PatentDe  


Dokumentenidentifikation DE112005003040T5 08.11.2007
Titel Schwingungsanalysesystem und -verfahren für eine Maschine
Anmelder Caterpillar Inc., Peoria, Ill., US
Erfinder Clarke, Burton R., Cuba, Ill., US;
Allgaier, Ryan P., East Peoria, Ill., US
Vertreter WAGNER & GEYER Partnerschaft Patent- und Rechtsanwälte, 80538 München
DE-Aktenzeichen 112005003040
Vertragsstaaten AE, AG, AL, AM, AT, AU, AZ, BA, BB, BG, BR, BW, BY, BZ, CA, CH, CN, CO, CR, CU, CZ, DE, DK, DM, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, HR, HU, ID, IL, IN, IS, JP, KE, KG, KM, KP, KR, KZ, LC, LK, LR, LS, LT, LU, LV, LY, MA, MD, MG, MK, MN, MW, MX, MZ, NA, NG, NI, NO, NZ, OM, PG, PH, PL, PT, RO, RU, SC, SD, SE, SG, SK, SL, SM, SY, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, YU, ZA, ZM, ZW, EP, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HU, IE, IS, IT, LT, LU, LV, MC, NL, PL, PT, RO, SE, SI, SK, TR, OA, BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, ML, MR, NE, SN, TD, TG, AP, BW, GH, GM, KE, LS, MW, MZ, NA, SD, SL, SZ, TZ, UG, ZM, ZW, EA, AM, AZ, BY, KG, KZ, MD, RU, TJ, TM
WO-Anmeldetag 17.10.2005
PCT-Aktenzeichen PCT/US2005/037057
WO-Veröffentlichungsnummer 2006062577
WO-Veröffentlichungsdatum 15.06.2006
Date of publication of WO application in German translation 08.11.2007
Veröffentlichungstag im Patentblatt 08.11.2007
IPC-Hauptklasse G01H 1/00(2006.01)A, F, I, 20051017, B, H, DE
IPC-Nebenklasse G01M 15/05(2006.01)A, L, I, 20051017, B, H, DE   

Beschreibung[de]
Technisches Gebiet

Diese Erfindung bezieht sich allgemein auf ein System und ein Verfahren zur Analyse von mit Schwingung in Beziehung stehenden Daten für eine Maschine, und insbesondere auf ein System und ein Verfahren zum Testen und Analysieren von schwingungsrelevanten Daten für eine sich drehende Maschine unter Verwendung von traditionellen Schwingungsanalysetechniken in Zusammenarbeit mit künstlicher Intelligenz.

Hintergrund

Sich drehende Maschinen werden bei vielen Anwendungen verwendet. Beispielsweise setzen Maschinen, wie beispielsweise mobile Maschinen, beispielsweise Straßen- und Geländefahrzeuge, Baumaschinen, Erdbewegungsmaschinen usw., Prinzipien der Drehung für die Funktion ein. Antriebsmotoren, Motoren, Antriebsstränge, mit dem Boden in Eingriff stehende Komponenten, wie beispielsweise Räder oder Raupen usw., drehen sich, um zu ermöglichen, dass die Maschinen Arbeitsaufgaben ausführen.

Der Wirkungsgrad und die Lebenserwartung von sich drehenden Maschinen können durch Verwendung einer Untersuchung von Schwingungen analysiert und bestimmt werden, die in den Maschinenkomponenten vorhanden sind. Reibungskräfte zwischen sich bewegenden Teilen, im Zusammenhang mit Unregelmäßigkeiten bei Komponententoleranzen, dienen dazu, Schwingungen in der Maschine zu verursachen. Eine Analyse der Schwingungen kann dabei helfen, in Echtzeit und nicht eindringend bzw. demontagefrei die Gesundheit der Maschinen zu bestimmen, auch bis zu dem Punkt der Vorhersage der Komponentenlebensdauer und möglicher Zusammenbrüche.

Eine Schwingungsanalyse, die verwandte Konzepte der Schall- und Ultraschallanalyse aufweist, ist seit langem bei der Überwachung und Diagnose der Maschinengesundheit bzw. des Maschinenzustandes von Interesse gewesen. Jedoch hat sich bei Schwingungsanalysetechniken typischerweise gezeigt, dass bei diesen entweder ein Mangel dahingehend herrscht, dass sie fragliche Ergebnisse liefern, oder dass sie Daten liefern, die nicht leicht interpretiert und verstanden werden können.

Es sind Bemühungen unternommen worden, Techniken der künstlichen Intelligenz zu verwenden, um die Schwingung von Maschinen zu testen und zu analysieren. Beispielsweise sind die US-Patente 5 566 092, 5 566 273, 5 602 761, 5 854 993, 6 236 950 und 6 539 319, die alle der gegenwärtigen Anmelderin zu eigen sind, Variationen von Techniken zur Verwendung von neuralen Netzwerken, um einen Test und eine Analyse von Maschinen auszuführen, insbesondere bezüglich Schwingungscharakteristiken der Maschinen. Obwohl die in den obigen Patenten eingesetzten Techniken ein gewisses Ausmaß von Erfolgen zur Folge hatten, ist es erwünscht, dass weitere Techniken entwickelt werden, die eine größere Zuverlässigkeit, Robustheit und Präzision beim Test und bei der Analyse bieten.

Die vorliegende Erfindung ist darauf gerichtet, eines oder mehrere der oben dargelegten Probleme zu überwinden.

Zusammenfassung der Erfindung

Gemäß einem Aspekt der vorliegenden Erfindung wird ein System zum Detektieren und Analysieren von Anomalien in einer Maschine während des Betriebs offenbart. Das System weist mindestens einen Sensor auf, der konfiguriert ist, um Charakteristiken bzw. Merkmale der Maschine zu detektieren, die Maschinenschwingungen anzeigen, mindestens einen anderen Sensor, der konfiguriert ist, um Charakteristiken der Maschine zu detektieren, die etwas anderes als eine Maschinenschwingung anzeigen, eine Vielzahl von neuralen Netzwerken, um Eingangsdaten aufzunehmen, mindestens ein neurales Netzwerk, welches Schwingungsdaten von dem mindestens einen Sensor und mindestens einem anderen neuralen Netzwerk aufnimmt, welches Nicht-Schwingungsdaten von dem mindestens einen anderen Sensor aufnimmt, und ein Expertensystem, um Ausgabendaten aus den neuralen Netzwerken aufzunehmen und darauf ansprechend den Maschinenbetrieb bezüglich Anomalien zu analysieren.

Gemäß einem anderen Aspekt der vorliegenden Erfindung wird ein Verfahren zum Detektieren und Analysieren von Anomalien in einer Maschine während des Betriebs offenbart. Das Verfahren weist auf, Eingangsdaten von einer Vielzahl von Sensoren aufzunehmen, wobei mindestens ein Sensor konfiguriert ist, um Charakteristiken der Maschine zu detektieren, die Maschinenschwingungen anzeigen, und wobei mindestens ein anderer Sensor konfiguriert ist, um Charakteristiken der Maschine zu detektieren, die anderes als Maschinenschwingungen anzeigen, die Eingangsdaten zu einer Vielzahl von neuralen Netzwerken zu liefern, wobei mindestens ein neurales Netzwerk Schwingungsdaten aufnimmt, und wobei mindestens ein anderes neurales Netzwerk Nicht-Schwingungsdaten aufnimmt, wobei das mindestens eine andere neurale Netzwerk geeignet ist, um einen Einfluss der Nicht-Schwingungsdaten auf die Schwingungsdaten zu vergleichen, Ausgangsdaten aus der Vielzahl von neuralen Netzwerken zu einem Expertensystem zu liefern und die Ausgangsdaten bezüglich Anomalien zu analysieren, die mit dem Maschinenbetrieb assoziiert sind.

Gemäß noch einem weiteren Aspekt der vorliegenden Erfindung wird ein System zum Detektieren und Analysieren von Schwingungen in einer Maschine offenbart. Das System weist eine Teststation auf, die betreibbar ist, um Eingangsdaten von einer Vielzahl von Sensoren aufzunehmen, mindestens einen Sensor, der konfiguriert ist, um Charakteristiken der Maschine zu detektieren, die Maschinenschwingungen anzeigen, und mindestens einen anderen Sensor, der konfiguriert ist, um Charakteristiken bzw. Merkmale der Maschine zu detektieren, die anderes als Maschinenschwingungen anzeigen, einen Knoten, der eine Vielzahl von neuralen Netzwerken enthält, wobei mindestens ein neurales Netzwerk betreibbar ist, um Schwingungsdaten aufzunehmen und zu analysieren, und wobei mindestens ein anderes neurales Netzwerk betreibbar ist, um Nicht-Schwingungsdaten aufzunehmen und zu analysieren, wobei der Knoten weiter ein Expertensystem enthält, welches betreibbar ist, um analysierte Daten von der Vielzahl von neuralen Netzwerken aufzunehmen und darauf ansprechend Schwingungscharakteristiken der Maschine zu analysieren, und eine Kommunikationsverbindung, die betreibbar ist, um Daten von der Teststation zum Knoten zu übertragen.

Kurze Beschreibung der Zeichnungen

1 ist eine schematische Veranschaulichung einer Maschine, die mit der vorliegenden Erfindung verwendet werden kann;

2 ist ein Blockdiagramm, welches einen Aspekt der vorliegenden Erfindung abbildet; und

3 ist ein detailliertes Blockdiagramm eines Verarbeitungsknotens, der zur Anwendung bei dem System der 2 geeignet ist.

Detaillierte Beschreibung

Mit Bezug auf die Zeichnungen im Allgemeinen sind ein System 100 und ein Verfahren zum Detektieren und Analysieren von Anomalien in einer Maschine 10 während des Betriebs gezeigt. Anomalien können sich auf mit Schwingung in Beziehung stehende Charakteristiken der Maschine 10 beziehen, insbesondere auf mit Schwingungen in Beziehung stehende Charakteristiken von sich drehenden Komponenten der Maschine 10.

Insbesondere mit Bezug auf 1 ist eine Maschine 10 als ein Radlader verkörpert, der typischerweise für Erdbewegungs- und Bauzwecke verwendet wird. Die Abbildung des Radladers ist nur zu Beispielszwecken vorgesehen, und zwar dahingehend, dass Maschinen einer Vielzahl von Bauarten, mobil und stationär, mit der vorliegenden Erfindung verwendet werden können. Beispielsweise können andere Bauarten von mit Rädern versehenen Maschinen und Fahrzeugen, von Raupenmaschinen, Leistungsgeneratoren, Maschinen zur Herstellung, Montage und Lagerung, und verschiedene andere Bauarten von Maschinen aus der Anwendung der Erfindung Vorteile gewinnen.

Die beispielhafte Maschine 10 der 1 kann einen Motor 12, ein Getriebe 14, eine Transfereinheit 16 von gewisser Bauart, beispielsweise ein Transfer- bzw. Leistungsübertragungsgehäuse und einen Antriebsstrang 18 aufweisen, die alle in der Technik wohl bekannt sind. Ein gemeinsames Merkmal der oben aufgelisteten Komponenten der Maschine 10 ist, dass alle eine Drehbewegung von Komponententeilen verkörpern, die anfällig für Schwingungen innerhalb und außerhalb von akzeptablen Toleranzen sein können.

Mindestens ein Schwingungssensor 20 kann verwendet werden, um entweder direkt oder durch Ableitung Schwingungen in der Maschine 10 abzufühlen. Die Schwingungssensoren 20 können derartige Vorrichtungen aufweisen, wie beispielsweise Drehzahlsensoren, Beschleunigungsmesser usw., und können an verschiedenen erwünschten Stellen an der Maschine 10 angeschlossen sein, um Parameter abzufühlen, die Schwingungen anzeigen.

Mindestens ein anderer Nicht-Schwingungssensor 22 kann verwendet werden, um entweder direkt oder indirekt Charakteristiken zu detektieren, die mit der Maschine 10 assoziiert sind, die nicht mit Schwingungen in Beziehungen stehen. Beispiele von Nicht-Schwingungssensoren 22 können Temperatursensoren, Feuchtigkeitssensoren, Sensoren für den barometrischen Druck bzw. Gasdrucksensoren, Flüssigkeitspegelsensoren usw. aufweisen.

Mit Bezug auf 2 ist ein Blockdiagramm gezeigt, welches einen Aspekt des Systems 100 veranschaulicht. Das System 100 ist derart abgebildet, dass es eine entfernte Teststation 102 zum Testen der Maschine 10 auf dem Gelände hat, und einen Verarbeitungsknoten 118, der an einem zentralen Punkt entfernt von der Teststation 102 gelegen sein kann. Beispielsweise kann es viele entfernte Teststationen 102 geben, die an Stellen gelegen sind, an denen die Maschinen auch gelegen sind, und einen einzigen Verarbeitungsknoten 118, der an einer zentralen Station entfernt von den Stellen der Maschinen gelegen ist. Obwohl die vorliegende Offenbarung die beispielhafte Situation beschreibt, in der die Teststation 102 und der Knoten 118 an getrennten Stellen sind, ist es einsichtig, dass die Teststation 102 und der Knoten 118 an einer Stelle gelegen sein können, sogar vielleicht in einer Einheit aufgenommen sein können.

Die Teststation 102 kann eine Vielzahl von abgefühlten Eingangsgrößen 104 aufweisen bzw. aufnehmen, beispielsweise von einer Vielzahl von Schwingungs- und Nicht-Schwingungssensoren 20, 22. Die abgefühlten Eingangsgrößen 104 können in eine Signalkonditionierungsvorrichtung 106 eingegeben werden. Die Signalkonditionierungsvorrichtung 106 kann verwendet werden, um Funktionen auszuführen, wie beispielsweise das Liefern von ordnungsgemäßen Bias- bzw. Vorspannströmen. Die konditionierten Signale können dann durch Analogfilter 107 für ein Anti-Aliasing geleitet werden. Die Signale können dann zu einem I/O- bzw. Eingabe-/Ausgabeverbinder 108 geliefert werden, und dann zu einer A/D-Wandlerkarte 109 zur Umwandlung von analog auf digital. Die abgefühlten Eingangsgrößen 104 a-m stellen Signale dar, die durch die obigen Schritte verarbeitet werden. Alternativ können Signale, wie sie durch die abgefühlten Eingangsgrößen 104 n-z abgebildet sind, nicht die obige Konditionierung und Filterung fordern, und können direkt zum I/O-Verbinder 108 geliefert werden.

Ein Prozessor 110 kann die konditionierten Datensignale aufnehmen und eine zusätzliche Verarbeitung ausführen. Beispielsweise kann auf einen Speicher 112 zugegriffen werden, um Daten zu speichern und aufzurufen. Der Prozessor 110 kann auch die Daten für die Lieferung zum Knoten 118 vorbereiten, beispielsweise durch Auswahl von gewissen Daten, durch Kategorisierung von Daten, durch tabellenartiges Anordnen und durch Teilanalyse von Rohdaten usw.

Die entfernte Teststation 102 wird durch eine Leistungsversorgung 114 mit Leistung versorgt, die eine unterbrechungsfreie Leistungsversorgung (UPS = uninterruptible power supply) sein kann, um die Einrichtungen und die empfangenen und kompilierten Daten vor Störungen zu schützen, die durch Leistungsunterbrechungen verursacht werden.

Eine Kommunikationsverbindung 116 sieht Kommunikationsvorgänge zwischen der Teststation 102 und dem Knoten 118 vor. Die Kommunikationsverbindung 116 kann verdrahtet oder drahtlos sein, abhängig von der Gesamtsystemkonfiguration und den Anforderungen. Vorzugsweise können die Kommunikationsvorgänge durch ein Internetprotokoll für einen Web-Zugriff ausgeführt werden. Jedoch können andere Verfahren zur Kommunikation verwendet werden. Beispielsweise kann die Kommunikationsverbindung 116 drahtlos sein, wie beispielsweise über Funk, Mikrowellen oder Satelliten, oder kann verdrahtet sein, wie beispielsweise über eine Telefonleitung, ein Koaxialkabel, Leistungsübertragungsleitungen usw. Zusätzlich kann die Kommunikationsverbindung 116 verkabelt sein durch extra dafür vorgesehene Verdrahtungsverbindungen, oder die Teststation 102 und der Knoten 118 können miteinander als eine integrierte Einheit verbunden sein. Assoziierte (nicht gezeigte) Sende- und Empfangseinrichtungen werden verwendet, um Kommunikationsvorgänge über die Kommunikationsverbindung 116 zu ermöglichen. Durch egal welches Medium, welches zur Kommunikation verwendet wird, kann die Kommunikationsverbindung 116 gegen Zugriff gesichert werden, wie beispielsweise durch ein verschlüsseltes Internet-Protokoll.

Der Verarbeitungsknoten 118 kann Daten von einer oder mehreren Teststationen 102 empfangen, kann die Daten verarbeiten und analysieren und die Ergebnisse der Analyse an die Teststationen 102 oder an andere extra dafür vorgesehenen Stellen liefern, beispielsweise an andere Stellen, die dafür vorgesehen sind, Nachrichten bezüglich eines Zustandes außerhalb der Toleranz oder eines Alarmzustandes durch Textnachrichten oder Emails zu empfangen. Die Details des Betriebs des Knotens 118 können am Besten mit Bezugnahme auf 3 beschrieben werden. Der Knoten 118 kann Software in einem Computer darstellen. In diesem Ausführungsbeispiel stellen die Blöcke in 3 verschiedene Software-Funktionen dar.

In 3 stellt ein Block, der als Zeitsignal 302 gezeigt ist, das Testsignal dar, welches zum Knoten 118 über die Kommunikationsverbindung 116 geliefert wird. Das Zeitsignal 302 wird vor der Lieferung durch die Teststation 102 verarbeitet und kann analog/digital-umgewandelt, verschlüsselt und als eine verdichtete bzw. komprimierte Textnachricht beispielsweise im Internet-Protokoll geliefert werden. Das Zeitsignal 302 kann viele Kanäle und viele Testschritte für jeden Kanal haben. Beispielsweise kann das Zeitsignal 302 Kanäle haben, die für jedes abgefühlte Signal repräsentativ sind, welches analysiert wird, und jeder Kanal kann Testschritte für mehrere Betriebsbedingungen der Maschine 10 haben. Insbesondere kann die Maschine 10 ein Getriebe sein, die Kanäle können Signale darstellen, die von einer Vielzahl von Sensoren empfangen wurden, die konfiguriert sind, um eine entsprechende Vielzahl von Charakteristiken des Getriebes abzufühlen, beispielsweise Schwingungen, Temperatur, Druck, Umgebungsbedingungen usw., und die Testschritte können verschiedene Betriebsverfahren des Getriebes anzeigen, beispielsweise erster Gang vorwärts, zweiter Gang vorwärts usw.

Mindestens ein virtueller Kanal 304 ist aufgebaut, um die Zeitsignale 302 zur Lieferung zu mindestens einem Algorithmus 306 aufzunehmen. Die virtuellen Kanäle 304 können bezüglich der Funktion mit Signalteilern verglichen werden, was somit getrennte Wege für die zu sendenden Zeitsignale 302 vorsieht. Jedoch haben die virtuellen Kanäle 304 keine physische Verbindung zur Welt außerhalb des Knotens 118. Die Zeitsignale 302 können unverändert durch jeden virtuellen Kanal 304 laufen, oder alternativ können ein oder mehrere virtuelle Kanäle 304 verwendet werden, um gewünschte Komponenten der Zeitsignale 302 auszuwählen. Die Algorithmen 306 können verwendet werden, um die Zeitsignale 302 zur Analyse unter Verwendung von Techniken zu verarbeiten, wie beispielsweise Korrelation, Kovarianz, Wellenanalyse usw.

Eine Mehrkanalauswahlvorrichtung 308 sorgt für eine Auswahl von mehreren Kanälen zur Verarbeitung und Analyse. Die Mehrkanalauswahlvorrichtung 308 kann mehr als einen Kanal des Zeitsignals 302 zu einem Algorithmus liefern, wie beispielsweise zu einem Korrelationsalgorithmus 310, um die Kanäle zu analysieren, insbesondere die Ergebnisse der Gegenwirkungen zwischen den Kanälen. Beispielsweise kann eine Kanal, der ein Schwingungssignal eines Sensors anzeigt, der an einer gerade getesteten Komponente gelegen ist, analysiert werden, wobei ein Kanal betrachtet wird, der ein Schwingungssignal eines Sensors anzeigt, der sonst irgendwo an der Maschine 10 gelegen ist.

Die Mehrkanalauswahlvorrichtung 308 kann auch die Zeitsignale 302 verarbeiten, beispielsweise für jeden von mehreren Kanälen, um die Signale für ein neurales Netzwerk vorzubereiten, wie beispielsweise für das neurale Netzwerk 312 mit der Nummer 3. Insbesondere kann die Mehrkanalauswahlvorrichtung 308 Werte der Signale mitteln, beispielsweise die Spitzenamplitude oder Leistung, um Punkte für das neurale Netzwerk 312 mit der Nummer 3 zu liefern.

Die Zeitsignale 302 können auch zu einem Autoregressionsalgorithmus (AR-Algorithmus) 314 zur Umwandlung auf die Frequenzdomäne geliefert werden. Der Autoregressionsalgorithmus 314 ist, wie dies in der Technik wohl bekannt ist, ein berechnungseffizientes Verfahren zur Übertragung von Signalen von der Zeitdomäne auf die Frequenzdomäne. Die übertragenen Signale können dann zu einem neuralen Netzwerk zur Analyse geliefert werden, wie beispielsweise zu dem neuralen Netzwerk 316 mit der Nummer eins.

Verschiedene Kanäle des Zeitsignals 302 können Zusatzsensoren darstellen, d.h. Signale von Nicht-Schwingungssensoren 22. Diese Zusatzsensorsignale können zu einem kompensierenden neuralen Netzwerk gesandt werden, d.h. zu dem neuralen Netzwerk 318 mit der Nummer fünf, und zwar zum Vergleich des Einflusses der zusätzlichen Charakteristiken auf die Analyse von mit Schwingungen in Beziehung stehenden Signalen. Beispielsweise haben zusätzliche Charakteristiken, wie beispielsweise die Temperatur, der Druck, Strömungsmittelniveaus, Umgebungsbedingungen usw., einen Effekt auf Maschinenschwingungen. Als solches kann eine Analyse von Schwingungssignalen auf einem höheren Konfidenz- bzw. Vertrauensniveau gemacht werden, wenn diese zusätzlichen Charakteristiken berücksichtigt werden.

Die Zeitsignale 302 können auch zu einer FFT-Steuerung 320 (FFT = Fast Fourier Transform) gesandt werden, die Optionen bieten kann, wie beispielsweise die Anwendung von abgeschnittener FFT, einer dezimierten Zeitwellenform FFT usw. FFT, wie beispielsweise die FFT 322 mit der Nummer eins und die FFT 324 mit der Nummer zwei, wandeln die Zeitdomänensignale in die Frequenzdomäne um und können die Zahl der Frequenzdomänenpunkte kondensieren oder nicht, um die Arbeit der neuralen Netzwerke zu vereinfachen.

Die Anwendung eines FFT-Algorithmus gestattet die Verarbeitung eines Zeitdomänensignals zur Erzeugung eines Frequenzdomänensignals, welches alle Frequenzkomponenten darstellt, die in dem vorgesehenen Zeitdomänensignal vorhanden sind. Bei der gegebenen großen Anzahl von Datenpunkten in dem Frequenzspektrum kann es beträchtliche Zeit dauern, zu bestimmen, welche Frequenzen signifikant sind, und zu bestimmen, was ein normales Niveau für diese Frequenzen sein sollte. Die vorliegende Erfindung kann einen selbst schablonierten Algorithmus verwenden, um automatisch einen Satz von Spektralabteilungen basierend auf dem gegebenen Frequenzdomänensignal zu erzeugen. Basierend auf den Abmessungen der Unterteilung können neue Datensignale durch die Unterteilungen geleitet werden, um Diagnosefunktionen bezüglich ihres Inhaltes auszuführen, wie beispielsweise den absoluten maximalen Wert von irgendeiner darin enthaltenen Frequenzkomponente oder die Leistung, beispielsweise den RMS-Wert, der in der Abteilung enthaltenen Daten.

Ein bevorzugter Algorithmus kann durch Identifizieren von Schlüsselkomponentenfrequenzelementen in dem Signal arbeiten, durch Erzeugen einer Spektralaufteilung um das Signal, durch Skalieren der Höhe der Abteilung, wie geeignet, und durch Wiederholung, bis eine Reihe von Unterteilungen erzeugt wird. Der Algorithmus kann zuerst die Frequenzkomponente mit der höchsten Amplitude identifizieren, die nicht schon ein Teil einer existierenden Spektralaufteilung ist. Der Algorithmus kann dann eine vordefinierte oder vom Anwender zu konfigurierende Transferfunktion verwenden, um eine Spektralaufteilung um diese Frequenzkomponente zu erzeugen. Die Transferfunktion dient zur Identifikation der Breite der Spektralaufteilung. Die Transferfunktion ist typischerweise eine exponentielle Kurve. Weil Variationen bei den Umgebungsvariablen, beispielsweise RPM bzw. U/min, Temperatur, Feuchtigkeit usw. eine Verschiebung der Frequenzen verursachen können, werden höherfrequente Komponenten typischerweise stärker beeinflusst werden als niedrigerfrequente Komponenten. Die exponentielle Transferfunktion kann dazu dienen, jene Spektralabteilungen auf den oberen Frequenzen aufzuweiten, sodass ihr Inhalt relativ stabil bleibt. Eine ähnliche exponentielle Transferfunktion kann existieren, um die Höhe, beispielsweise die Schwellen, der spektralen Aufteilung zu skalieren. Diese Transferfunktion kann dann dazu dienen, die Schwellen von irgendwelchen spektralen Aufteilungen herunter zu skalieren, die in höheren Frequenzbereichen vorhanden sind, da viel mehr Kraft bzw. Energie bei höheren Frequenzen benötigt wird, um eine signifikante Veränderung der Amplitude einer Frequenzkomponente zu bewirken als dies bei niedrigeren Frequenzen benötigen würde.

Der Prozess des Identifizierens von Frequenzkomponenten kann sich wiederholen, bis gewisse Kriterien erfüllt worden sind. In einem ersten Ausführungsbeispiel kann eine feste Anzahl von Unterteilungen, d.h. eine Zahl N, angefordert werden, um die oberen N Hauptkomponenten des Signals zu identifizieren. In einem zweiten Ausführungsbeispiel kann der Algorithmus laufen, wobei die Anzahl der Unterteilungen N auf Unendlich gesetzt ist, um das Signal mit Unterteilungen zu sättigen, was somit sicherstellt, dass im Wesentlichen das gesamte Signal durch mindestens eine Unterteilung abgedeckt wird. Ein drittes Ausführungsbeispiel kann aufweisen, ein Signal/Rausch-Verhältnis und eine Gesamtleistung in dem Signal zu berechnen, und dann beginnt ein Prozess des Identifizierens von Unterteilungen, bis die gesamte Nicht-Rauschleistung in dem Signal in definierten spektralen Unterteilungen enthalten ist.

Die FFT-Punkte von der FFT mit der Nummer eins können direkt an ein neurales Netzwerk zur Schwingungsanalyse angelegt werden, wie beispielsweise an das neurale Netzwerk mit der Nummer zwei.

Die FFT-Punkte von der FFT 324 mit der Nummer zwei können dann durch eine Reihe von Bandpassfiltern (BPF) 326 gesandt werden, die parallel konfiguriert sind, sodass die Frequenzdomäne in Bänder von Frequenzpaketen aufgeteilt werden kann. Jedes Paket kann dann einer weiteren Verarbeitung durch Frequenzpaketprozessoren 328 unterworfen werden. Beispielsweise kann ein quadratischer Mittelwert (RMS-Wert, RMS = Route Mean Square) von jedem Paket bestimmt werden, oder ein Spitzenwert (PK = PeaK) von jedem Pakte kann bestimmt werden. Alternativ kann eine Leistungsspektraldichte (PSD = Power Spectral Density) oder ein anderer solcher Wert bestimmt werden.

Die Punkte von den Frequenzpaketprozessoren 328 können dann auf ein neurales Netzwerk angewandt werden, wie beispielsweise das neurale Netzwerk 332 mit der Nummer vier, um Schwingungscharakteristiken der gerade getesteten Maschine 10 zu analysieren. Weiterhin können die Punkte zusätzlich oder alternativ an das neurale Netzwerk 318 mit der Nummer fünf angelegt werden, d.h. an das kompensierende neurale Netzwerk, um den Einfluss von zusätzlichen Charakteristiken in der Schwingungsanalyse der gerade getesteten Maschine 10 einzuschließen. Vorzugsweise werden die Ergebnisse des kompensierenden neuralen Netzwerks ein höheres Konfidenzniveau haben, weil sie Faktoren einschließen, die einen Effekt auf Maschinenschwingungen haben, die nicht von typischen Schwingungsanalysetechniken berücksichtigt werden.

Jedem verwendeten neuralen Netzwerk und jedem verwendeten Algorithmus kann ein einstellbarer Gewichtungsfaktor während des anfänglichen Aufbaus des Knotens 118 zugeordnet werden, und während darauf folgender Sitzungen, in denen der Knoten 118 für optimale Leistung fein eingestellt wird. Der Prozess des Aufbaus des Knotens 118 kann die Anwendung von Assistenten einsetzen, die nach gewissen Eingaben fragen, wie beispielsweise die Anzahl und die Arten von neuralen Netzwerken, Bandpassfilterspezifikationen, virtuelle Kanäle und zu verwendende Algorithmen usw. Die daraus resultierende Knotenkonfiguration kann somit für spezielle Schwingungsanalysesituationen angepasst werden und kann auch periodisch verändert werden, falls erwünscht. Der Knoten 118 kann auf Software basieren, die für den Anwender eine Konfigurierbarkeit durch Drag-and-Drop vorsieht. Beispielsweise können verschiedene Merkmale, wie beispielsweise Bandpassfilter, Algorithmen, neurale Netzwerke usw. ausgewählt werden durch das Ziehen (Drag) von Icons, die solche Merkmale darstellen, auf einen Teil einer Anzeige und durch Fallenlassen (Drop) der Icons. Durch diese Technik kann irgendeine erwünschte Anzahl von Merkmalen ausgewählt werden. Die Auswahl von Merkmalen kann für jeden Testschritt von jedem Kanal in dem Zeitsignal 302 ausgeführt werden.

Der oben beschriebene Algorithmus und andere Algorithmen, die genauso verwendet werden können, können verwendet werden, um eine Reihe von Eingangsgrößen zu identifizieren, die auf ein neurales Netzwerk anzuwenden sind. Ein Teil des Konfigurationsprozesses weist auf, gesammelte Daten zu nehmen, sie als ein normales Muster zu identifizieren und dieses normale Muster auf alle neuralen Netzwerke zu trainieren, die in dem Verarbeitungsknoten 118 enthalten sind. Wenn ein neuer Testplan aufgestellt wird, oder wenn ein existierender Testplan aktualisiert oder modifiziert wird, muss jedes vorhandene neurale Netzwerk potentiell erneut, basierend auf den neuesten aufgenommenen Daten konfiguriert werden. Als ein Teil dieses Prozesses muss jedes vorhandene neurale Netzwerk erneut initialisiert, erzeugt und trainiert werden. Darauf folgend muss das normale Muster für jedes neurale Netzwerk identifiziert werden, und jedes neurale Netzwerk muss mit einem neuen Muster trainiert werden.

Die Anwendung von Assistenten kann verwendet werden, um vollständig diesen Prozess zu automatisieren, was somit Fehler des Bedieners eliminiert und beträchtlich die Zeit verringert, die erforderlich ist, um den Verarbeitungsknoten 118 in Betrieb zu bringen. Die Assistenten können jedes vorhandene neurale Netzwerk identifizieren, und zwar ungeachtet vom vorherigen Zustand von irgendeinem neuralen Netzwerk. Weiterhin kann die Anwendung von Assistenten eine Testidentifikation von normalen Samples bzw. Aufnahmen gestatten, d.h. eine Aufnahme, die das vollständige Ergebnis von einem Test ist, der durch den Verarbeitungsknoten 118 ausgeführt wurde. Dies kann die Identifikation von mehreren Samples bzw. Aufnahmen mit Mustern aufweisen, die dann kombiniert werden können, um ein einziges Eingabemuster zu bilden. Sobald ein Eingabemuster für jedes einzigartige neurale Netzwerk identifiziert ist, wird das Netzwerk frei gemacht, falls nötig, wird initialisiert und dann auf das normale Muster trainiert, welches durch das obige Verfahren identifiziert wurde. Der Prozess kann dann für jedes vorhandene neurale Netzwerk wiederholt werden, und zwar ungeachtet der Größe des Musters, beispielsweise der Anzahl der Punkte.

Ein Expertensystem 334 nimmt die gewichteten Ausgangsgrößen von dem ausgewählten neuralen Netzwerken und Algorithmen auf und summiert darauf ansprechend die Gewichtungen für eine letztendliche Schwingungsanalyse der Maschine 10. Falls erwünscht, können konditionierte Pakete von den Bandpassfiltern 326, beispielsweise konditionierte quadratische Mittelwerte, direkt zu dem Expertensystem 334 gesandt werden, um dabei zu helfen, eine Konfidenz bzw. ein Vertrauen bei den neuralen Netzwerken einzurichten, insbesondere bei dem neuralen Netzwerk 332 mit der Nummer vier und dem neuralen Netzwerk 318 mit der Nummer fünf.

Industrielle Anwendbarkeit

Das System 100 kann ausgewählt werden, um in irgendeinem von verschiedenen Betriebszuständen zu arbeiten. Beispielsweise kann ein erster Betriebszustand ausgewählt werden, indem das System 100 die Ergebnisse von allen konfigurierten Testplanparametern überwacht und einen Alarm ausgibt, wenn eine Schwelle von irgendeinem ausgewählten Parameter überschritten wird. Benachrichtigungen können zu irgendeiner erwünschten Stelle durch irgendwelche erwünschten Mittel gesandt werden.

Ein zweiter Betriebszustand kann die Merkmale des oben beschriebenen ersten Betriebszustandes aufweisen und kann weiter Alarmfunktionen basierend auf den Ausgangsgrößen von irgendwelchen neuralen Netzwerken aufweisen, falls voreingestellte Vertrauens- bzw. Konfidenzniveaus überschritten werden.

Ein dritter Betriebszustand kann Merkmale der ersten und zweiten Betriebszustände aufweisen und kann weiter die Fähigkeit aufweisen, dass ein Testingenieur auswählt, dass das System 100 eine intelligente Prognose basierend auf den gewichteten Ergebnissen von irgendwelchen ausgewählten Parametern machen lässt, genauso wie basierend auf irgendwelchen der Konfidenzniveaus der neuralen Netzwerke. Die Ergebnisse, basierend auf einer Kombination von Gewichtungen in irgendeiner erwünschten Kategorie, können zu einem Bediener der Maschine 10, zu einem Testingenieur am Knoten 118, zu einer Datenbank zur Aufnahme, zu irgendeiner anderen festgelegten Stelle oder zu irgendwelchen Kombination davon geliefert werden. Die Anwendung der oben beschriebenen Techniken und Komponenten in dem Knoten 118 gestattet höhere Konfidenzniveaus in den Ergebnissen und ermöglicht auch eine Schwingungsanalyse mit Anwendung von neuralen Netzwerken, die keine vergangenen historischen Daten benötigen, um ein vernünftiges Niveau von Zuverlässigkeit und Gewissheit zu erreichen.

Andere Aspekte können aus einem Studium der Zeichnungen, der Offenbarung und der beigefügten Ansprüche gewonnen werden.

Zusammenfassung Schwingungsanalysesystem und -verfahren für eine Maschine

Ein System und ein Verfahren zum Detektieren und Analysieren von Anomalien in einer Maschine während des Betriebs werden offenbart. Das System und das Verfahren weisen mindestens einen Sensor auf, der konfiguriert ist, um Charakteristiken der Maschine zu detektieren, die eine Maschinenschwingung anzeigen, mindestens einen anderen Sensor, der konfiguriert ist, um Charakteristiken der Maschine zu detektieren, die etwas anderes als eine Maschinenschwingung anzeigen, eine Vielzahl von neuralen Netzwerken zur Aufnahme von Eingangsdaten, wobei mindestens ein neurales Netzwerk Schwingungsdaten von dem mindestens einen Sensor aufnimmt, und wobei mindestens ein anderes neurales Netzwerk Nicht-Schwingungsdaten von dem mindestens einen anderen Sensor aufnimmt, und ein Expertensystem zur Aufnahme von Ausgangsdaten aus den neuralen Netzwerken und zur darauf ansprechenden Analyse des Maschinenbetriebs bezüglich Anomalien.


Anspruch[de]
System (100) zum Detektieren und Analysieren von Anomalien in einer Maschine (10) während des Betriebs, welches Folgendes aufweist:

mindestens einen Sensor (20), der konfiguriert ist, um Charakteristiken der Maschine (10) zu detektieren, die Maschinenschwingungen anzeigt;

mindestens einen anderen Sensor (22), der konfigurier ist, um Charakteristiken der Maschine (10) zu detektieren, die anderes als Maschinenschwingungen anzeigen;

eine Vielzahl von neuralen Netzwerken (312, 316, 318, 330, 332) zur Aufnahme von Eingangsdaten, wobei mindesten ein neurales Netzwerk (312, 316, 318, 330, 332) Schwingungsdaten von dem mindestens einen Sensor (20) aufnimmt, und wobei mindestens ein anderes neurales Netzwerk (318) Nicht-Schwingungsdaten von dem mindestens einen anderen Sensor (22) aufnimmt, wobei das mindestens eine andere neurale Netzwerk (318) zum Vergleich eines Einflusses der Nicht-Schwingungsdaten auf die Schwingungsdaten geeignet ist; und

ein Expertensystem (334), um Ausgangsdaten von den neuralen Netzwerken (312, 316, 318, 330, 332) aufzunehmen und darauf ansprechend den Maschinenbetrieb bezüglich Anomalien zu analysieren.
System (100) nach Anspruch 1, wobei mindestens eines der Vielzahl von neuralen Netzwerken (312, 316, 318, 330, 332) einen Gewichtungsfaktor aufweist. System (100) nach Anspruch 1, welches weiter einen Autoregressionsalgorithmus (314) aufweist, um Eingangsdaten in der Zeitdomäne aufzunehmen, die Eingangsdaten auf die Frequenzdomäne umzuwandeln und die umgewandelten Daten zu mindestens einem neuralen Netzwerk (316) zu liefern. System (100) nach Anspruch 1, welches weiter mindestens eine schnelle Fourier Transformation (FFT = Fast Fourier Transform) (322, 324) zur Aufnahme von Eingangsdaten, zur Umwandlung der Eingangsdaten von der Zeitdomäne auf die Frequenzdomäne und zum Liefern der umgewandelten Daten zu mindestens einem neuralen Netzwerk (318, 330, 332) aufweist. System (100) nach Anspruch 1, welches weiter eine Mehrkanalauswahlvorrichtung (308) aufweist, um erwünschte Datenkanäle von den Eingangsdaten auszuwählen, die ausgewählten Kanäle zu verarbeiten, die ausgewählten Kanäle zu einem Korrelationsalgorithmus (310) zur Analyse einer Gegenwirkung zwischen den Kanälen zu liefern, und die ausgewählten Kanäle zu mindestens einem neuralen Netzwerk (312) zu liefern. Verfahren zum Detektieren und Analysieren von Anomalien in einer Maschine (10) während des Betriebs, welches folgende Schritte aufweist:

Aufnahme von Eingangsdaten von einer Vielzahl von Sensoren (20, 22), wobei mindestens ein Sensor (20) konfiguriert ist, um Charakteristiken der Maschine (10) zu detektieren, die Maschinenschwingungen anzeigen, und wobei mindestens ein anderer Sensor (22) konfiguriert ist, um Charakteristiken der Maschine (10) zu detektieren, die anderes als Maschinenschwingungen anzeigen;

Liefern der Eingangsdaten zu einer Vielzahl von neuralen Netzwerken (312, 316, 318, 330, 332), wobei mindestens ein neurales Netzwerk (312, 316, 318, 330, 332) Schwingungsdaten aufnimmt, und wobei mindestens ein anderes neurales Netzwerk (318) Nicht-Schwingungsdaten aufnimmt, wobei das mindestens eine andere neurale Netzwerk (318) geeignet ist, um einen Einfluss der Nicht-Schwingungsdaten auf die Schwingungsdaten zu vergleichen;

Liefern von Ausgangsdaten von der Vielzahl von neuralen Netzwerken (312, 316, 318, 330, 332) an ein Expertensystem (334), und

Analysieren der Ausgangsdaten bezüglich Anomalien, die mit dem Maschinenbetrieb assoziiert sind.
Verfahren nach Anspruch 6, wobei das Liefern von Ausgangsdaten von der Vielzahl von neuralen Netzwerken (312, 316, 318, 330, 332) den Schritt aufweist, den Daten von mindestens einem neuralen Netzwerk (312, 316, 318, 330, 332) einen Gewichtungsfaktor zuzuordnen. Verfahren nach Anspruch 6, wobei das Liefern der Eingangsdaten zu einer Vielzahl von neuralen Netzwerken (312, 316, 318, 330, 332) folgende Schritte aufweist.

Umwandeln von mindestens einem Teil der eingegebenen Daten von einer Zeitdomäne auf eine Frequenzdomäne; und

Liefern der Frequenzdomänendaten zu mindestens einem neuralen Netzwerk (316, 318, 330, 332).
Verfahren nach Anspruch 6, wobei das Liefern der Eingangsdaten zu einer Vielzahl von neuralen Netzwerken (312, 316, 318, 330, 332) folgende Schritte aufweist:

Auswählen von erwünschten Datenkanälen aus den Eingangsdaten,

Analysieren von Gegenwirkungen zwischen den ausgewählten Kanälen unter Verwendung eines Korrelationsalgorithmus (310); und

Liefern der analysierten Datenkanäle zu mindestens einem neuralen Netzwerk (312)






IPC
A Täglicher Lebensbedarf
B Arbeitsverfahren; Transportieren
C Chemie; Hüttenwesen
D Textilien; Papier
E Bauwesen; Erdbohren; Bergbau
F Maschinenbau; Beleuchtung; Heizung; Waffen; Sprengen
G Physik
H Elektrotechnik

Anmelder
Datum

Patentrecherche

Patent Zeichnungen (PDF)

Copyright © 2008 Patent-De Alle Rechte vorbehalten. eMail: info@patent-de.com