Objekt kann ein Bauteil, eine Produktionsmaschine oder ein Prozessschritt in einem industriellen Fertigungsprozess sein, beispielsweise ein Getriebe.
Zum Erfassen von Daten und deren Weiterverarbeitung greift die Erfindung auf Sensoren und/oder Sensormodelle zurück, die beispielsweise in industriellen Prozessen Anwendung finden. Sensormodelle simulieren reale Sensoren. Der Begriff Sensor umfasst reale Sensoren und Sensormodelle. Eine Möglichkeit, diese Sensoren zu kategorisieren, ist anhand ihrer physikalischen Messgröße, beispielsweise Temperatursensoren, Vibrationssensoren, Kraft- und Drucksensoren, Optiksensoren umfassend Kamera-, Infrarot-, Lidar- und Radarsensoren, Messung der Größe eines Bauteils, umfassend dessen Geometrie, Strom- und Spannungssensoren und weitere. Welche Sensoren in einem konkreten Fall zur Anwendung kommen, ist abhängig vom jeweiligen Prozessschritt. Nach einem Aspekt der Erfindung werden Funktionen einer Maschine, als auch die Eigenschaften eines Bauteils, mittels Sensoren, umfassend die voran genannten Sensoren, überwacht. Nach einem Aspekt umfasst die Erfindung folgende Sensorkonfigurationen:

• Bauteil-bezogene Sensormessung: Geometrie, Aussehen;
• Maschinen-bezogene Messung: Vibrationen und Temperaturen einer oder mehrerer Komponenten;
• Sensor in einem Bauteiltest: Geräusch, Vibration, Stromstärke, Druck.

Nach einem Aspekt übertragen die Sensoren mittels Internet of Things Technologie, beispielsweise untereinander, zu einzelnen Komponenten/Modulen der erfindungsgemäßen Lösung und/oder zu einer Cloud-Infrastruktur, Daten. Damit kann eine automatisierte oder autonome Anomalieerkennung realisiert werden. Die Cloud-Infrastruktur umfasst einen Cloud-basierten Datenspeicher. Die Cloud-Infrastruktur ist beispielsweise eine Public, Private oder Hybrid Cloud Infrastruktur.
Die Definition, was eine Anomalie ist, kann nach einem Aspekt der Erfindung auf der Definition basieren, was unter einem Zustand im industriellen Fertigungsprozess zu verstehen ist.
Ein Teil der erfindungsgemäßen Lösung basiert auf der Definition des Zustandes des zu überwachenden Fertigungsschrittes oder Bauteiles hinsichtlich der den Zustand beschreibenden Daten. Die Zustandsdefinition kann die Grundlage für weitere Schritte bis hin zur Erkennung von Anomalien bilden, indem die Datengrundlage für das Training von Modellen sowie Einsatz der erfindungsgemäßen Lösung definiert wird. Die Definition sowohl eines Zustandes als auch der damit verbundenen Anomalien sind dabei keine statischen Konzepte, sondern können einem zeitlichen Wandel unterlegen sein, beispielsweise weil neue Sensoren verfügbar sind, Qualitätsanforderungen geändert werden, oder am Prozess oder Produkt beteiligte Materialen geändert werden.
Zustand beschreibt die Beschaffenheit/Eigenschaften eines Prozesses, eines Bauteils und/oder einer (Produktions-)Maschine zu einem bestimmten Zeitpunkt oder in einem bestimmten Zeitintervall. Dieser Zustand wird durch Messungen mittels geeigneter Sensoren wie voran beschrieben erfasst. Welche Sensoren geeignet sind, hängt dabei von der Definition des Zustandes als auch des zu beschreibenden Systems ab (Bauteil, Maschine, ...). In umgekehrter Weise beeinflusst auch die Verfügbarkeit entsprechender Sensoren die Definition des Zustandes. Ein Zustand, der nicht durch entsprechende Sensoren zugänglich ist, ist keine sinnvolle Definition eines Zustandes. Ein Zustand kann im industriellen Fertigungsprozess unterschiedliche Ausprägungen haben, die Erfindung umfasst u.a. folgende Zustandsdefinitionen:

• Der Zustand einer Maschine kann durch Gesamtheit der Sensordaten innerhalb eines Zeitintervalls, beispielsweise der letzten 10 Sekunden, definiert sein, sowie zusätzlich durch Bauteil-spezifische Parameter.
• Der Zustand eines Bauteils kann durch die Ergebnisse eines Tests definiert sein, sowie durch weitere Bauteilparameter, umfassend unterschiedliche Bauteil-Varianten.

Eine Anomalie ist ein Zustand, spezifiziert durch entsprechende (Sensor-)Daten, der sowohl selten ist als auch, basierend auf den aufgezeichneten Daten, von fast allen anderen Zuständen abweicht. Eine Anomalie ist selten und anders. Trotzdem kann eine genaue Abgrenzung zwischen normal und anormal häufig schwierig und in vielen Fällen mit den verfügbaren Daten sogar nicht eindeutig möglich sein, sodass letztendlich ein Zustand immer nur mit einer gewissen Wahrscheinlichkeit anormal ist. Um diesem Umstand gerecht zu werden, wird eine Überprüfungsinstanz, beispielsweise ein menschlicher Überprüfer als Teil des erfindungsgemäßen Systems vorgeschlagen.
Die Datengrundlage der erfindungsgemäßen Lösung bilden geordnete numerische Daten. Geordnet bedeutet dabei, dass die einzelnen Einträge in den Daten, die einen Zustand beschreiben, in eine Reihenfolge gebracht werden können, sodass jeder Eintrag eines Zustandes mit dem Eintrag eines anderen Zustandes an der gleichen Position sinnvoll verglichen werden kann. Die Zustände werden positionsweise verglichen.
Die erfindungsgemäße Lösung kann den Zustand eines industriellen Produktionsschrittes und/oder die mit einem Zustand verbundenen geordneten Daten durch statistische Charakterisierung einzelner Positionen im Hinblick auf seine Anomalität bewerten. Dazu wird in einem ersten Schritt ein Analysemodell trainiert. Dabei wird mit Hilfe von Trainingsdaten eine statistische Charakterisierung berechnet. Die Trainingsdaten umfassen eine große Menge an historischen Zuständen des zu überwachenden Prozessschrittes, die nach Möglichkeit keine - in der Realität mindestens wenige - anormale Zustände enthalten. Statt historischen Daten des eigentlichen Prozesses können auch Daten von vergleichbaren Prozessen oder aus einer Simulation des Prozesses verwendet werden.
Das Trainieren manifestiert sich in einer quantitativen Beurteilung der Verteilung der Trainingszustände (fast nur Normalzustände) auf Positionsebene, diese sogenannte Referenz kann unterschiedlich berechnet werden.
Es sei X eine Menge von N Trainingszuständen X = (x₁, x₂,...,x_N), x_L E R^h×k _; h, k ∈ N*, X ∈ R^N×h×k das heißt jeder Trainingszustand wird beschrieben durch eine h × k Matrix geordneter numerischer Werte (im Allgemeinen können die Zustände auch mehr als zwei Dimensionen besitzen, die Beschreibung des zwei-dimensionalen Falls wird hier zwecks Lesbarkeit und Anschaulichkeit, ohne Beschränkung der Allgemeinheit, gewählt). Dann besteht die Berechnung der Referenz in einer oder mehrerer Abbildungen ƒ: R^N×h×k → R^h×k, im Folgenden Referenzabbildungen genannt. Das heißt die Referenz x_ref hat die Dimension R^h×k×l, wobei l die Anzahl an Referenzabbildungen.
Jede der Referenzabbildungen unterteilt sich wiederum in h · k weitere Abbildungen g_i,j: R^N → R, i ≤ h, j ≤ k, die im Folgenden als Positionsabbildungen bezeichnet werden. Diese Positionsabbildungen etablieren die Berechnungsvorschrift, mit der der Wert einer Position im Referenzzustand aus den Werten der Position in den Trainingszuständen berechnet wird. Dabei kann, im einfachsten Fall, für jede Position die gleiche Abbildung verwendet, d.h. g_1,1 = g_1,2 = ... = g_h,k = g oder im anderen Extremfall für jede Position eine andere Abbildung g_1,1 ≠ g_1,2 ≠ ... ≠ g_h,k verwendet werden.
Nach einem Aspekt kommen komplexere Positionsabbildungen zur Anwendungen, zum Beispiel werden über einen Fenster-Ansatz mehrere Positionen in den Trainingsdaten zur Berechnung des Wertes einer Position im Referenzzustand herangezogen.
Nach dem das Analysemodell trainiert wurde, erfolgt in einem zweiten Schritt die Anwendung des Analysemodells. Dabei wird durch das trainierte Analysemodell ein unbekannter Zustand, das heißt die einen Zustand beschreibenden geordneten numerischen Daten, im Hinblick auf seine Anomalität bewertet. Diese Bewertung wird in Form eines Anomaliewertes weitergegeben.
Nach dem Training können damit Zustände, die einem Produktionsschritt entstammen, dessen Daten Grundlage des Trainings waren, beispielsweise Sonagramme bei der Endprüfung von Getrieben, auf Anomalien hin überprüft werden. Dabei wird durch das Analysemodell ein Anomaliewert berechnet, der den Grad der Abweichung vom erwarteten, normalen Verhalten des Produktionsschrittes misst. Dabei gilt im Allgemeinen, je höher der Anomaliewert ist, desto stärker die Abweichung.
Die Module des erfindungsgemäßen Systems umfassen Hardware- und/oder Softwaremodule, umfassend Hardware- und/oder Softwaremodule zur Regelung und/oder Steuerung industrieller Fertigungsprozesse und/oder zur Anomalieerkennung. Die Hardwaremodule umfassen Elektronikeinheiten, integrierte Schaltkreise, eingebettete Systeme, Mikrocontroller, Multiprozessor-Systems-on-Chip, Zentralprozessoren und/oder Hardwarebeschleuniger, beispielsweise Graphikprozessoren, Datenspeichereinheiten und Konnektivitätselemente, beispielsweise WLAN-Module, RFID-Module, Bluetooth-Module, NFC-Module. Nach einem Aspekt der Erfindung wird die Anomalieerkennung als Funktionssoftware in der Cloud-Infrastruktur ausgeführt.
Die Befehle der erfindungsgemäßen Computerprogramme umfassen Maschinenbefehle, Quelltext oder Objektcode geschrieben in Assemblersprache, einer objektorientierten Programmiersprache, beispielsweise C++, oder in einer prozeduralen Programmiersprache, beispielsweise C. Die Computerprogramme sind nach einem Aspekt der Erfindung Hardware unabhängige Anwendungsprogramm, die beispielsweise über einen Datenträger oder ein Datenträgersignal mittels Software Over The Air Technologie bereitgestellt wird.
Die Erfindung wird in den folgenden Ausführungsbeispielen verdeutlicht. Es zeigen:

1 ein Ausführungsbeispiel eines erfindungsgemäßen System,
2 ein Ausführungsbeispiel der erfindungsgemäßen Anomalieerkennung im Kontext des erfindungsgemäßen Systems,
3 eine schematische Darstellung geordneter numerischer Zustände,
4 eine Darstellung zu Trainings- und Anwendungsphase des erfindungsgemäßen Verfahrens zur Anomalieerkennung,
5 eine Darstellung einer erfindungsgemäßen Trainingsphase,
6 eine Darstellung einer erfindungsgemäßen Anwendungsphase,
7 ein Ausführungsbeispiel eines Sonagramms,
8 ein Ausführungsbeispiels des erfindungsgemäßen Verfahrens zur Anomalieerkennung und
9 ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens zur Anomalieerkennung in einer akustischen Endprüfung eines Getriebes.

In den Figuren bezeichnen gleiche Bezugszeichen gleiche oder funktionsähnliche Bezugsteile. Übersichtshalber werden in den einzelnen Figuren nur die jeweils relevanten Bezugsteile hervorgehoben.
In 1 überwacht das System IF-Anom einen Produktionsschritt PS und/oder die jeweils zugehörige Produktionsmaschine PM im Hinblick auf auftretende Anomalien, beispielsweise einen Produktionsschritt PS bei der Getriebeherstellung. Ein erstes Modul IF-Anom Core trainiert basierend auf historischen Prozessdaten Data1, Zustandsdefinitionen Z und auf vorhandenen Zustandsdaten Data2 ein Analysemodell zur Anomalieerkennung. Die Trainingsdaten können auch dritte synthetische Daten Data3 umfassen.
Das Training der Analysemodelle wird beispielsweise auf der Ebene Getriebevarianten und Produktionslinien durchgeführt. Pro Getriebevariante und Produktionslinie existiert jeweils eine Version der Modelle. Diese Einschränkung wird jeweils in der zugehörigen Konfiguration Konfig-Model festgehalten, sodass im späteren Einsatz immer das zu einem fraglichen Getriebe gehörige Modell geladen wird.
Das erste Modul IF-Anom Core umfasst zwei wesentliche Funktionen des Systems IF-Anom, zum einen die Verarbeitung und Datenspeicherung ankommender Daten Data1, Data2 mittels eines Datenverarbeitungsmoduls, zum anderen das Trainieren und Evaluieren von Analysemodellen zur Anomalieerkennung mittels eines Trainingsmoduls. Beide Funktionen unterliegen einem zeitlichen Aspekt, das heißt zu Beginn des Einsatzes des Systems IF-Anom wird zunächst auf vorhandene Daten Data2 aus dem zu überwachenden Prozess zugegriffen, und/oder auf Daten aus vergleichbaren Prozessen oder synthetisch erzeugte Daten. Basierend darauf wird die Zustandsdefinition Z erarbeitet. Daten und Zustandsdefinition werden in eine für die nachfolgenden Schritte geeignete Form gebracht und gespeichert.
Das zweite Modul IF-Anom Anomalieerkenner übernimmt die Aufgabe, eingehende Daten umfassend Data2 gemäß der bestehenden Zustandsdefinition und Datenvorverarbeitungsroutinen zu verarbeiten. Dabei werden die ankommenden Daten in der gleichen Art und Weise verarbeitet wie die historischen Daten Data1, die für das Modelltraining verwendet wurden. Anschließend wird mittels der verfügbaren Anomalieerkennungs-Modelle eine Bewertung durchgeführt. Die Ausgabe jedes Modells umfasst einen Anomaliewert AS. Der Anomaliewert AS gibt an, wie anormal der bewertete Zustand Z ist, in der Regel, aber nicht zwangsläufig, je höher, desto anormaler. Welche Methodik und welche Modelle zur Anwendung kommen, hängt dabei vom Anwendungsfall und der Verfügbarkeit von Modellen ausreichender Güte ab. Das zweite Modul IF-Anom Anomalieerkenner erhält von dem ersten Modul IF-Anom Core die aktuellen Modelle, sowie eine Anwendungsfall-spezifische Konfiguration Konfig-Model, in der zum Beispiel die notwendige Vorverarbeitung der ankommenden Daten Data2 spezifiziert wird. Unter Verwendung dieser Modelle wird dann eine Beurteilung des aktuellen Zustandes Z durch das zweite Modul IF-Anom Anomalieerkenner vorgenommen.
Das erste Modul IF-Anom Core und das zweite Modul IF-Anomalieerkenner tauschen untereinander Daten und/oder Bewertungen aus.
Die Beurteilung des zweiten Moduls IF-Anomalieerkenner wird an das dritte Modul IF-Anom Annotationsmanager weitergegeben. Das dritte Modul IF-Anom Annotationsmanager übernimmt die Aufgabe zu entscheiden, ob und wann ein Zustand Z zur Beurteilung an einen, oder an welchen, menschlichen Experten Expert gegeben wird. Grob gesagt werden erkannte Anomalien beispielsweise fast immer weitergegeben und zusätzlich als normal erkannte Beispiele unter gewissen Umständen. Die Bewertungen durch den/die menschlichen Experten Expert gehen zurück an das dritte Modul IF-Anom Annotationsmanager, das entscheidet, in welcher Form Annotationen zurück an das erste Modul IF-Anom Core gehen, um dort die Datenbasis entsprechend zu erweitern. Im Idealfall stehen dem dritten Modul IF-Anom Annotationsmanager dabei Metainformation bezüglich der Beurteilung zur Verfügung, zum Beispiel eine, insbesondere wenn aus Datenschutzgründen notwendige, anonymisierte Identifikation des Beurteilenden Expert sowie ein Zeitstempel, wann die Beurteilung verfasst wurde.
Wird eine Anomalie NOK vom Überprüfer Expert als Anomalie NOK bestätigt oder wird die erkannte Anomalie NOK ohne Überprüfung freigegeben, werden beispielsweise zwei Reaktionen in Gang gesetzt. Zum einen wird der überwachte Produktionsschritt PS basierend auf dem als anormal erkannten Zustand Z näher begutachtet, um zu entscheiden ob/wann eine Wartung/Reparatur durchgeführt werden muss. Zum anderen können die Bauteile, die während und nach dem Auftreten der Anomalie NOK verarbeitet wurden, vorsorglich aussortiert und/oder gesondert begutachtet werden.
Das erfindungsgemäße Trainieren und Anwenden des Analysemodells ANOM-Stat wird von dem ersten Modul IF-Anom Core und dem zweiten Modul IF-Anomalieerkenner durchgeführt, siehe auch 2.
3 zeigt ein Beispiel geordneter numerischer Zustände. Die Einträge gleicher Position in verschiedenen Zuständen entsprechen einander und können sinnvoll miteinander verglichen werden. Für N Zustände, wobei jeder Zustand einer h × k Matrix entspricht, wird eine N × h × k Anordnung erhalten.
4 zeigt das erfindungsgemäße Verfahren zur Anomalieerkennung aufgeteilt in ein erstes Subverfahren zum Trainieren des Analysemodells ANOM-Stat und ein zweites Subverfahren zum Einsatz oder Anwendung des nach dem ersten Subverfahren trainierten Analysemodells ANOM-Stat. Das vollständige Verfahren umfassend das erste und zweite Subverfahren ist in 8 dargestellt.
Das erste Subverfahren kann die Verfahrensschritte C1-C3 umfassen und ist im Detail in 5 dargestellt. In dem Verfahrensschritt C1 werden Daten von n Zuständen Z, Z1-Z3 eines technischen Objekts, beispielsweise eines Getriebes, erhalten. Die Daten werden beispielsweise mittels Sensoren gemessen, beispielsweise mittels Akustiksensoren, zum Beispiel Mikrofonen. In einem Verfahrensschritt C2 werden die Daten der jeweiligen Zustände nach h ■ k Positionen, beispielsweise nach h Zeitintervallen und k Frequenzen, gemäß 3 geordnet. Die vorangehenden Schritte werden wiederholt und es werden N Trainingszustände als Trainingsdaten X = (x₁, x₂,...,x_N), x_i ∈ R^h×k erhalten. In einem Verfahrensschritt C3 wird das Analysemodell ANOM-Stat trainiert. Dabei werden die Trainingszustände in das Analysemodell ANOM-Stat eingespeist. Das Analysemodell ANOM-Stat bestimmt eine statistische Charakterisierung einzelner Positionen hinsichtlich Anomalien durch Berechnung eines Referenzzustand x_ref mittels I Referenzabbildungen f. Dabei wird ein Wert einer Position im Referenzzustand x_ref gemäß Positionsabbildungen g_i,j aus den Werten der Position in den Trainingszuständen berechnet und im Ergebnis ein trainiertes Analysemodell erhalten.
Das zweite Subverfahren kann die Verfahrensschritte C4-C7 umfassen und ist im Detail in 6 dargestellt. In dem Verfahrensschritt C4 wird ein Testzustand x_test in das trainierte Analysemodell ANOM-Stat eingespeist. In einem Verfahrensschritt C5 wird der zu überprüfenden Zustand x_test mit dem Referenzzustand x_ref mittels wenigstens einer Differenzabbildung d verglichen und und wenigstens ein Differenzzustand x_diff erhalten. In einem Verfahrensschritt C6 wird dem Differenzzustand x_diff gemäß einer Abbildung f_score der Anomaliewert AS zugeordnet. In einem Verfahrensschritt C7 wird basierend auf dem Anomaliewert AS eine Anomalie NOK erkannt.
7 zeigt als Beispiel geordneter numerischer Zustände ein Sonagramm. Das Sonagramm wird aus einer Transformation eines Zeitsignals, beispielsweise eines akustischen Signals über der Zeit, in den Frequenzraum erhalten. Das Sonagramm entspricht einer geordneten Folge von numerischen Werten, das heißt einer h × k Anordnung. Jede Spalte t1, t2, t3, ... stellt ein Zeitintervall dar. Jede Zeile f1, f2, f3, .. stellt eine Frequenz dar. Die Einträge sind in der Regel Amplituden oder Energien einer Frequenz in einem Zeitintervall. Damit sind die Einträge geordnet.
9 zeigt das Verfahren zur Anomalieerkennung in einer akustischen Endprüfung eines Getriebes. In einem Verfahrensschritt E1 wird das Getriebe mit einem Drehzahlprofil angetrieben, beispielsweise mit einem standardisierten Drehzahlprofil. Der entstehenden Körperschall wird mittels Akustiksensoren, beispielsweise Mikrofonen, gemessen und es werden Körperschall-Zeitreihen erhalten. In einem Verfahrensschritt E2 werden die Körperschall-Zeitreihen in einen Frequenzraum transformiert und es werden Sonagramme, beispielsweise wie in 7 gezeigt, erhalten. In einem Verfahrensschritt E3 wird das Analysemodell ANOM-Stat trainiert. Die Trainingszustände umfassen historische Sonagramme von in Ordnung getesteten Getrieben. Die Auswahl von Referenzabbildungen, Positionsabbildungen, Differenzabbildungen und/oder Abbildungen für den Anomaliewert AS des Analysemodells ANOM-Stat erfolgt während des Trainings Daten getrieben. In einem Verfahrensschritt E4 wird eine Anomalie erkannt basierend auf dem Anomaliewert AS.
Bezugszeichenliste

xref: Referenzzustand
xi: Trainingszustand
X: Trainingsdaten
f: Referenzabbildung
gi,j: Positionsabbildung
xtest: zu überprüfender Zustand/Testzustand
xdiff: Differenzzustand
d: Differenzabbildung
fscore: Abbildung für Anomaliewert
i,j: Position
IF: industrieller Fertigungsprozess
PS: Prozessschritt
PM: Produktionsmaschine
ANOM-Stat: Analysemodell
IF-Anom: System zur industriellen Anomalieerkennung
IF-Anom: Core erstes Modul
IF-Anom: Anomalieerkenner zweites Modul
IF-Anom: Annotationsmanager drittes Modul
IF-Anom: Daten viertes Modul
Expert: Überwacher
Data1: erste Daten
Data2: zweite Daten
Data3: dritte Daten
AS: Anomaliewert/Anomaliescore
NOK: Anomalie
Z, Z1-Z3: Zustand
Konfig-Model: Konfiguration trainierter Modelle
t1-t3: Zeitpunkte/Zeitintervalle
f1-f3: Frequenzen
C1-C7: Verfahrensschritte
E1-E4: Verfahrensschritte

Claims

Computerimplementiertes Verfahren zur Anomalieerkennung umfassend die Schritte • Erhalten von Daten von N Zuständen (Z, Z1-Z3) eines technischen Objekts, wobei die Daten mittels Sensoren gemessen und/oder in einer Simulation des technischen Objekts erzeugt und/oder aus einer Nachverarbeitung von mittels Sensoren gemessenen Daten errechnet wurden (C1); • Beschreiben jeden der N Zustände (Z, Z1-Z3) durch eine mathematische Anordnung gleicher Dimensionalität; • Ordnen der Daten der jeweiligen Zustände nach h · k Positionen, wobei jeder Eintrag eines der N Zustände (Z) an einer der h · k Positionen mit dem Eintrag eines anderen der N Zustände (Z) an derselben Position vergleichbar ist und Erhalten eines Trainingsdatensatzes in Form einer N × h × k Anordnung; • Trainieren eines Analysemodells (ANOM-Stat) durch ◯ Einspeisen der Trainingszustände in das Analysemodell (ANOM-Stat), wobei ◯ das Analysemodell (ANOM-Stat) eine statistische Charakterisierung einzelner Positionen hinsichtlich Anomalien bestimmt durch Berechnung eines Referenzzustand x_ref ∈ R^h×k×l mittels l Referenzabbildungen ƒ: R^N×h×k → R^h×k, wobei die Referenzabbildungen jeweils in h · k Positionsabbildungen g_i,j: R^N → R; i ≤ h, j ≤ k unterteilt sind, ein Wert einer Position im Referenzzustand x_ref ∈ R^h×k×l gemäß den Positionsabbildungen g_i,j aus den Werten der Position in den Trainingszuständen berechnet wird (C3) und ◯ Erhalten eines trainierten Analysemodells; • Einspeisen eines zu überprüfenden Zustandes x_test ∈ R^h×l in das trainierte Analysemodell (ANOM-Stat) (C4), wobei das trainierte Analysemodell (ANOM-Stat) ◯ den zu überprüfenden Zustand x_test mit dem Referenzzustand x_ref mittels wenigstens einer Differenzabbildung d: R^h×k × R^h×k×l → R^h×k vergleicht und wenigstens einen Differenzzustand x_diff = d(x_test, x_ref) erhält (C5), ◯ dem Differenzzustand x_diff gemäß einer Abbildung f_score: R^h×k → R einen Anomaliewert (AS) zuordnet (C6); • Erkennen der Anomalien (NOK) basierend auf dem Anomaliewert (AS) (C7).
Verfahren nach Anspruch 1, wobei die Referenzabbildungen, die Positionsabbildungen und/oder die Abbildung für den Anomaliewert (AS) mittels Hyperparameteroptimierung festgelegt werden.
Verfahren nach Anspruch 1 oder 2, wobei • der Referenzzustand mittels 2 Referenzabbildungen mit jeweils einer Positionsabbildung berechnet wird, wobei eine erste Positionsabbildung eine Mittelwertsfunktion und eine zweite Positionsabbildung eine Standardabweichung ist, oder • der Referenzzustand mittels einer Referenzabbildung mit einer Positionsabbildung berechnet wird, wobei die Positionsabbildung eine Quantils-Funktion ist.
Verfahren nach Anspruch 3, wobei der Differenzzustand x_diff gemäß x_diff = x_test - (x_mean + 3 · x_std) berechnet wird, wobei x_mean und x_std die Anteile des Referenzzustandes x_ref sind, die sich aus der Berechnung des Mittelwertes und der Standardabweichung über den Trainingszuständen ergeben.
Verfahren nach einem der vorangehenden Ansprüche, wobei mittels m Differenzabbildungen m Differenzzustände berechnet werden und den m Differenzzuständen gemäß einer Abbildung f_score: R^h×k×m → R der Anomaliewert zugeordnet wird.
Verfahren nach einem der vorangehenden Ansprüche, wobei der Anomaliewert (AS) als Mittelwert aller positiven Werte in dem oder den Differenzzuständen x_diff berechnet wird.
Verfahren nach einem der vorangehenden Ansprüche, wobei die h ■ k Positionen Koordinaten in einem 2-dimensionalen Raum entsprechen.
Verfahren nach einem der vorangehenden Ansprüche, wobei die Trainingszustände und/oder der zu überprüfende Zustand x_test Sonagramme sind.
System (IF-Anom) zur Anomalieerkennung in industriellen Fertigungsprozessen (IF) umfassend • ein erstes Modul (IF-Anom Core), das Daten (Data1, Data2, Data3) von Zuständen (Z) eines Prozesses, eines Bauteils und/oder einer Produktionsmaschine (PM, P) in wenigstens einem zu überwachenden Prozessschritt (PS) des industriellen Fertigungsprozesses (IF) zu einem bestimmten Zeitpunkt oder in einem bestimmten Zeitintervall, aus gleichartigen Prozessschritten und/oder aus nachgelagerten Prozessen erhält, umfassend sensoriell gemessene Daten und/oder aus Simulieren des Prozesses erhaltene Daten, die Daten verarbeitet und ein Analysemodell (ANOM-Stat) nach einem der voran gehenden Ansprüche trainiert und erhält; • ein zweites Modul (IF-Anom Anomalieerkenner), dem das trainierte Analysemodell (ANOM-Stat) bereitgestellt wird und das einen Anomaliewert berechnet; • ein drittes Modul (IF-Anom Annotationsmanager), das den Anomaliewert einer Überprüfungsinstanz (Expert) bereitstellt, die, ◯ falls der erhaltene Anomaliewert (AS) einen anormalen Zustand (Z) klassifiziert mit hoher Genauigkeit, den Zustand (Z) als Anomalie ohne weitere Überprüfung meldet; ◯ falls der erhaltene Anomaliewert (AS) einen anormalen Zustand (Z) klassifiziert, eine Ähnlichkeit zu einem bereits als potentielle Anomalie erkanntem und annotiertem Zustand (Z) bestimmt, ◯ im Falle hoher Ähnlichkeit eine Annotation des früher als Anomalie (NOK) erkannten Zustandes (Z) übernimmt, ◯ andernfalls in Abhängigkeit einer Größe des erhaltenen Anomaliewertes (AS) den Zustand (Z) annotiert. ◯ einen als normal klassifizierten Zustand mit gewisser Wahrscheinlichkeit annotiert.
Verfahren zur Anomalieerkennung in einer akustischen Endprüfung eines Getriebes umfassend die Schritte • Antreiben des Getriebes mit einem Drehzahlprofil, Messen des entstehenden Körperschalls mittels Akustiksensoren und Erhalten von Körperschall-Zeitreihen (E1); • Transformieren der Körperschall-Zeitreihen in einen Frequenzraum und Erhalten von Sonagrammen (E2); • Trainieren eines Analysemodells (ANOM-Stat) nach einem der Ansprüche 1 bis 8 (E3), wobei die Trainingszustände historische Sonagramme von in Ordnung und nicht-in-Ordnung getesteten Getrieben umfassen und die Auswahl von Referenzabbildungen, Positionsabbildungen, Differenzabbildungen und/oder Abbildungen für einen Anomaliewert (AS) des Analysemodells (ANOM-Stat) während des Trainings Daten getrieben erfolgt; • Erkennen einer Anomalien basierend auf dem Anomaliewert (AS) (E4).
Verfahren nach Anspruch 10, wobei • die Referenzabbildung der Berechnung des 99%-igen Quantils pro Position entspricht; • die Differenzabbildung der Berechnung der Differenz zwischen einem zu überprüfenden Zustand x_test und einem Referenzzustand x_ref entspricht; und/oder • die Abbildung für den Anomaliewert der Berechnung des Mittelwerts aller positiven Werte in dem erhaltenen Differenzzustand x_diff entspricht.
Verfahren nach einem der Ansprüche 10 oder 11, wobei zur Durchführung des Verfahrens ein System nach Anspruch 9 verwendet wird.