DE19855745A1 - Fault diagnosis and quality grading system for production test of rotating machines uses sensing of rotation noise and oscillation with training of processor. - Google Patents

Abstract

The fault diagnosis system measures the rotation characteristic of the machine which is digitised and processed by time segmentation, windowing and filtering to create a characteristic vector which can be associated with particular components. The characteristic vector is processed through coarse, fine and quality classifiers. A KI based training based classification system is used to classify the results and create identification of the problem components.

Description

Rotierende Maschinen im Sinne dieser Beschreibung sind Maschinen, die neben feststehenden Teilen auch rotierende Teile wie z. B. Zahn­ räder, Lager und Wellen enthalten. Besondere Bedeutung haben hierbei Fahrzeuggetriebe, Elektro- und Verbrennungsmotoren. Feh­ lerdiagnose umfasst die Erkennung eines fehlerbehafteten Prüflings, die Identifizierung der fehlerhaften Komponente(n) sowie die Beschrei­ bung des Fehlers, z. B. Zahnbruch, Unwucht. Als Rating wird die Qua­ litätsbewertung der Prüflinge durch Abbildung in eine Referenzskala bezeichnet; eine in der Kfz-Industrie häufig anzutreffende Ratingskala geht von 1 ( = sehr schlecht) bis 10 (sehr gut).Rotating machines in the sense of this description are machines the in addition to fixed parts also rotating parts such. B. tooth wheels, bearings and shafts included. Have special meaning here vehicle transmissions, electric and combustion engines. Feh ler diagnosis includes the detection of a faulty test object, the identification of the faulty component (s) and the description exercise of the error, e.g. B. broken tooth, unbalance. The Qua Quality assessment of the test specimens by mapping on a reference scale designated; a rating scale commonly found in the automotive industry goes from 1 (= very bad) to 10 (very good).

Rotierende Teile emittieren Schwingungen und Geräusche. Die geeig­ nete Auswertung dieser akustischen Messgrössen liefert Informatio­ nen zur Qualität und möglichen Fertigungsfehlern.Rotating parts emit vibrations and noises. The suitable Informatio provides nete evaluation of these acoustic parameters quality and possible manufacturing defects.

Bei der Qualitätsprüfung von rotierenden Maschinen sind Verfahren unter Einsatz von Schwellwertentscheidern bekannt, bei denen im wesentlichen Schallpegel oder bestimmte Frequenzanteile mit manuell vorgegebenen Toleranzwerten verglichen werden. Diese Verfahren liefern im Ergebnis die Einstufung des Prüflings als i0 oder ni0, eine detaillierte Fehleranalyse wird nicht vom Messsystem durchgeführt sondern muss durch Demontage des Prüflings ermittelt werden.There are procedures in the quality inspection of rotating machines using threshold decision makers known in which essential sound level or certain frequency components with manual predetermined tolerance values are compared. This procedure provide the result of the test candidate's classification as i0 or ni0, one detailed error analysis is not carried out by the measuring system but must be determined by dismantling the test object.

Verbreitete alternative Qualitätsbewertungen sind die Bewertung der Schallemissionen des Prüflings durch das Prüfpersonal. Die vom Prüfer durchgeführte Schallbewertung ist jedoch subjektiv und schlecht reproduzierbar.Widespread alternative quality ratings are the rating of Sound emissions of the test object by the test personnel. The ones from However, the sound assessment performed by the auditor is subjective and difficult to reproduce.

Verfahren, die auf trainierbaren Systemen aus dem Umfeld der künstlichen Intelligenz aufbauen, z. B. neuronale Netze, haben bisher aufgrund ihres Trainingsaufwandes keinen Einzug in der Produktion zum Zweck der Fehleridentifizierung und des Ratings gehalten.Procedures based on trainable systems from the environment of Build artificial intelligence, e.g. B. neural networks have so far due to their training effort, no move into production held for the purpose of error identification and rating.

Die vorliegende Erfindung bezieht sich auf die Realisierung und das Training eines Klassifikators zur Fehlerdiagnose und zum Rating von rotierenden Maschinen am Serienprüfstand. Ein nach dieser Erfin­ dung realisierter und trainierter Klassifizierer ermöglicht eine detail­ lierte Fehlerdiagnose am Serienprüfstand bereits mit dem ersten Prüfling, benötigt also keine der Prüfung vorangehende explizite Trai­ ningsphase. Durch kontinuierliche Nutzung der während der Serien­ prüfung gewonnenen Erfahrungen wird die Fehlerdiagnose verfeinert.The present invention relates to the implementation and the Training a classifier for fault diagnosis and rating of rotating machines on the series test bench. One after this inven Implemented and trained classifiers allow for detail error diagnosis on the series test bench with the first Examinee, therefore does not need an explicit trai prior to the examination phase. Through continuous use of the series Experiences gained from testing will refine the fault diagnosis.

Erfindungsgemäß wird die gestellte Aufgabe durch die im Kennzeichen des Anspruchs 1 angegebenen Merkmale gelöst.According to the invention, the object is achieved by the in the indicator of the specified features solved.

Vorteilhafte Weiterbildungen und Ausgestaltungen des Verfahrens sind in den Unteransprüchen 2 bis 8 angegeben. Die mit der Erfin­ dung erzielbaren Vorteile ergeben sich aus der folgenden Beschrei­ bung.Advantageous further developments and refinements of the method are specified in subclaims 2 to 8. The one with the inventor The achievable advantages result from the following description exercise.

Erfindungsgemäss werden der bekannte mechanische Aufbau des Prüflings und die festen Übertragungsverhältnisse zwischen rotieren­ den Teilen bei bekanntem Drehzahlsignal zur Fehlerdiagnose genutzt.According to the known mechanical structure of the DUT and the fixed transmission ratios between rotate the parts used with a known speed signal for fault diagnosis.

Fig. 1 enthält ein Blockschaltbild für den Aufbau des universellen Fehlerdiagnosesystems. Im Modul "Sensorik" werden die Messdaten aufgezeichnet. Gemessen werden neben den Schwingungen und/oder Geräuschen die Drehzahl bzw. mehrere Drehzahlsignale sowie Be­ triebsdaten; der jeweilige Messaufbau kann sich anwendungsbedingt unterscheiden. Erfasste Betriebsdaten können z. B. sein: Öltempera­ tur und Last bei Getrieben, Drehmoment und Kompressionsdruck bei Verbrennungsmotoren. Die Messdaten am Ausgang des Moduls "Sensorik" sind digitalisiert. Im Modul "Signalvorverarbeitung" werden die digitalisierten Messdaten für eine detaillierte Signalanalyse aufbe­ reitet. Typische Operationen sind Zeitsignalsegmentierung, Fenste­ rung und Filterung der Schwingungs- und Geräuschsignale. Fig. 1 contains a block diagram for the construction of the universal fault diagnosis system. The measurement data is recorded in the "Sensor" module. In addition to the vibrations and / or noises, the speed or several speed signals and operating data are measured; the respective measurement setup can differ depending on the application. Acquired operating data can e.g. B. be: oil temperature and load for gearboxes, torque and compression pressure for internal combustion engines. The measurement data at the output of the "Sensor" module are digitized. In the "Signal preprocessing" module, the digitized measurement data is prepared for a detailed signal analysis. Typical operations are time signal segmentation, windowing and filtering of the vibration and noise signals.

Im Block "Merkmalsberechnung" werden aus den vorverarbeiteten Daten diejenigen Merkmale extrahiert, die zur Klassifikation signifikant sind. Aus den extrahierten Merkmalen wird anschliessend der Merk­ malsvektor bestimmt, der somit die signifikanten Informationen zur Unterscheidung der verschiedenen Prüflingsqualitäten und der fehler­ haften Komponenten enthält. Betriebsdaten, Drehzahlbereiche und Lastzustände können Bestandteile des Merkmalsvektors sein.In the "Characteristics calculation" block, the preprocessed ones are processed Data extracted those characteristics that were significant for classification are. The extracted features then become the note malsvector determined, thus the significant information on  Differentiation between the different test specimen qualities and the errors stick components. Operating data, speed ranges and Load conditions can be part of the feature vector.

Der Merkmalsvektor wird durch parallel geschaltete Klassifizierer, den Blöcken "Grobdiagnostik", "Feindiagnostik" und "Rating" verarbei­ tet. Die Funktionsweisen werden nachfolgend beschrieben. Für jede Messung werden die Sensorsignale, Merkmalsvektoren und Klassifi­ zierergebnisse in einem Archiv zur Dokumentation des Prüfprozesses und zum Training der Systeme "Feindiagnostik" und "Rating" gesi­ chert.The feature vector is defined by classifiers connected in parallel, process the blocks "Grobdiagnostik", "Feindiagnostik" and "Rating" tet. The functions are described below. For every Measurement are the sensor signals, feature vectors and classifi Decorative results in an archive to document the testing process and to train the systems "fine diagnosis" and "rating" chert.

Sollen wie hier vorausgesetzt rotierende Maschinen geprüft werden, ist es zweckmäßig, Verfahren zur Ordnungsanalyse einzusetzen. Ein Verfahren, das auf digitalem Resampling aufsetzt, ist in Groppe, Jo­ nuscheit, Strama, Thomä: "Ordnungsanalyse", Messtechnik und Messsignalverarbeitung, MESSCOMP 1996, expert Verlag, 1996, beschrieben. Bei konstanten Drehzahlen kann anstelle der Ordnungs­ analyse auch Fast Fourier Transformation eingesetzt werden.If rotating machines are to be tested as assumed here, it is advisable to use procedures for order analysis. On The method based on digital resampling is described in Groppe, Jo nuscheit, Strama, Thomä: "order analysis", measurement technology and Measurement signal processing, MESSCOMP 1996, expert Verlag, 1996, described. At constant speeds, instead of the order analysis also Fast Fourier Transformation can be used.

Die Bedeutung der Ordnungsanalyse für die nachgeschaltete Klassifi­ kation liegt darin, dass eine unmittelbare und drehzahlunabhängige Beziehung zwischen den Ordnungslinien und dem mechanischen Auf­ bau des Prüflings gegeben ist. Das wird am nachfolgenden Beispiel für ein Getriebe erläutert: Auf der Antriebswelle sitzt ein Zahnrad mit 23 Zähnen, in das ein zweites Zahnrad mit 44 Zähnen eingreifen soll.The importance of order analysis for the downstream classification cation is that an immediate and speed-independent Relationship between the order lines and the mechanical opening construction of the test object is given. This is shown in the example below for a gearbox explained: A gearwheel sits on the drive shaft 23 teeth in which a second gearwheel with 44 teeth is to engage.

Fig. 2 zeigt einen Ausschnitt aus dem zugehörigen Ordnungsspek­ trum bezogen auf die Antriebswelle. Ordnung 1 entspricht der Um­ drehung der Antriebswelle. Die Ordnung 23 ist die Ordnung des Zah­ neingriffs. Zahnrad Z23 und Zahnrad Z44 tragen zur Gesamtenergie der Zahneingriffsordnung bei, ihre jeweiligen Anteile sind nicht zu se­ parieren. Bedingt durch Unwuchten an den Zahnrädern Z23 und Z44 entstehen um die Ordnung des Zahneingriffs Seitenbänder. Entschei­ dend für die Fehlerdiagnose ist, dass die Seitenbänder eindeutig den mechanischen Verursachern zuordenbar sind. Im Abstand von ganz­ zahligen Vielfachen von ±1 Ordnung von der Zahneingriffsordnung lie­ gen die Seitenbandlinien von Zahnrad Z23, im Abstand von ±23/44- stel Ordnung liegen die Seitenbandlinien von Zahnrad Z44. Die Ord­ nungsanalyse benötigt eine ausreichend hohe Auflösung, um die Sei­ tenbänder der Zahnräder Z23 und Z44 zu trennen. Fig. 2 shows a section of the associated ordinance spectrum related to the drive shaft. Order 1 corresponds to the rotation of the drive shaft. The order 23 is the order of the tooth intervention. Gear Z23 and gear Z44 contribute to the total energy of the meshing order, their respective proportions cannot be separated. Due to imbalance on the gears Z23 and Z44, sidebands are created around the order of the meshing. It is crucial for fault diagnosis that the sidebands can be clearly assigned to the mechanical causes. The sideband lines of gear Z23 lie at a distance of integer multiples of ± 1 order from the meshing order, at a distance of ± 23 / 44th order are the sideband lines of gear Z44. The order analysis requires a sufficiently high resolution to separate the side straps of the Z23 and Z44 gears.

Die Ordnungsanalyse muss also eine ausreichend hohe Auflösung ha­ ben, um die Seitenbänder der rotierenden Komponenten zu separie­ ren. Ordnungsauflösung und Drehzahlgenauigkeit beeinflussen die Aussagefähigkeit nachhaltig. Die vorhandenen Harmonischen, z. B. der Zahneingriffsordnung, können für die Klassifikation ebenfalls ge­ nutzt werden.The order analysis must therefore have a sufficiently high resolution to separate the sidebands of the rotating components order resolution and speed accuracy influence the Meaningfulness sustainable. The existing harmonics, e.g. B. the meshing order can also be used for the classification be used.

Fig. 3 zeigt die Funktionsblöcke des Klassifizierers zur Grobdiagno­ stik. Ein Schwellwertentscheider vergleicht den Merkmalsvektor kom­ ponentenweise gegen einen vorgegebenen oberen und unteren Schwellwert. Die Ordnungslinien, die über oder unter den jeweiligen Schwellen liegen, werden im Block "Grobdiagnostik" auf ihre mechani­ schen Verursachungen hin analysiert. Dieses Wissen steht dem Block "Grobdiagnostik" durch Auswertung der eindeutigen und ver­ fügbaren Stückliste des Prüflings zur Verfügung. Die Stückliste ent­ hält alle Komponenten des Prüflings mit den relevanten Konstrukti­ onsmerkmalen wie z. B. Zahnradtyp, Zähnezahl, Lagertyp. Das Mess­ system ermittelt automatisch bei Serienanlauf, Produktionswechsel und Stücklistenänderungen diejenigen Ordnungen, die konstruktiv be­ dingt, also angeregt, auftreten können, und speichert diese in eine Referenztabelle. Bei der Grobdiagnose kann damit der Bezug zwi­ schen den abweichenden Ordnungslinien und deren mechanischen Er­ regern hergestellt werden. Der Zusammenhang zwischen Ordnungs­ auflösung und Erregeridentifikation ist zu berücksichtigen. Fig. 3 shows the functional blocks of the classifier for coarse diagnosis. A threshold value comparator compares the feature vector component by component against a predetermined upper and lower threshold value. The order lines, which lie above or below the respective thresholds, are analyzed in the block "rough diagnosis" for their mechanical causes. This knowledge is available to the block "rough diagnosis" by evaluating the clear and available parts list of the test object. The parts list contains all components of the device under test with the relevant design features such as. B. gear type, number of teeth, bearing type. The measuring system automatically determines those orders that may arise due to the design, i.e. stimulated, during series start-up, production changes and changes to the parts list, and saves them in a reference table. In the rough diagnosis, the relationship between the deviating order lines and their mechanical pathogens can be established. The relationship between regulatory resolution and pathogen identification must be taken into account.

Dem Schwellwertentscheider werden die oberen und unteren Schwellen durch einen Experten vorgegeben. Der Experte kann das Ergebnis der Grobdiagnostik zur Nachstellung der Schwellwerte nut­ zen. Die Diagnosefähigkeit des Schwellwertentscheiders ist und bleibt auf den Kontext von Stücklisten und der daraus ableitbaren Zuord­ nung von angeregten Ordnungen zu den jeweiligen mechanischen Er­ regern beschränkt. Das Ergebnis der Grobdiagnostik wird im Archiv zu Zwecken der Dokumentation und zur weiteren Verarbeitung im Block "Feindiagnostik" gespeichert. The upper and lower are the threshold value decision Thresholds specified by an expert. The expert can do that Result of the rough diagnosis for the adjustment of the threshold values only Zen. The threshold decider's ability to diagnose is and remains on the context of parts lists and the derivation that can be derived from them stimulated orders for the respective mechanical results limited rain. The result of the rough diagnosis is in the archive for documentation purposes and for further processing in the Block "fine diagnosis" saved.  

Der Merkmalsvektor wird parallel zur Verarbeitung im Modul "Grob­ diagnostik" such im Modul "Feindiagnostik" bewertet. Fig. 4 be­ schreibt die Funktionsweise der "Feindiagnostik". Im Kern beinhaltet die "Feindiagnostik" einen Klassifikstor auf der Basis von Methoden der Künstlichen Intelligenz, nachfolgend als KI-basierter Klassifikator genannt. Der KI-basierte Klassifikator ist trainierbar und zeichnet sich erfindungsgemäss dadurch aus, dass er sein Wissen teilweise (vom Experten) unüberwacht und teilweise (vom Experten] überwacht lernt. Das Trainingskonzept wird unten erläutert.The feature vector is evaluated in parallel with the processing in the "rough diagnostics" module, such as in the "fine diagnostics" module. Fig. 4 be writes the functioning of the "fine diagnostics". At its core, "fine diagnostics" includes a classification gate based on methods of artificial intelligence, hereinafter referred to as an AI-based classifier. The AI-based classifier can be trained and is characterized according to the invention in that it learns its knowledge partly (from the expert) unsupervised and partly (from the expert) under supervision. The training concept is explained below.

Zum Zeitpunkt des Serienanlaufs ist der KI-basierte Klassifikator "wissensfrei". Das KI-System lernt während der Serienproduktion permanent von der "Grobdiagnostik". Dieses Training erfolgt vom Ex­ perten unüberwacht durch Nutzung der "Grobdiagnostik"-Ergebnisse.The AI-based classifier is used at the start of series production "free of knowledge". The AI system learns during series production permanently from the "rough diagnosis". This training takes place from the ex unsupervised by using the "rough diagnostics" results.

Der KI-basierte Klassifikator kann durch weitergehendes Training zu­ sätzliche Fehler erkennen, die vom Modul Grobdiagnostik nicht er­ kannt werden, z. B. weil die mechanische Ursache des Fehlers nicht eindeutig ist (siehe Beispiel zu Fig. 2) oder sich der Fehler in nicht­ angeregten Ordnungen darstellt; nicht-angeregte Ordnungen sind Ordnungen, die keinen unmittelbaren Bezug auf eine angeregten me­ chanischen Komponenten haben. Neben der Identifizierung der be­ schädigten Komponente kann der KI-basierte Klassifikator zusätzlich Fehlerarten an der gleichen Komponente zu unterscheiden lernen, z. B. Zahnradausbrüche und Unwuchten, oder euch drehzahlunabhän­ gige Fehler oder statistisch auftretende Fehler wie sie bei Verbren­ nungsprozessen auftreten können. Diese Eigenschaft zur detaillierten Fehlerangabe wird hier als Feindiagnosefähigkeit des KI-basierten Klassifikators verstanden.Through further training, the AI-based classifier can identify additional errors that are not recognized by the rough diagnostics module, e.g. B. because the mechanical cause of the error is not clear (see example of Fig. 2) or the error is in non-excited orders; Non-excited orders are orders that have no direct reference to an excited mechanical component. In addition to identifying the damaged component, the AI-based classifier can also learn to distinguish between types of errors on the same component, e.g. B. gear breakouts and imbalances, or you speed-dependent errors or statistically occurring errors as they can occur in combustion processes. This property for the detailed specification of errors is understood here as the ability of the AI-based classifier to be precisely diagnosed.

Um diese Feindiagnosefähigkeit zu fördern, hat der Experte die Mög­ lichkeit, einem (archivierten) Prüfergebnis eine bestimmte Interpreta­ tion, z. B. ein spezieller Komponentenfehler, zuzuordnen.In order to promote this ability to make fine diagnoses, the expert has the possibility a (interpreted) test result a certain interpreta tion, e.g. B. assign a special component failure.

Wird ein Fehler am Prüfling festgestellt, ist häufig die Demontage des Prüflings nötig, um die Fehlerursache eindeutig festzustellen. In der Zwischenzeit wird die Serienprüfung fortgesetzt. Es ist deshalb wich­ tig, dass die Prüfergebnisse sowie zugehörige Merkmalsvektoren und/oder Messsignale, Drehzahlsignale und/oder Betriebsdaten archi­ viert und für eine spätere Bewertung des Prüflings verfügbar sind.If an error is found on the device under test, dismantling the DUT necessary to clearly determine the cause of the error. In the In the meantime, the series test continues. It is therefore important tig that the test results as well as associated feature vectors  and / or measurement signals, speed signals and / or operating data archi fourth and are available for a later evaluation of the examinee.

Ist ein Fehler eindeutig identifiziert, kann dem Merkmalsvektor und dem Messsignal die zutreffende Diagnose zugeordnet werden, der Experte bewertet damit die archivierten Daten. Die Bewertung wird ebenfalls archiviert.If an error is clearly identified, the feature vector and The appropriate diagnosis can be assigned to the measurement signal Experts use it to evaluate the archived data. The evaluation will also archived.

Der KI-basierte Klassifizierer trainiert anhand seiner Trainingsdaten typischerweise off-line, Je Klasse ist eine beschränkte Anzahl von Mustern im Archiv verfügbar. Nach erfolgtem Training werden die entsprechenden Systemparameter auf das Messsystem am Serien­ prüfsystem kopiert, die Systemparameter für eine spätere Nachvoll­ ziehbarkeit des Prüfprozesses archiviert.The AI-based classifier trains based on its training data typically off-line, per class is a limited number of Samples available in the archive. After training, the corresponding system parameters to the measuring system on the series test system copied, the system parameters for a later Nachvoll traceability of the test process archived.

Die Verfügbarkeit des Klassifizierergebnisses des Moduls "Grobdia­ gnostik" ist wesentlich für das Training des Systems "Feindiagnostik". Während des Trainings des KI-basierten Klassifikators werden z. B. bei neuronalen Netzen Cluster für gleichwertige Klassen bestimmt (vergleiche hierzu Kolb: Tutorial Intelligente Systeme - Neuronale Net­ ze und Statistische Methoden der Mustererkennung, MEDAV, 1998) oder bei Methoden des Fallbasierten Schliessens Ähnlichkeitsmaße (vergleiche hierzu z. B. Gottlob, Frühwirth, Horn: Expertensysteme, Springer Verlag, 1990). Eine typische Problematik beim Training von KI-basierten Klassifikatoren ist die Beschreibung der Clusterausdeh­ nung; dieses Problem ist insbesondere bei einer relativ geringen An­ zahl von Trainingsmustern für verschiedene Klassen gegeben. Die "Grobdiagnostik"-Ergebnisse werden zur Beschreibung der Cluster­ grenzen bzw. Ähnlichkeitsmaße genutzt. Mit dieser Strategie gelingt es, den überwiegenden Anteil der Produktion, nämlich die Produktion der fehlerfreien Produkte, durch einen unüberwachten Lernprozess für das Training zu nutzen.The availability of the classification result of the module "Grobdia gnostik "is essential for the training of the system" Feindiagnostik ". During the training of the AI-based classifier, e.g. B. in neural networks clusters determined for equivalent classes (see Kolb: Tutorial Intelligent Systems - Neural Net and statistical methods of pattern recognition, MEDAV, 1998) or similarity measures in case-based reasoning methods (compare e.g. Gottlob, Frühwirth, Horn: expert systems, Springer Verlag, 1990). A typical problem when training AI-based classifiers is the description of the cluster extent nung; this problem is particularly at a relatively low level given number of training patterns for different classes. The "Rough diagnosis" results become the description of the clusters limit or similarity measures used. With this strategy you succeed it, the vast majority of production, namely production of faultless products through an unsupervised learning process to use for training.

Das Klassifikationssystem "Rating" ist vergleichbar zur Funktionswei­ se des Klassifizierers "Feindiagnostik" nach Fig. 4. Die Trainingsmu­ ster des Klassifizierers "Rating" werden vom Experten bewertet. Da­ neben werden den Fehlern, wie sie in den Modulen "Grobdiagnostik" und "Feindiagnostik" erkannt werden, Ratingwerte zugeordnet und ebenfalls für das Training verwendet. Die ausgewählten Muster sowie ihre Bewertung werden archiviert. Nach erfolgtem Training werden die entsprechenden Systemparameter auf das Messsystem am Se­ rienprüfsystem kopiert und die Systemparameter für eine spätere Nachvollziehbarkeit des Prüfprozesses archiviert.The classification system "Rating" is comparable to the functionality of the classifier "fine diagnosis" according to Fig. 4. The training pattern of the classifier "Rating" are rated by the experts. Besides that, the errors as they are recognized in the modules "rough diagnosis" and "fine diagnosis" are assigned rating values and also used for the training. The selected samples and their evaluation are archived. After training, the corresponding system parameters are copied to the measuring system on the series test system and the system parameters are archived for later traceability of the test process.

Die resultierenden Klassifikationsergebnisse stehen nebeneinander und ergänzen sich. Die Ergebnisse der "Grobdiagnostik" und "Feindia­ gnostik" können zur gegenseitigen Plsusibilitätskontrolle verwendet werden. Das "Rating"-Ergebnis kann angegeben werden.The resulting classification results stand side by side and complement each other. The results of the "rough diagnosis" and "Feindia gnostik "can be used for mutual confidentiality control become. The "rating" result can be specified.

Claims (8)

1. Verfahren zur automatischen Fehleridentifikation und zum Ra­ ting von rotierenden Maschinen durch Auswertung ihres emittierten Schalls und Bearbeitung des Schallsignals mittels Fourieranalyse oder Ordnungsanalyse zur Bestimmung des Merkmalsvektors, gekenn­ zeichnet dadurch,
dass drei Auswertesysteme, nämlich ein Grobdiagnose, ein Feindia­ gnose- und ein Ratingsystem parallel geschaltet sind,
wobei das Grobdiagnosesystem einen Schwellwertentscheider bein­ haltet, der vorgebbare Schwellwerte für die einzelnen Merkmalsvek­ torkomponenten mit aktuellen Komponentenwerten vergleicht und die Diagnose durch automatische Auswertung der Stückliste des Prüf­ lings erfolgt,
das Feindiagnosesystem einen auf Künstlicher Intelligenz (Kl) basier­ ten Klassifikator beinhaltet, der unüberwacht anhand der Grobdia­ gnoseergebnisse trainiert wird und der seine Diagnosefähigkeit durch überwachtes Lernen verfeinert,
und das Ratingsystem einen KI-basierten Klassifikator beinhaltet, der durch überwachtes Training anhand von Mustern und der Ergebnisse der Grob- und Feindiagnose lernt,
und das die Klassifikationsergebnisse der Grob- und Feindiagnose und des Ratings neben den zugehörigen Zeit- und Drehzahlsignalen den Merkmalsvektor und die Betriebsdaten archiviert und zum off-line- Training der Klassifikationssysteme genutzt werden kann.1. A method for automatic error identification and for the rating of rotating machines by evaluating their emitted sound and processing the sound signal by means of Fourier analysis or order analysis to determine the feature vector, characterized by
that three evaluation systems, namely a rough diagnosis, a detailed diagnosis and a rating system are connected in parallel,
the rough diagnosis system includes a threshold value decider, which compares predefinable threshold values for the individual feature vector components with current component values and the diagnosis is carried out by automatic evaluation of the parts list of the test object,
the fine diagnosis system contains a classifier based on Artificial Intelligence (CL), which is trained unsupervised on the basis of the rough diagnosis results and which refines its diagnostic ability through supervised learning,
and the rating system includes an AI-based classifier that learns through monitored training based on patterns and the results of rough and detailed diagnosis,
and that the classification results of the rough and detailed diagnosis and the rating in addition to the associated time and speed signals, the feature vector and the operating data can be archived and used for off-line training of the classification systems. 2. Verfahren nach Anspruch 1, bei dem der Merkmalsvektor auch Betriebsdaten enthält.2. The method of claim 1, wherein the feature vector also Contains operating data. 3. Verfahren nach Anspruch 1 und Anspruch 2, dadurch gekenn­ zeichnet, dass als KI-basierter Klassifikator für die Feindiagnose und/oder zum Rating Neuronale Netze eingesetzt werden.3. The method according to claim 1 and claim 2, characterized records that as an AI-based classifier for fine diagnosis and / or for rating neural networks. 4. Verfahren nach Anspruch 1 und Anspruch 2, dadurch gekenn­ zeichnet, dass als KI-basierter Klassifikator für die Feindiagnose und/oder zum Rating Methoden des fallbasierten Schliessens einge­ setzt werden.4. The method according to claim 1 and claim 2, characterized records that as an AI-based classifier for fine diagnosis  and / or use methods of case-based closing for rating be set. 5. Verfahren nach Anspruch 1 bis 4, bei dem das Klassifikations­ system die Grobdiagnose und Feindiagnose beinhaltet.5. The method according to claim 1 to 4, wherein the classification system that includes rough diagnosis and detailed diagnosis. 6. Verfahren nach Anspruch 1 bis 5, bei dem die Drehzahl kon­ stant ist und anstelle der Ordnungsanalyse eine Fourier- Transformation verwendet wird.6. The method according to claim 1 to 5, wherein the speed kon is constant and instead of the order analysis a Fourier Transformation is used. 7. Verfahren nach Anspruch 1 bis 6, bei dem das Zeitsignal, die Drehzahlsignale und Klassifikationsergebnisse archiviert werden,7. The method according to claim 1 to 6, wherein the time signal, the Speed signals and classification results are archived, 8. Verfahren nach Anspruch 1 bis 6, bei dem der Merkmalsvektor und die Klassifikationsergebnisse archiviert werden.8. The method according to claim 1 to 6, wherein the feature vector and the classification results are archived.