DE4012278A1 - Zustands-diagnosesystem fuer eine anlage - Google Patents
Zustands-diagnosesystem fuer eine anlageInfo
- Publication number
- DE4012278A1 DE4012278A1 DE4012278A DE4012278A DE4012278A1 DE 4012278 A1 DE4012278 A1 DE 4012278A1 DE 4012278 A DE4012278 A DE 4012278A DE 4012278 A DE4012278 A DE 4012278A DE 4012278 A1 DE4012278 A1 DE 4012278A1
- Authority
- DE
- Germany
- Prior art keywords
- neural network
- network model
- information
- learning
- abnormality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2257—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using expert systems
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
- F01D21/003—Arrangements for testing or measuring
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2220/00—Application
- F05D2220/30—Application in turbines
- F05D2220/31—Application in turbines in steam turbines
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2260/00—Function
- F05D2260/80—Diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/30—Control parameters, e.g. input parameters
- F05D2270/334—Vibration measurements
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/70—Type of control algorithm
- F05D2270/709—Type of control algorithm with neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/903—Control
- Y10S706/904—Manufacturing or machine, e.g. agricultural machinery, machine tool
Description
Die vorliegende Erfindung betrifft Systeme zum Diagnostizieren
des Betriebszustandes der Wirkungsweise einer Vorrichtung,
Anlage, Einrichtung oder dergleichen (nachfolgend mit
dem Sammelbegriff "Anlage" versehen) auf der Grundlage der
Information von Schwingungen der Anlage und besonders Zustands-
Diagnosesysteme, bei denen der Betriebszustand der Anlage
dadurch diagnostiziert wird, daß man die Ergebnisse des
Erlernens der Informationen über in der Vergangenheit stattgefundene Schwingungen nutzt.
Im allgemeinen wird eine Abnormalität, die bei einer Anlage
auftritt, oft in Form spezieller Schwingungen ermittelt,
beispielsweise in Form außergewöhnlicher mechanischer Schwingungen.
Im Fall rotierender Maschinen beispielsweise erscheinen
solche Abnormalitäten oft als Schwingungen ihrer Wellen.
Es wurde deswegen versucht, das Vorliegen oder die Abwesenheit
von Abnormalitäten in einer Anlage durch Überwachen der
Schwingungen, etwa der Wellenschwingungen, zu bestimmen und
ferner hierdurch deren Ursachen abzuschätzen.
Als erstes bekanntes Verfahren gibt es ein Verfahren, das
in einer ASME-Veröffentlichung (81-JPGC-Pwr-28) erörtert ist.
Gemäß diesem Verfahren wird unter Verwendung einer logischen
Diagnosetabelle abgeschätzt.
Ein zweites herkömmliches Verfahren ist zusätzlich in der
Schrift mit dem Titel "Die Entwicklung und Anwendung von
TURBOMAC, ein fortgeschrittenes Maschinendiagnosesystem"
erörtert; diese Schrift ist dem EPRI-Seminar über fortgeschrittene
Systemanwendungen in "Kraftwerke", Boston, 27.-29.
Mai 1989, erwähnt. Dieses Verfahren wird angewandt, um die
Ursache einer jeden Abnormalität unter Verwendung bekannter
Maschinenbauregeln abzuschätzen. Nach diesem Verfahren wird
die Ursache einer Abnormalität dadurch bestimmt, daß man eine
Recherche unter einer Anzahl diagnostischer Regeln vornimmt,
die schon vorher erstellt wurden.
Die obigen herkömmlichen Vorgehensweisen sind jedoch von
den folgenden Problemen begleitet:
Beim ersten Verfahren muß die Spektralanalyse in Echtzeit
durchgeführt werden. Es ist deswegen unverzichtbar, einen speziellen
Prozessor oder Hochleistungs-Computer zu diesem Zweck
zu verwenden, wodurch das Diagnosesystem kostspielig wird.
Ferner wird eine logische Diagnosetabelle von einem Experten
oder Fachmann vorbereitet, der auf dem Gebiet abnormaler Erscheinungen
der betreffenden Anlage versiert ist, wie etwa
einer rotierenden Maschine. Es ist deswegen viel Zeit erforderlich,
um eine solche logische Diagnosetabelle zu erstellen.
Zusätzlich spiegeln die Diagnoseergebnisse individuelle Unterschiede
der Person wider, die die logische Tabelle erstellt
hat, so daß es an Objektivität fehlt.
Ferner wird weder das Ausmaß einer jeden Abnormalität
(nachfolgend als "Abnormalitätspegel" bezeichnet) noch die
Zuverlässigkeit der Diagnoseergebnisse (nachfolgend als "Gewißheitsfaktor"
bezeichnet) durch die logische Diagnosetabelle
gezeigt, weswegen ein Benutzer (beispielsweise eine Bedienungsperson)
nicht weiß, inwieweit er sich auf Bedeutung und
Zuverlässigkeit der Diagnoseergebnisse verlassen kann. Dementsprechend
ist die Wertung der Diagnoseergebnisse ebenfalls in
hohem Grade von der subjektiven Person des Benutzers abhängig.
Die Verwendung einer solchen logischen Diagnosetabelle bringt
deshalb Probleme hinsichtlich der Objektivität mit sich.
Beim zweiten Verfahren wird andererseits die Gruppe der
Diagnoseregeln in Form eines großen Vergleichsbaums erstellt.
Es ist deshalb viel Zeit für den Eingriff (die Recherche am
Vergleichsbaum) erforderlich, so daß das zweite Verfahren als
eine prozeßentkoppelte Diagnose ausgeführt wird. Um das zeite
Verfahren in Echtzeit durchzuführen, ist ein Hochleistungs-
Computer erforderlich. Ferner werden die Diagnoseregeln wie
bei dem ersten herkömmlichen Verfahren durch einen Experten
oder Fachmann erstellt, der auf dem Gebiet abnormaler Erscheinungen
der betreffenden Anlage versiert ist. Es ist deshalb
viel Zeit für ihre Erstellung erforderlich. Zusätzlich spiegeln
die Diagnoseergebnisse individuelle Unterschiede jener
Person wider, die die Diagnoseregeln erstellt hat, und es
fehlt ihnen an Objektivität. Ferner werden Grunddaten für
Diagnosen durch den Benutzer aus einer großen Auswahl von Daten
auf der Grundlage der Anzeichen der Abnormalitäten ausgewählt
und werden in ein Diagnosesystem eingegeben. Deshalb
spiegeln die Diagnoseergebnisse unvermeidlich die individuellen
Unterschiede des Benutzers wider. Als Ergebnis spiegelt
der Gewißheitsfaktor auch den Ermessensgrad sowohl jener
Person, die die Diagnoseregeln erstellt hat als auch der
Person wider, die die Grunddaten für die Diagnose angegeben
hat. Der Gewißheitsfaktor hat deshalb keine Überzeugungskraft.
Wie oben beschrieben, werden die obigen herkömmlichen
Vorgehensweisen von den Nachteilen begleitet, daß sie viel
Zeit für die Erstellung einer logischen Diagnosetabelle erfordern
und sie keine Verarbeitungsgeschwindigkeit liefern
können, die schnell genug ist, um Echtzeit-Bearbeitung zu
bieten, und die Diagnoseergebnisse haben wenig Objektivität.
Es ist deshalb ein Ziel der vorliegenden Erfindung, ein
Zustands-Diagnosesystem für eine Anlage vorzusehen, welches
keine zeitraubende Erstellung einer logischen Diagnosetabelle
durch einen Fachmann oder Expeten erfordert, die dazu neigt,
individuelle Unterschiede widerzuspiegeln und welche eine
mühelose und objektive Diagnose der Anwesenheit oder Abwesenheit
einer Abnormalität in der Anlage gestattet.
Ein anderes Ziel der vorliegenden Erfindung ist es, ein
Zustands-Diagnosesystem für eine Anlage vorzusehen, welches
bei der Diagnose keine lange Verarbeitungszeit erfordert,
anders als die Recherche an einem Vergleichsbaum, sondern eine
Diagnose in kurzer Zeit ermöglicht.
Nach einem Gesichtspunkt der vorliegenden Erfindung ist
somit ein Zustands-Diagnosesystem für eine Anlage vorgesehen,
das die folgenden Merkmale aufweist:
Ein neurales Netzwerkmodell, um im vorhinein eine oder mehrere Muster von Informationen über Schwingungen, welche in einem speziellen Betriebszustand der Anlage erzeugt werden, Zuordnung zum entsprechenden Betriebszustand zu erlernen und um ein Ausgangssignal zu erhalten, das den Lernergebnissen entspricht, wenn Informationen auf der Grundlage von Schwingungen eingegeben werden, die infolge des Betriebes der Anlage erzeugt werden,
eine Einrichtung zum Eingeben der Information auf der Grundlage von Schwingungen, die infolge des Betriebes der Anlage erzeugt werden, in das neurale Netzwerkmodell und
eine Einrichtung zum Abgeben des Ausgangssignals aus dem Netzwerkmodell als Diagnoseergebnisse an einen Benutzer.
Ein neurales Netzwerkmodell, um im vorhinein eine oder mehrere Muster von Informationen über Schwingungen, welche in einem speziellen Betriebszustand der Anlage erzeugt werden, Zuordnung zum entsprechenden Betriebszustand zu erlernen und um ein Ausgangssignal zu erhalten, das den Lernergebnissen entspricht, wenn Informationen auf der Grundlage von Schwingungen eingegeben werden, die infolge des Betriebes der Anlage erzeugt werden,
eine Einrichtung zum Eingeben der Information auf der Grundlage von Schwingungen, die infolge des Betriebes der Anlage erzeugt werden, in das neurale Netzwerkmodell und
eine Einrichtung zum Abgeben des Ausgangssignals aus dem Netzwerkmodell als Diagnoseergebnisse an einen Benutzer.
Das obige Diagnosesystem ist bevorzugt mit einer Lerneinrichtung
versehen zum aufeinanderfolgenden Eingeben einer
oder mehrerer Informationsmuster von Schwingungen, die in
einem speziellen Betriebszustand der Anlage erzeugt werden, in
das neurale Netzwerkmodell und zum Veranlassen, daß es das
neurale Netzwerkmodell lernt, ein unterschiedliches
Ausgangssignal für jeden Betriebszustand zu erhalten.
Ferner ist das obigew Diagnosesystem bevorzugt mit einer
Lerneinrichtung versehen, um aufeinanderfolgend ein oder mehrere
Informationsmuster über Schwingungen, die im speziellen
Betriebszustand der Anlage erzeugt werden, in das neurale
Netzwerkmodell einzugeben und das neurale Netzwerkmodell zu
veranlassen zu lernen, ein unterschiedliches Ausgangssignal
für jeden Betriebszustand zu erhalten, und mit einer Ausgangseinrichtung,
um den Zustand des Lernvorgangs des neuralen
Netzwerkmodells anzuzeigen.
Eine bei den Anlagen-Zustands-Diagnosesystemen der vorliegenden
Erfindung herangezogene Einrichtung wird als nächstes
genauer beschrieben.
Um abnormale Erscheinungen der Anlage durch Verwendung
von Betriebsdaten einer tatsächlichen Anlage automatisch zu
lernen, wird eine Lerneinrichtung zum Bestimmen der Verknüpfungsstärke
im Kreis (in-circuit connection strength) so
herangezogen, daß dann, wenn die Betriebsdaten der tatsächlichen
Anlage als Lernmuster in eine Eingangsschicht durch
Verwendung eines neuralen Netzwerkmodells eingegeben werden,
insbesondere eines mehrschichtigen neuralen Netzwerkmodells
(multilayer neural network model), Ausgangssignale desselben
Musters als angestrebte Ausgangsmuster, die als Lehrersignale
vorher entsprechend den Ursachen von Abnormalitäten vorgegeben
wurden, aus einer Ausgangsschicht erhalten werden können.
Ferner wird zum Abschätzen der Ursache einer Abnormalität
mit einem Gewißheitsfaktor in Übereinstimmung mit der Ähnlichkeit
zwischen den vielen abnormalen Erscheinungen, die von
der obigen Einrichtung erlernt wurden, und dem Zustand eines
tatsächlichen Betriebes eine Diagnoseeinrichtung herangezogen,
um einen tatsächlichen Betriebszustand in der Eingangsschicht
festzusetzen und dann die Ursache der Abnormalität zu diagnostizieren
und auch ihren Gewißheitsfaktor zu bestimmen, die
beide auf der Position und dem Pegel eines Signals begründet
sind, welches in der Ausgangsschicht zu diesem Zeitpunkt erscheint.
Zusätzlich wird zum wirksamen Ausführen des obenerwähnten
automatischen Lernvorgangs eine Einrichtung als lernende
Mensch-Maschinen-Einrichtung herangezogen. Dank dieser Einrichtung
kann ein Benutzer die strukturellen Parameter des
obigen Modells, die Reihenfolge der Eingabe der Lernproben und
Bedingungen für die Beendigung des Lernvorgangs wie gewünscht
festsetzen, und eine Verknüpfungsstärkenverteilung im
Kreis, wei sie sich aus dem Lernvorgang ergibt, und Änderungen
des Energiezustandes im Kreis im Verlauf des Lernvorganges
können den Benutzer angezeigt werden.
Außerdem wird, um die obigen Diagnoseergebnisse in leicht
verständlicher Form dem Benutzer mitzuteilen, eine Einrichtung
als Diagnose-Mensch-Maschinen-Einrichtung herangezogen. Dank
dieser Einrichtung können die Signalpegelverteilung im Kreis,
die Ausgangs-Signalpegelverteilung in der Ausgangsschicht und
die Abnormalitätsursachen in der Reihenfolge ihrer Gewißheitsgrade
dem Benutzer angezeigt werden.
Im übrigen ist das obige neurale Netzwerkmodell ein Netzwerk,
dessen Modelleigenschaft darin besteht, daß es die Verarbeitung
von Informationen im neuralen Netzwerk imitiert. Es
kann beispielsweise aus einer Einrichtung aufgebaut werden,
die eine Eingangsschicht, eine geschlossene Einheitsschicht
(hidden unit layer) und eine Ausgangsschicht bildet, wodurch
ein neurales Netzwerk aufgebaut wird, einer Lerneinrichtung
zum Eingeben eines Lernmusters und eines Lehrersignals (beabsichtigtes
Ausgangsmuster) in das neurale Netzwerk, damit das
neurale Netzwerk veranlaßt wird, das Lernmuster zu lernen,
wobei eine Stärkeverteilung der Verknüpfung im Kreis gebildet
wird, und einer Einrichtung zum Speichern und Halten der
Stärkeverteilung der Verknüpfung im Kreis, die als Ergebnisse
des Lernvorgangs erhalten wurden.
Erläuternde Beispiele des Anwendungsbereiches der Diagnose
durch die vorliegende Erfindung umfassen Maschinen wie etwa
rotierende Maschinen sowie Einrichtungen wie etwa Fabrikanlagen.
Insbesondere kann die vorliegende Erfindung in geeigneter
Weise bei jenen angewandt werden, die beim Betrieb einen
Schwingungszustand erzeugen. Erläuternde Beispiele für den
Schwingungszustand umfassen mechanische Schwingungen, akustische
Schwingungen und Vibrationen sowie elektrische Schwingungen
und Vibrationen. Ferner kann die vorliegende Erfindung
auch bei Einrichtungen Anwendung finden, die eine oder mehrere
Maschinen, Vorrichtungen und/oder Anlagenteile umfassen, unter
diesen beispielsweise Kraftwerke und dergleichen.
Als nächstes wird die Funktion einer jeden der obengenanten
Einrichtungen beschrieben, wenn die Diagnose einer Abnormalität
der Anlage in Übereinstimmung mit der vorliegenden
Erfindung durchgeführt wird.
Die Lerneinrichtung zum Bestimmen eines Lernmusters einer
abnormalen Erscheinung, wie die oben beschriebene Verknüpfungsstärke
im Kreis, korrigiert durch wiederholte Bearbeitung
im Computer die Verbindungsstärke im Kreis in jener Richtung,
daß der Unterschied zwischen dem Lehrersignal und einem Ausgangssignal
vermindert wird. Wenn ein anderes Lernmuster in
die Eingangsschicht eingegeben wird, dann korrigiert die Lerneinrichtung
in ähnlicher Weise die Verknüpfungsstärke im Kreis
in jener Richtung, daß der Unterschied zwischen einem Lehrersignal
entsprechend diesem Lernmuster und einem Ausgangssignal
vermindert wird. Als Ergebnis können mehrere Lernmuster ensprechend
einer gleichen Vielzahl abnormaler Erscheinungen in
dasselbe neurale Netzwerkmodell auf dieselbe Weise eingelernt
werden.
Deshalb ist es für Lehrersignale lediglich erforderlich,
ein angestrebtes Ausgangsmuster so zu definieren, daß ein Signal
einfach an einer speziellen Position der Ausgangsschicht
in Übereinstimmung mit der Ursache einer jeden Abnormalität
ausgegeben wird. Es ist nicht länger erforderlich, eine
logische Diagnosetabelle dadurch zu erstellen, daß man eine
Menge Zeit verbraucht, wie bei der herkömmlichen Methode. Die
abnormalen Erscheinungen können automatisch eingelernt werden.
Die Diagnoseeinrichtung zum Ermitteln einer Abnormalität
während des Betriebes unter Verwendung des neuralen Netzwerkmodells,
das bereits durch Einlernen abnormaler Erscheinungen
mittels der obigen Mittel komplettiert wurde, und durch Diagnostizieren
der Ursache der Abnormalität und auch Bestimmung
ihres Gewißheitsfaktors funktioniert auf eine solcheWeise,
daß die Bestimmung der Ursache der Abnormalität und ihres Gewißheitsfaktors
durch die Position eines Ausgangssignals angezeigt
werden, das als ein starkes Signal an die Ausgangsschicht
als Ergebnis der Umwandlung eines Eingangssignals in
Übereinstimmung mit der Verbindungsstärke im Kreis abgegeben
wird, welche zum Zeitpunkt des Einlernens der abnormalen Erscheinungen
bestimmt wurde. Die obige Umwandlung des Eingangssignals
wird nur durch eine einfache funktionelle Operation
und summierende Operation erreicht, so daß die Spektralanalyse
und die Vergleichsbaum-Recherche, wie durch das herkömmliche
Verfahren gefordert, umgangen werden können. Die Bearbeitungszeit
ist deshalb außerordentlich verkürzt, wodurch
es ermöglicht ist, eine Echtzeitverarbeitung durchzuführen.
Zusätzlich bezeichnet der auf diese Weise gewonnene Gewißheitsfaktor
das Maß der Ähnlichkeit zwischen den Mustern, die
bereits erlernt wurden, und den unter Diagnose befindlichen
Mustern, so daß eine objektive Diagnoseinformation mit hoher
Überzeugungskraft an den Benutzer abgegeben werden kann.
Die als lernende Mann-Maschinen-Einrichtung ausgebildete
Einrichtung funktioniert auf solche Weise, daß Größe und Form
eines neuralen Netzwerkmodells, das verwendet werden soll, automatisch
in Übereinstimmung mit strukturellen Parametern
festgesetzt werden können, die vom Benutzer wunschgemäß
bezeichnet werden. In dieser Einrichtung werden mehrere Lernmuster
automatisch eingelernt und in Übereinstimmung mit der
Reihenfolge der Bezeichnung und Bedingungen zum Beenden des
Lernvorgangs kontrolliert, welche beide auch vom Benutzer
wunschgemäß bezeichnet werden. Gemäß einer Anforderung für
die Bezeichnung vom Benutzer kann diese Einrichtung auch eine
Information auf der Grundlage der Stärkeverteilung der Verbindung
im Kreis und eine Änderung im Zustand der Energie im
Kreis erarbeiten und dann die Ergebnisse des Arbeitsvorganges
bezeichnen. Dementsprechend erleichtert diese Einrichtung die
Bestimmung der geeigneten Größe und Form des neuralen
Netzwerkmodells, wobei die Verarbeitungszeiten infolge des
Lernens und der Diagnose verkürzt werden können und die
Genauigkeit der Diagnose erhöht werden kann.
Die diagnostische Mensch-Maschinen-Einrichtung kann als
Ergebnisse einer Diagnose zum Zeitpunkt des Auftretens einer
Abnormalität die Signalpegelverteilung im Kreis und die Ausgangssignalpegelverteilung
gemeinsam mit dem Eingangssignalmuster
anzeigen. Es ist deshalb möglich, eine objektive Information
über den Grund der Abnormalität und seinen Gewißheitsfaktor
zu liefern. Wenn mehrere Gründe für eine Abnormalität
denkbar sind, kann diese Einrichtung den Benutzer mit
einer Information über solche Gründe versehen, nachdem sie
diese in absteigender Reihenfolge ihrer Ausgangssignalpegel
umgruppiert hat. Dies ermöglicht es, rasch die Situtation abzuschätzen
und auch eine erforderliche Gegenmaßnahme im Fall des
Auftretens einer Abnormalität zu ergreifen.
Die vorliegende Erfindung erfordert nicht eine logische
Diagnosetabelle, deren Erstellung zeitraubend ist. Außerdem
ist es möglich, den Anteil der Subjektivität einer Bedienungsperson
oder dergleichen infolge der Eingabe der Daten für die
Diagnose oder die Abschätzung der Ergebnisse auf ein Mindestmaß
zu reduzieren. Die diagnostische Ausarbeitung kann in
einer kurzen Zeit dadurch ausgeführt werden, daß man ein neurales
Netzwerkmodell verwendet, das bereits belehrt bzw. einprogrammiert
wurde.
Die obigen und anderen Ziele, Merkmale und Vorzüge der
vorliegenden Erfindung werden aus der nachfolgenden Beschreibung
und den beigefügten Ansprüchen noch näher ersichtlich,
wenn dies in Verbindung mit den Zeichnungen herangezogen
werden, in welchen
Fig. 1 ein Blockschaltbild ist, das den Gesamtaufbau eines
Diagnosesystems gemäß einem Ausführungsbeispiel der vorliegenden
Erfindung zeigt,
Fig. 2 eine schematische Darstellung der Einzelheiten von
Lernmustern ist,
Fig. 3 eine schematische Darstellung eines Einheitsmodells
ist, das ein neurales Netzwerkmodell aufbaut,
Fig. 4 schematisch den Grundaufbau eines neuralen Netzwerkdiagramms
und die Grundprozedur eines Lern-Algorithmus abbildet,
Fig. 5 schematisch die Einzelheiten der Prozedur des
Lern-Algorithmus zeigt,
Fig. 6 schematisch ein Verfahren zum Festsetzen einer
Lernprozedur darstellt,
Fig. 7 eine schematische Ansicht eines Verfahrens ist, um
auf dem Bildschirm einer Kathodenstrahlröhre die Stärkeverteilung
der Verbindung in einem neuralen Netzwerk darzustellen,
Fig. 8 eine schematische Darstellung eines Verfahrens
ist, um auf dem Bildschirm einer Kathodenstrahlröhre die synaptischen
Gewichts- bzw. Wertigkeitsverteilungen in einer Ausgangssicht
und einem Eingangsabschnitt einer verdeckten Einheitsschicht
anzuzeigen,
Fig. 9 ein Diagramm ist, das ein Verfahren zum Anzeigen
der Energietendenzen im neuralen Netzwerk auf dem Bildschirm
einer Kathodenstrahlröhre zeigt,
Fig. 10 eine schematische Darstellung eines Verfahrens
zum Anzeigen des Zustandes der Wahrnehmung diagnostischer Ergebnisse
einer Abnormalität in einem neuralen Netzwerkmodell
auf dem Bildschirm einer Kathodenstrahlröhre ist,
Fig. 11 eine schematische Ansicht eines Verfahrens zum
Anzeigen von Diagnoseergebnissen als eine Anleitung für eine
Bedienungsperson auf dem Bildschirm einer Kathodenstrahlröhre
ist,
Fig. 12 ein Blockschaltbild ist, das den Aufbau eines
Ausführungsbeispiels zeigt, wenn die vorliegende Erfindung als
mehrstufige Anordnung verkörpert ist, und
Fig. 13, 14 und 15 Blockschaltbilder sind, die jeweils
ein anderes Ausführungsbeispiel der vorliegenden Erfindung
zeigen.
Es erfolgt nun die Beschreibung der Erfindung und bevorzugter
Ausführungsbeispiele.
Es iwrd zunächst auf Fig. 1 Bezug genommen; ein Abnormalitäts-
Diagnosesystem gemäß einem Ausführungsbeispiel der vorliegenden
Erfindung wird nun beschrieben. Das Diagnosesystem
ist bei einer Dampfturbine in einem Kraftwerk angewandt.
Das System ist aus einem Prozessor 1000 zum Einlernen und
Diagnostizieren einer abnormalen Erscheinung unter Verwendung
eines Eingangs-Schwingungssignals 2, das durch einen Fühler
(nicht gezeigt) für mechanische Schwingungen einer rotierenden
Welle einer Dampfturbine 1 ermittelt wird, und einer Mensch-
Maschinen-Einheit 2000 aufgebaut, um die Diagnoseergebnisse
einer Abnormalität der Lern-Kontrollinformation in Übereinstimmung
mit einer Abfrage von einer Bedienungsperson 3 her
anzuzeigen.
Der Prozessor 1000 weist die folgenden Funktionen auf: eine
Funktion 1100 zum Speichern einer Schwingungs-Wellenform, um
als Schwingungswellenformdaten 1110 Schwingungssignale 2 während
eines bestimmten Zeitraumes zu speichern, eine Daten-Umwandlungsfunktion
1200 zum Umwandeln der Schwingungswellenformadaten
1110, um Abnormalitäts-Überwachungsdaten 1210 und
Lerndaten 1220 zu erzeugen, eine Lernmuster-Speicherfunktion
1300, um in einer vorbestimmten Form mehrere abnormale Erscheinungen
als Lernmuster auf der Grundlage der Lerndaten
1220 zu speichern, eine Lern-Kontrollfunktion 1500, um ein
unten beschriebenes neurales Netzwerkmodell 1400 zu veranlassen,
die Anzahl von Lernmusterinformation 1310 einzulernen,
die in der Lernmuster-Speicherfunktion 1300 gespeichert sind,
und zwar durch eine vorgeschriebene Prozedur, das neurale
Netzwerkmodell 1400, um als Verknüpfungsstärke im Kreis die
Lern-Eingangsdaten 1510 zu speichern, die von der Lern-Kontrollfunktion
1500 her eingegeben werden, und um auf der
Grundlage der Verknüpfungsstärke im Kreis ein Wahrnehmungssignal
1410 auszugeben, wobei man die Abnormalitätsüberwachungsdaten
1200 benutzt, die von der Daten-Umwandlungsfunktion
1200 her eingegeben werden, und eine das Diagnoseergebnis
anzeigende Funktion 1600, um die Diagnoseergebnisse 1610 in
einer für die Bedienungsperson 3 ohne weiteres verständlichen
Form auf der Grundlage des Wahrnehmungssignals 1410 anzuzeigen.
Der Prozessor 1000 dieses Systems kann einen Informationsprozessor
umfassen, der eine arithmetische Einheit, eine
Speichereinheit, eine Überwachungseinheit, eine Eingangs-/Ausgangs-
Einheit usw. als Bauteile umfaßt. Die oben beschriebenen
Funktionen werden durch diese Bauteile sowie durch zugeführte
Programme durchgeführt.
Das neurale Netzwerkmodell 1400 hat beispielsweise eine
Funktion, um eine Eingangsschicht, eine verdeckte Einheitsschicht,
eine Ausgangsschicht und einen Netzkreis hiervon in
einem Raum zu definieren, eine arithmetische Funktion, die
während des Lernvorgangs und der Diagnose verwendet wird, und
eine Funktion zum Speichern und Halten der Stärkenverteilung
der Verknüpfung im Kreis u. dgl. Diese Funktionen können durch
Programme und einen Speicher durchgeführt werden. Die Anzahl,
Anordnung u. dgl. der Eingangsschichten, der verdeckten Einheitsschichten
u. dgl. werden als strukturelle Parameter durch
Anweisungen von außen her bestimmt.
Das neurale Netzwerkmodell 1400 kann dadurch aufgebaut
werden, daß man unabhängig eine Einrichtung zum Bilden einer
Eingangsschicht, einer verdeckten Einheitsschicht u. dgl.
vorsieht, um ein Netz für ein neurales Netzwerk herzustellen,
eine Einrichtung, um das somit hergestellte neurale Netzwerk
zu veranlassen, es zu lernen, eine Stärkeverteilung der Verknüpfung
im Kreis zu bilden, eine Einrichtung, um die Stärkeverteilung
der Verknüpfung im Kreis, die als Ergebnisse des
Lernvorganges erhalten wurden, beizubehalten, und eine Diagnoseeinrichtung.
Das neurale Netzwerkmodell kann dadurch aufgebaut
werden, daß man diese Einrichtungen teilweise oder gänzlich
zu einer untrennbaren Einheit kombiniert.
Ferner kann das neurale Netzwerkmodell 1400 dieses Ausführungsbeispiels
dadurch gespeichert werden, daß man seine
Funktionen als Programme und Daten speichert.
Wo der einmal eingelernte Zustand ein festliegender Zustand
ist, kann das neurale Netzwerkmodell als Hardware-Bauteil
ausgebildet werden, statt daß man solche Schaltelemente
benutzt. Das neurale Netzwerkmodell kann insbesondere als integrierte,
neurale Netzwerkmodellschaltung vorgesehen sein.
Die Lernmuster-Speicherfunktion 1300 ist beispielsweise
aus einer Speichereinheit wie einer Magnetscheibe, einer optischen
Scheibe oder einem Randomspeicher aufgebaut.
Obwohl in der Zeichnung nicht dargestellt, weist das System
dieses Ausführungsbeispiels einen oder mehrere Fühler
auf, um Schwingungsdaten an den Rechenprozessor 1000 und eine
Schnittstelle hierfür zu liefern. Der oder die Meßfühler sind
an Stellen der Dampfturbine 1 angeordnet, wo Schwingungen der
Dampfturbine ermittelt werden können.
Beim vorliegenden Ausführungsbeispiel wird die Schwingungsinformation
unter bestimmten Zeitabständen von der Dampfturbine
1 her als Anlage, auf die abgezielt wird, eingegeben.
Es können Schwingungsdaten aber auch schon im voraus gemessen
und gespeichert werden. Die Diagnose kann dann auf der Grundlage
der so gespeicherten Daten durchgeführt werden.
Die die Diagnoseergebnisse anzeigende Funktion 1600 weist
die Funktion, ein Wahrnehmungssignal, das vom neuralen Netzwerkmodell
1400 abgegeben wird, mit der entsprechenden Information
in Korrelation zu bringen, die von vornherein abgespeichert
wurde und die Diagnoseergebnisse bezeichnet, und
auch die oben beschriebene Funktion zum Speichern der
Diagnoseergebnisse auf.
Die Funktion zum Herstellen der Korrelation umfaßt auch
eine Funktion, um Diagnoseergebnisse in Übereinstimmung mit
den Größen der Muster der Eindruckssignale zu sortieren.
Als Diagnoseergebnisse werden Nachrichten, die Aussagen
über die Einzelheiten abnormaler Erscheinungen und mögliche
Ursachen solcher abnormaler Erscheinungen liefern, gespeichert,
wie in Fig. 2 gezeigt, die nachfolgend beschrieben
wird. Im übrigen können erforderlichenfalls auch andere Informationen
hinzugefügt werden.
Wenn das System der vorliegenden Erfindung bei anderen,
hier noch zu beschreibenden Ausführungen angewandt wird, werden
die den jeweiligen Ausführungsbeispielen inhärenten Botschaften
als Diagnoseergebnisse gespeichert.
Ferner können verschiedenartige Diagnoseergebnisse, die
bei der Diagnoseergebnis-Anzeigefunktion 1600 bezeichnet sind,
in der Speichereinheit gespeichert werden, welche die oben beschriebene
Lernmuster-Speicherfunktion 1300 bildet.
Die Mensch-Maschinen-Einheit 2000 des Diagnosesystems des
vorliegenden Ausführungsbeispiels ist aus einer Anzeige 2001,
etwa einer Kathodenstrahlröhre, gebildet, um verschiedenartige
Informationen für die Bedienungsperson 3 abzugeben und
anzuzeigen, sowie einer Eingangseinheit 2002, etwa einer
Tastatur, mittels deren die Bedienungsperson 3 verschiedenartige
Anweisungen an das System eingibt.
Das System der vorliegenden Erfindung führt eine Diagnose
auf die folgende Weise durch. Informationen über verschiedenartige
abnormale Schwingungen werden als Lernmuster dem neuralen
Netzwerkmodell gelehrt bzw. in dieses eingegeben. Daten
über die Schwingungswellenform, die aus der Schwingungswellenform-
Speicherfunktion 110 über die Daten-Umwandlungsfunktion
eingegeben wurden, werden an das neurale Netzwerkmodell eingegeben,
das so gelehrt bzw. programmiert wird. Eine Diagnose
wird dann auf der Grundlage von Position und Pegel eines Wahrnehmungssignals
durchgeführt, das am Ausgangsanschluß des
neuralen Netzwerkmodells aufgetreten ist. Nach der Anzeige der
Diagnoseergebnisse werden ein entsprechendes Anzeigeformat und
entsprechende Botschaften, die beide vorher gespeichert wurden,
auf der Grundlage des Wahrnehmungssignals ausgewählt,
werden an die Mensch-Maschinen-Einheit 2000 abgegeben und
werden dort angezeigt.
Jede der obigen Funktionen wird nachfolgend im einzelnen
mittels ihres Aufbaus und ihrer Funktion beschrieben.
Fig. 2 zeigt Einzelheiten von Lernproben, die in der
Lernproben-Speicherfunktion 1300 gespeichert sind.
Zehn Arten von Proben, die in dieser Zeichnung gezeigt
sind, bezeichnen Schwingungswellenformen, die charakteristisch
sind für unterschiedliche abnormale Erscheinungen und ihre
Ursachen. Die Schwingungswellenformen haben einen Wert (x),
der bei der Daten-Umwandlungsfunktion 1200 normalisiert wurde.
Der Bereich des Wertes ist 0≦x≦1. Die Normalisierung kann
in Abhängigkeit von der Amplitude auch umgangen werden.
Lernmuster können erforderlichenfalls auch außerhalb vorgesehen sein,
statt daß man sie speichert. Es erübrigt sich
darauf hinzuweisen, daß die Lernmuster-Speicherfunktion so
aufgebaut sein kann, daß sie nicht nur Lernmuster speichert,
sondern auch von außen her mit Daten versehen werden kann.
Als nächstes wird eine Beschreibung des neuralen Netzwerkmodells
1500 und der Lern-Kontrollfunktion 1500 vorgenommen.
Fig. 3 stellt eines der Einheitsmodelle 1420 dar, die das neurale
Netzwerkmodell 1400 bilden.
Es wird davon ausgegangen, daß Eingangssignale x₁,
x₂, . . ., x n an das Einheitsmodell einen Bereich (0, 1) einnehmen,
während synaptische Wertigkeiten (weights) w₁, w₂,
. . ., w n einen Bereich -∞, +∞) einnehmen. Es wird auch
unterstellt, daß ein Eingang u i, der an das Einheitsmodell
in Abhängigkeit vm i-ten Eingangssignal x i durch die folgende Formel ausgedrückt wird:
u i = w ixi. (1)
Dann wird der Gesamteingang U an das Einheitsmodell definiert
durch
Andererseits wird der Ausgang y der Einheit definiert durch
wobei U₀ eine Vorspannung (bias) ist.
Beim vorliegenden Ausführungsbeispiel sind die Einheitsmodelle
1420, von denen eines oben beschrieben wurde, in
Schichten angeordnet, wie in Fig. 4 gezeigt. Das neurale Netzwerkmodell
1400 ist dadurch aufgebaut, daß man die individuellen
Einheitsmodelle 1420 auf eine solche Weise kombiniert, daß
ein Ausgangssignal aus jeder Einheit 1420 in einer Schicht als
ein Eingangssignal an jede Einheit 1420 in der nächsten
Schicht eingegeben wird.
Die Einheitsmodelle 1420 und das neurale Netzwerkmodell
1400 werden im einzelnen in "The MIT Press, Neurocomputing
Foundation of Research", S. 318-162 (1988), diskutiert.
In der obigen Schrift ist ein Lern-Algorithmus offenbart
["Rückwärtsverbreitung " ("back propagation") genannt], der,
wenn ein Eingangssignalmuster 1430 zur Eingangsschicht eingegeben
wird, die Verknüpfungsstärke korrigiert, nämlich die
synaptische Wertigkeit zum Eingangsabschnitt einer jeden Einheit
sowohl in der verdeckten Einheitsschicht als auch in den
Ausgangsschichten in Übereinstimmung mit der Differenz aus
einem Eingangssignalmuster 1440 von der Ausgangsschicht und
einem gewünschten Signalmuster, nämlich dem Lehrer-Signalmuster
1450, so daß das Ausgangssignalmuster 1440 das Lehrer-
Signalmuster 1450 wird. Bei der Lern-Kontrollfunktion 1500 des
vorliegenden Ausführungsbeispiels verwendet der Lernalgorithmus
selbst die Rückwärtsverbreitung, die in der obigen Schrift
offenbart ist.
Fig. 5 stellt den Algorithmus der Rückwärtsverbreitung
dar. In der Zeichnung ist, um das Verständnis des Algorithmus
zu erleichtern, die Aufmerksamkeit auf das k-te Ausgangssignal
y 3k in der Ausgangsschicht konzentriert, und es ist eine
Korrekturprozedur einer synaptischen Wertigkeit dargestellt,
um es zur Übereinstimmung mit einem Lehrersignal y tk zu
bringen.
Der in Tabelle 5 gezeigte Algorithmus wird nachfolgend im
einzelnen beschrieben.
Als erstes wird die Differenz e k zwischen dem k-ten
Ausgangssignal y 3k und dem Lehrersignal y tk ausgedrückt
wie folgt:
e k = y tk - y 3k . (4)
Wenn man davon ausgeht, daß das Ausmaß d 3k des Fehlereinflusses
beim Operationspegel U 3k der Einheit d 3k beträgt,
dann kann d 3k definiert werden durch
d 3k = e kf′3k (U 3k ) , (5)
wobei
Dementsprechend ist das Korrekturmaß Δ w 3k,2j (N+1) für
die synaptische Wertigkeit w 3k,2j bei dem j-ten Eingangsabschnitt
der k-ten Einheit in der Ausgangsschicht gegeben
durch die folgende Formel:
Δ w 3k,2j (N+1) = h d 3k y2j , (7)
wobei N ein Symbol ist, das die vorangehende Zahl bezeichnet
und η die "Lernkonstante" genannt wird. Ferner bezeichnet
y 2j das j-te Ausgangssignal aus der verdeckten Einheitsschicht.
Um eine stabile Konvergenz herzustellen, wird das
durch die Formel (7) erhaltene Korrekturmaß jedoch nicht benutzt,
wie es ist. Es wird durch das Verfahren modifiziert,
das durch die unten beschriebene Formel (8) dargestellt ist,
wobei eine neue synaptische Wertigkeit w 3k,2j (N+1) auf die
folgende Weise erhalten wird:
w 3k,2j (N+1) = w 3k,2j (N ) + Δ w 3k,2j (N+1) + αΔ w 3k,2j (N ) , (8)
wobei α ein "Glättungsfaktor" genannt ist.
Die Korrekturmethode einer jeden synaptischen Wertigkeit
in jedem Eingangsabschnitt der Ausgangsschicht wurde oben beschrieben.
Es wird nun ein Verfahren zum Korrigieren jeder synaptischen
Wertigkeit in einem jeden Eingangsabschnitt der verdeckten
Einheitsschicht beschrieben. In Fig. 5 ist die Aufmerksamkeit
auf diese Wertigkeit w 2j,1i im i-ten Eingangsabschnitt
der j-ten Einheit in der inneren Schicht konzentriert, und
eine Korrekturmethode der synaptischen Wertigkeit ist dargestellt.
In diesem Fall sollte der Beeinflussungsgrad d 2j der
Differenz im Betriebspegel U 2j der Einheit dadurch bestimmt
werden, daß man die Gesamtdifferenz der Ausgänge aus den ganzen
Einheiten der Ausgangsschicht in Betracht zieht. Der
Beeinflussungsgrad d 2j wird somit ausgedrückt wie folgt:
Dementsprechend ist der Korrekturgrad Δ w 2j,1i (N+1) für die
synaptische Wertigkeit im i-ten Eingangsabschnitt der j-ten
Einheit in der verdeckten Einheitsschicht gegeben durch
Δ w 2j,1i (N+1) = η d 2j y1i , (10)
wobei N ein Symbol ist, das die vorangehende Nummer bezeichnet
und η eine "Lernkonstante" genannt wird. Ferner bezeichnet
y 1i das i-te Ausgangssignal aus der Eingangsschicht. Ähnlich
dem Fall der Ausgangsschicht wird zum Realisieren einer stabilen
Konvergenz der Korrekturgrad, der durch die Formel (10)
erhalten wird, nicht so verwendet, wie er ist. Er wird durch
die Methode modifiziert, die durch die unten beschriebene
Formel dargestellt ist, wodurch eine neue synaptische Wertigkeit
w 2j,1i (N+1) erhalten wird wie folgt:
w 2j,1i (N+1) = w 2j,1i (N ) + Δ w 2j,1i (N+1) + αΔ w 2j,1i (N ) , (11)
wobei α ein "Glättungsfaktor" genannt ist.
Die Differenz e k kann dadurch auf ein Mindestmaß reduziert
werden, daß man die arithmetischen Prozeduren der
Formeln (4) bis (11) wiederholt. Es ist nämlich möglich, das
Ausgangssignalmuster, das aus der Ausgangsschicht erhalten
wird, zur Übereinstimmung mit dem Lehrer-Signalmuster zu bringen.
Als Ergebnis wurde das Eingangssignalmuster als eine
synaptische Wertungsverteilung eingespeichert (gelernt) (d. h.
eine Stärkeverteilung der Verknüpfung im Kreis), und zwar im
neuralen Netzwerkmodell.
Wenn ein anderes Eingangssignalmuster in die Eingangsschicht
eingespeist wird und entsprechend ein anderes Lehrersignalmuster
vorgesehen wird, dann wird der obige Algorithmus
betätigt, um eine neue synaptische Wertigkeitsverteilung einzuspeichern
(zu lernen).
Die Benutzung eines solchen Algorithmus ermöglicht es,
mehrere Lernmuster im selben neuralen Netzwerkmodell einzuspeichern.
Ferner ermöglicht es die Benutzung des neuralen
Netzwerks, das auf die oben beschriebene Weise Lernvorgänge
durchgeführt hat, aus der Ausgangslage ein Ausgangssignalmuster
entsprechend dem nächstliegenden der bereits eingelernten
Muster zu erhalten, selbst wenn ein noch nicht gelerntes
Muster eingegeben wird.
Durch die oben beschriebene Methode wird das neurale
Netzwerkmodell 1400 veranlaßt, die Anzahl von Schwingungswellenformen
in Verbindung mit den entsprechenden abnormen
Erscheinungen und Ursachen zu lernen, die alle in Fig. 2 gezeigt
sind.
Hier wird die Lern-Kontrollfunktion 1500 von der Bedienungsperson
3 als Benutzer veranlaßt, die Kontrolle des
Lernvorganges durch die Methode durchzuführen, die auf die in
Fig. 6 gezeigte Weise ausgeführt wird, und zwar mittels des
Anzeige-Bildschirms der Kathodenstrahlröhre der Mensch-Maschinen-
Einheit 2000.
In Fig. 6 steht "SP" für die Musternummer einer jeden
Schwingungswellenform, die in Fig. 2 abgebildet ist, während
"SQ" eine Folgenummer bedeutet um festzusetzen, in welcher
Reihenfolge das obige Muster gelernt ist. Der Ausdruck "Anzahl
der Lernzyklen" bezeichnet die Anzahl der Wiederholungen eines
Zyklus, in welchem alle Muster, die durch die obige Methode
festgesetzt sind, gelernt sind.
Im Beispiel der Fig. 6 ist gezeigt, daß, wenn man die
laufende Nummer 20 als einen Zyklus aufgreift, diese Folge für
zehn Zyklen wiederholt wurde. Es ist jedoch für jedes Muster
die Nummer der Beendigung der Wiederholungsberechnung getrennt
bezeichnet.
Vor dem Einlernen werden die Anzahl der Schichten als
bauliche Parameter des neuralen Netzwerkmodells 1400 und die
Anzahl der Einheiten in jeder der Schichten durch die Mensch-
Maschinen-Einheit 2000 festgesetzt.
Ferner wird eine zufällige Stärkeverteilung der Verknüpfung
im Kreis im neuralen Netzwerkmodell 1400 festgesetzt.
Dieses ermöglicht es, einen vorbelasteten Lernvorgang (biased
learning) zu verhindern.
Fig. 7 stellt beispielsweise eine Stärkeverteilung der
Verknüpfung im Kreis dar, welche im neuralen Netzwerkmodell
1400 als Ergebnis des Einlernens auf die oben beschriebene
Weise hergestellt wurde und auch im Bildschirm der Kathodenstrahlröhre
der Mensch-Maschinen-Einheit 2000 angezeigt wurde.
In Fig. 7 sind die Linien, die die Verknüpfungen zwischen
den Einheiten bezeichnen, stufenweise in Farben in Übereinstimmung
mit der Größe der synaptischen Wertigkeit angezeigt,
die bestimmt ist als Ergebnis des Lernvorganges. Obwohl in
Fig. 7 keine Farbe gezeigt ist, sind die Linien in fünf Stufen
rot, rosa, gelb, grün und blau in absteigender Reihenfolge der
synaptischen Wertigkeiten angezeigt. Ferner kann der Bereich
synaptischer Wertigkeiten entsprechend einer jeden Farbe durch
den Benutzer wunschgemäß festgesetzt werden. Wenn alle Verknüpfungen
angezeigt sind, kreuzen sich viele Linien und können
nicht mühelos gesehen werden. Es kann deshalb von den oben
erwähnten fünf Farben im vorliegenden Ausführungsbeispiel jede
Farbe gewählt werden.
Fig. 8 stellt eine Verknüpfungs-Stärkenverteilung entsprechend
den Größen der synaptischen Wertigkeiten an den Eingangsabschnitten
der Ausgangsschicht als Beispiel dar, angezeigt
auf einer ähnlichen Kathodenstrahlröhre wie jener, die
in Fig. 7 abgebildet ist. In der Zeichnung bedeuten die zweite
und dritte Schicht eine verdeckte Einheitsschicht bzw. eine
Ausgangsschicht. Obwohl die Stärkenverteilung inFig. 8 durch
Halbtöne gezeigt ist, ist sie tatsächlich farbig angezeigt.
Wenn eine einfarbige Anzeige verwendet wird, dann kann die
Stärkenverteilung durch Halbtöne, Gradation od. dgl. angezeigt
werden.
Wenn die in Fig. 8 gezeigte Verteilung eine zufällige
Verteilung ist, dann wird davon ausgegangen, daß der Lernvorgang
in ausreichender Weise durchgeführt wurde. Umgekehrt wird
der Lernvorgang als ungenügend angesehen, wenn die Verteilung
eine Tendenz zeigt. Auf der Grundlage der Verteilung ist es
deshalb möglich zu entscheiden, ob der Lernvorgang noch weiter
wiederholt werden sollte oder nicht.
Fig. 9 zeigt Energietendenzen im neuralen Netzwerkmodell,
welche auf dem Bildschirm einer Kathodenstrahlröhre ausgegeben
wurden, um die Konvergenz beim Lernvorgang zu ermitteln.
In diesem Fall wird die Bezeichnung der Tendenzausgänge
dadurch bewirkt, daß man die Anzahl der Lernzyklen und die
Folgenummer festsetzt. Fünf Sätze von Energietendenzen sind in
Fig. 10 dargestellt, wobei die Anzahl von Korrekturen durch
Rückwärtsverbreitung längs der Achse der Abszisse aufgetragen
ist. Die Energie E im neuralen Modell wird definiert durch die
folgende Formel:
wobei w jede synaptische Wertigkeit darstellt, y den Ausgang
jeder Einheit, I die Nummer jeder Lage und J und JJ jede Einheitsnummer
in der I-ten bzw. I-1-ten Schicht.
Fig. 10 zeigt ein Anzeigebeispiel des Wahrnehmungszustandes
im neuralen Netzwerkmodell 1400, nämlich die Diagnoseergebnisse
einer Abnormalität auf dem Bildschirm einer Kathodenstrahlröhre,
wenn die Abnormalitäts-Überwachungsdaten 1210
als Eingangssignale an die Eingangsschicht des neuralen Netzwerkmodells
1400 eingegeben sind, während die Dampfturbine 1
betrieben wird.
Die Linien, die die Eingangsschicht und die verdeckte
Einheitsschicht verbinden sowie jene, die die verdeckte Einheitsschicht
und die Ausgangsschicht verbinden, sind in abgestuften
Farben dargestellt, welche wunschgemäß in Übereinstimmung
mit den Signalstärken ausgebildet sein können. Die Stärken
der Eingangssignale und der Ausgangssignale sind jeweils
durch Histogramme dargestellt. Es muß vermerkt werden, daß die
Eingangssignale die Wellenform der mechanischen Schwingungen
der Turbine wiedergeben, wenn die Probenentnahme unter bestimmten
Intervallen vorgenommen wurde, und durch ein Histogramm
auf dem Schirmbild der Kathodenstrahlröhre gezeigt sind.
Jede Einheit wird in abgestuften Farben dargestellt, die
wunschgemäß in Übereinstimmung mit der Größe des Gesamteingangs
U ausgebildet sein können, der definiert ist durch die
Formel (2).
Es ist bevorzugt, diese Anzeigen hinsichtlich der Sichtbarkeit
in Farben vorzunehmen. Es sind aber auch monochromatische
Anzeigen möglich. In diesem Fall werden die Anzeigen
bewirkt, indem man eine Gradation, verschiedene Stricharten,
Halbtondarstellung od. dgl. verwendet.
Die der Ausgangsschicht zugeteilten Eingangsnummern entsprechen
den Musternummern in Fig. 2. Es wird angezeigt, daß
die Lage mit dem größten Ausgangssignal die größte Möglichkeit
als Ursache der Abnormalität hat.
Fig. 11 bildet als ein Beispiel der vorangehenden Tätigkeit
die ausgegebenen Diagnoseergebnisse auf dem Bildschirm
der Kathodenstrahlröhre als Leitlinie für die Bedienungsperson
3 ab.
In diesem Beispiel wird die dritte Erscheinung, d. h. Öl-
oder Flüssigkeitsschaum, als wahrscheinlichste angesehen. Es
wird darauf hingewiesen, daß der Grund die ungleichmäßige
Stärke eines Ölfilms an einem Gleitlager oder eine Strömungsmittelkraft
in einem wassergedichteten Spielraum ist. Obwohl
die Erscheinungen in abfallender Reihenfolge ihrer Möglichkeit
angeordnet sind, d. h. Gewißheit, in anderen Worten, in der abfallenden
Reihe der Größen ihrer Ausgangssignale, erübrigt es
sich darauf hinzuweisen, daß sie auch in der umgekehrten Reihenfolge
oder in chronologischer Reihenfolge der Erscheinungen
angeordnet sein können.
Hier wird der Gewißheitsfaktor durch den Pegel des Ausgangssignals
bestimmt. Beim vorliegenden Ausführungsbeispiel
wird der Pegel auf eine solche Weise festgesetzt, daß der Pegel
1 einen Gewißheitsfaktor von 100% liefert.
Das vorliegende Ausführungsbeispiel ermöglicht es, automatisch
Schwingungswellenformen der Dampfturbine einzulernen,
wobei die Schwingungswellenformen an einer tatsächlichen
Dampfturbine erhalten werden, in Zuordnung zu ihren entsprechenden
abnormalen Erscheinungen, so daß, anders als bei dem
herkömmlichen Verfahren, nicht länger ein Experte oder Fachmann
eine logische Diagnosetabelle unter großem Zeitaufwand
erstellen muß. Wenn die Diagnose einer Abnormalität unter Verwendung
des eingelernten Inhaltes des neuralen Netzwerkmodells
erstellt wird, dann kann die Umwandlung eines Eingangssignals
lediglich durch eine einfache funktionelle Operation und eine
Summierungsoperation bewirkt werden und erfordert nicht eine
solche Spektralanalyse oder Vergleichsbaumrecherche, wie dies
bei der herkömmlichen Methode erforderlich war. Deshalb kann
die Verarbeitung mit außerordentlich hoher Geschwindigkeit
durchgeführt werden. Dies ermöglicht es, eine Echtzeit-Analyse
einer jeden Abnormalität durch einen wenig aufwendigen Computer
durchzuführen, ohne daß ein teurer Hochleistungscomputer
oder eine spezielle Ausstattung erforderlich ist. Da die so
erhaltenen Diagnoseresultate gemeinsam mit einem Gewißheitsfaktor
in Übereinstimmung mit dem Ausmaß der Ähnlichkeit zwischen
den bereits eingelernten Mustern und den unter Diagnose
befindlichen Mustern bezeichnet werden können, kann eine objektive
Diagnose mit hoher Überzeugungskraft an die Bedienungsperson
abgegeben werden.
Ferner kann der Benutzer gemäß dem vorliegenden Ausführungsbeispiel
die strukturellen Parameter des neuralen Netzwerkmodells
und die Lernprozedur wunschgemäß bezeichnen und
die Verteilungsstärke der Verknüpfung im Kreis sowie eine
Energietendenz können angezeigt werden. Es ist somit möglich,
einen wirkungsvollen Lernvorgang zu erreichen, die Diagnosezeit
zu verkürzen und auch die Diagnosegenauigkeit zu verbessern.
Zusätzlich kann dieses Ausführungsbeispiel als Diagnoseergebnisse
eine Signalpegelverteilung im neuralen Netzwerk und
eine Tabelle der Ursachen von Abnormalitäten der Bedienungsperson
anzeigen, die in abfallender Reihenfolge ihres Gewißheitsgrades
angeordnet sind, so daß es der Bedienungsperson
ermöglicht wird, rasch die Situation zu überblicken und eine
Gegenmaßnahme auf der Grundlage der objektiven Information im
Falle des Auftretens einer Abnormalität zu ergreifen.
Bei der Beschreibung der vorliegenden Erfindung wurden
zehn Schwingungstypen, die in Fig. 2 gezeigt sind, als Lernmuster
für abnormale Schwingungen benutzt. In der Praxis unterscheidet
sich jedoch die Schwingungswellenform partiell
selbst dann, wenn dieselbe abnormale Erscheinung stattfindet.
Um dies zu beherrschen, sind für jede abnormale Erscheinung
mehrere Lernmuster vorgesehen, und alle werden vom neuralen
Netzwerkmodell 1400 eingelernt. Als Ergebnis ist die Flexibilität
der Diagnose von Abnormalitäten, in anderen Worten, die
Vielseitigkeit der Bestimmung einer Wellenform, erhöht.
Die Fähigkeit zur Bestimmung verringert sich, wenn eine
abnormale Erscheinung gegenüber ihrem entsprechenden Lernmuster
phasenverschoben ist, selbst wenn sie dieselbe Wellenform
aufweisen. Als Maßnahme gegen dieses Problem ist es lediglich
erforderlich, die Daten der Abnormalitätsüberwachung
1210 vorher mit einer Standardphase durch die Daten-Umwandlungsfunktion
1200 zur Übereinstimmung zu bringen. Die obige
Phasenübereinstimmung ist dann nicht erforderlich, wenn Wellenformen
mit derselben Form, aber Schritt für Schritt phasenverschoben
als Lernmuster von vornherein eingelernt sind.
Die in Fig. 10 gezeigten Lernsignale haben den Bereich
(0, 1). Diese Eingangssignale wurden dadurch erreicht, daß man
den gesamten Bereich der Variationen normalisiert hat, während
man die Mitte der Schwingungen bei 0,5 festgesetzt hat. In
diesem Fall wird die größte der Amplituden aller Lernmuster
als Standardwert für die Normalisierung benutzt. Es ist jedoch
nicht unbedingt errforderlich, die Normalisierung auf die obige
Weise zu bewirken. Die Ziele der vorliegenden Erfindung können
voll erreicht werden, wenn eine Amplitude, die hinlänglich
größer ist als diese der allgemein erwarteten abnormalen
Schwingungen als Standardwert benutzt wird.
Es ist notwendig, die Wellenzahlen der Lernmuster und der
Abnormalität-Überwachungsdaten 1210 gleich der Wellenzahl der
Standardwelle zu machen, nämlich der Wellenzahl einer Wellenform,
die jene Frequenz aufweist, welche durch die Drehzahl
der Turbine bestimmt ist. Angesicht der Existenz einer subharmonischen
Resonanz wie das Lernmuster Nr. 7, das in Fig. 2
abgebildet ist, ist es erwünscht, als beabsichtigte Werte für
den Eingang Wellenzahlen von 6 bis 9 als umgewandelte Wellen
auf der Grundlage des Standardwertes zu wählen.
Obwohl zeitabhängige Schwingungs-Wellenformen als Abnormalitäts-
Überwachungsdaten 1210 im vorliegenden Ausführungsbeispiel
gewählt sind, sind auch die Gesamtwerte der Schwingungen
als Funktion der Drehzahl wirksam für die Diagnose von
Abnormalitäten im Falle rotierender Maschinen wie etwa Turbinen.
Dieses Verfahren ist speziell für die Diagnose abnormaler
Schwingungen wirksam, die auftreten, während die Drehzahl
einer rotierenden Maschine wie etwa einer Turbine erhöht wird.
Die Ursache für die Abnormalität kann dadurch bestimmt werden,
daß man die Unterschiede in den Mustern unter den Gesamtwerten
der Schwingungen überwacht, die auftreten, während die Drehzahl
einer rotierenden Maschine erhöht wird, weil die Resonanzfrequenz
in Abhängigkeit von der Ursache der Abnormalität
unterschiedlich ist.
In diesem Fall sind Lernmuster für jeden bestimmten
Bereich von Drehzahlen vorgesehen. Somit ist die Bestimmung
des Grundes einer Abnormalität durchführbar, vorausgesetzt,
daß die Abnormalitäts-Überwachungsdaten für die jeweiligen
Bereiche im Verlauf einer Drehzahlzunahme einer drehenden
Maschine wie etwa einer Turbine eingegeben sind.
Das vorliegende Ausführungsbeispiel wurde unter der Annahme
beschrieben, daß es keine das Spektrum analysierende
Funktion aufweist. Wo eine Spektrum-Analyseeinrichtung bereits
in eine tatsächliche Anlage eingebaut wurde, kann die Genauigkeit
der Diagnose noch dadurch weiter verbessert werden, daß
man als Überwachungsdaten verschiedenartige harmonische Wellen
benutzt, die aus der Spektrum-Analyseeinrichtung erhalten wurden,
beispielsweise R/3, R/2, R und 2R (R: Rotationskomponente),
resonante Frequenzanteile usw. Es erübrigt sich, darauf
hinzuweisen, daß es in diesem Fall auch notwendig ist,
Lernmuster bezüglich der obengenannten harmonischen Wellen vorzusehen
und das neurale Netzwerkmodell 1400 zu veranlassen, sie zu
lernen.
Dort, wo eine tatsächliche Anlage bereits mit akustischen
Fühlern versehen ist, können die Abnormalitäten unter Verwendung
akustischer Wellenformen diagnostiziert werden, die aus
den Fühlern verfügbar sind. In diesem Fall ist eine akustische
Wellenform als Lernmuster für jede abnormale Erscheinung vorgesehen,
und das neurale Netzwerkmodell 1400 wird veranlaßt,
sie auf eine ähnliche Weise zu lernen.
In der obigen Beschreibung des vorliegenden Ausführungsbeispiels
wurde nichts hinsichtlich der Phase zwischen dem
Drehwinkel der Turbine und dem Vektorwinkel der Schwingungen
beschrieben, nämlich der Phase der Schwingungen. In Abhängigkeit
von der Anlage, die die Drehmaschinen wie etwa Turbinen
enthält, ist es jedoch möglich, dadurch eine Abnormalität zu
diagnostizieren, daß man der Tatsache Beachtung schenkt, daß
die Phase der Schwingungen in einem abnormalen Zustand unterschiedlich
wird, verglichen mit jener in einem normalen Zustand.
In diesem Fall ändert sich die Phase der Schwingungen
beispielsweise in zweierlei Art, nämlich die Schwingungsphase
ändert sich gemeinsam mit dem Zeitablauf, während eine
rotierende Maschine wie eine Turbine mit einer geschätzten
Drehzahl betrieben wird, oder die Phase der Schwingungen ändert
sich, wenn sich die Drehzahl ändert, während die Drehzahl
erhöht wird.
Um die Diagnose einer Abnormalität unter diesen Umständen
auszuführen, werden zeitabhängige Phasenveränderungen und
Phasenveränderungen als Funktion der Drehzahl der Turbine als
Lernmuster für die frühere Situation bzw. die spätere Situation
vorgesehen. Es ist dann erforderlich, das neurale Netzwerkmodell
zu veranlassen, diese zu lernen. Aus denselben
Gründen, wie oben hinsichtlich der Wellenform der Schwingungen
beschrieben, ist es erforderlich, infolge des Erlernens
und Überwachens einer Abnormalität einen Standardpunkt auf der
Achse für die Zeit im erstgenannten Fall vorzusehen und die
Umdrehungszahlen in bestimmte Bereiche aufzuteilen.
Bei diesem Ausführungsbeispiel werden andere Zustände,
die den Betrieb der Turbine begleiten, nicht als Lernmuster
oder Daten zur Überwachung der Abnormalität verwendet. Bei der
vorliegenden Erfindung ist es möglich, eine Diagnose dadurch
durchzuführen, daß man Gebrauch von den verschiedenartigen
Begleitbedingungen macht, welche den Betriebszustand einer
betrachteten Anlage anzeigen, inklusive den Fall einer Turbine.
Obwohl eine Diagnose auf der Grundlage von Begleitbedingungen
allein ausgeführt werden kann, sollte sie bevorzugt in
Kombination mit der oben beschriebenen Diagnose durch Schwingungen
ausgeführt werden.
Beispielhafte, verschiedenartige Begleitbedingungen umfassen
im Fall einer Turbine die Drehzahl, die Last, den Feldstrom
eines Generators, die Höhe des Unterdrucks eines Dampfkondensators,
den Öldruck für die Lagerungen, die Öltemperatur
für die Lagerungen, die vertikale Temperaturdifferenz in einem
Turbinengehäuse usw. In diesem Fall können der Lernvorgang und
die Diagnose dadurch ausgeführt werden, daß man die oben beschriebenen
verschiedenartigen Begleitbedingungen, die unter
Benutzung vorbestimmter Werte als Standardwerte jeweils normalisiert
wurden, jeder Einheit der Eingangsschicht im neuralen
Netzwerkmodell 1400 eingibt.
Als solche Begleitbedingungen ist es möglich, "1"/"0"-
Signale, die eine Aussage über AN-/AUS-Zustände treffen, statt
kontinuierlicher Werte einzugeben.
Es wird beispielsweise im Fall der Drehzahl der Turbine
ein "1"/"0"-Signal an die entsprechende Einheit in Abhängigkeit
davon eingegeben, ob die Drehzahl in einen bestimmten
Bereich fällt oder nicht. Durch den Begriff "bestimmter
Bereich", wie er hier verwendet wird, ist gemeint, ob sich die
Drehzahl in einem gefährlichen Drehzahlbereich befindet oder
unter oder über dem gefährlichen Drehzahlbereich liegt.
Was andererseits die Last angeht, bedeutet der Begriff
"spezieller Bereich", ob sich die Last ändert oder sich in
einem stabilen Zustand befindet, oder ob die Last in einem
speziellen Lastbereich liegt oder nicht. Im Hinblick auf den
Feldstrom des Generators kann der Feldstrom in Abhängigkeit
davon verwendet werden, ob er sich im AUS-Zustand oder im
AN-Zustand befindet. Was die Höhe des Unterdrucks im Dampfkondensator
angeht, den Öldruck für die Lager, die Öltemperatur
für die Lager und die vertikale Temperaturdifferenz im
Turbinengehäuse, können diese Bedingungen verwendet werden in
Abhängigkeit davon, ob sie oberhalb oder unterhalb bestimmter
Werte liegen.
Die verschiedenartigen Überwachungsdaten, die oben beschrieben
sind, können auch verwendet werden, indem man sie in
jeweilige neurale Netzwerkmodelle eingibt, die ausschließlich
für die jeweiligen Bedingungen vorgesehen sind. Als Alternativlösung
ist es aber auch möglich, verschiedene Arten von
Abnormalitäts-Überwachungsdaten in Kombination in ein einziges
neurales Netzwerkmodell einzugeben. Es ist auch möglich, die
beiden Methoden zu kombinieren.
Es wird als nächstes eine Beschreibung neuraler Netzwerkmodelle
vorgenommen, von denen das eine als hierarchische
Struktur und das andere als denzentralisierte Struktur aufgebaut
ist.
Als Diagnosesystem, das Verwendung eines mehrschichtigen
neuralen Netzwerkmodells macht, sieht die vorliegende Erfindung
beispielsweise das folgende Diagnosesystem vor:
Ein Zustand-Diagnosesystem für eine Einrichtung mit Elementen,
die in hierarchischer Struktur aufgebaut sind, wobei
das System dazu eingerichtet ist, eine Information zu ermitteln,
die eine Aussage über den Zustand liefert, der infolge
des Betriebes der Einrichtung auftritt, und den Betriebszustand
der Einrichtung auf der Grundlage der somit ermittelten Information
zu diagnostizieren, weist die folgenden Merkmale auf:
Neurale Netzwerkmodelle, die imstande sind, Informationsmuster
zu lernen, die eine Aussage verschiedenartiger
Zustände liefern, und die Bestimmung des Vorliegens oder der
Abwesenheit einer Abnormalität sowie Einzelheiten hiervon
durchzuführen, und zwar auf der Grundlage eines Signals, das
an einer Ausgangseinheit erscheint, wenn eine Überwachungsinformation
an der Anlage eingegeben wird, wobei eines oder
mehrere der genannten Netzwerkmodelle entsprechend jeder der
Stufen vorgesehen ist und die neuralen Netzwerkmodelle auf
eine solche Weise verknüpft sind, daß jedes neurale Netzwerkmodell
in einer relativ höheren Stufe eines oder mehrere neurale
Netzwerkmodelle in einer relativ niedrigeren Stufe koordiniert
und das neurale Netzwerkmodell in der relativ höheren
Stufe als Information Diagnoseergebnisse aus den neuralen
Netzwerkmodellen in der relativ niedrigeren Stufe nutzt.
Infolge der Struktur kann eine Diagnose unabhängig von
den neuralen Netzwerkmodellen in jeder Stufe durchgeführt
werden. Zusätzlich kann eine systematische Diagnose durch die
neuralen Netzwerkmodelle in einer höheren Stufe durchgeführt
werden.
Ein Diagnosesystem mit einer solchen hierarchischen
Struktur wird als nächstes noch näher beschrieben.
Es ist beispielsweise in Wärmekraftwerken im allgemeinen
aus mehreren Krafterzeugungseinheiten zusammengesetzt, von
denen jede in ein Kesselsystem, ein Turbinensystem und ein
Hilfsanlagensystem unterteilt werden kann. Jedes solcher
Systeme ist dann aus mehreren Anlagenteilen oder Elementen
zusammengesetzt. Wenn die vorliegende Erfindung zum Überwachen
und Diagnostizieren abnormaler Schwingungen einer Großanlage
mit vielen Anlagenteilen angewandt wird, die in Stufen miteinander
kombiniert sind, etwa eines Wärmekraftwerks, dann ist
das wirksame Erlernen dadurch möglich, daß man ein neurales
Netzwerkmodell in einer hierarchischen Struktur, ähnlich einer
vielstufigen Struktur, ausbildet, wie in Fig. 12 dargestellt.
Im Hinblick auf jede Stufe können geeignete Diagnoseergebnisse
und eine Betriebsanleitung unabhängig der Bedienungsperson
angezeigt werden.
Bei dem Ausführungsbeispiel der Fig. 12 ist eine neurale
Netzwerkmodellgruppe 3000 auf Kraftwerkniveau in der höchsten
Stufe angeordnet, nach unten gefolgt durch eine neurale Netzwerkmodellgruppe
3100 auf Niveau einer Einheit, eine neurale
Netzwerkmodellgruppe 3200 auf Systemniveau und eine neurale
Netzwerkmodellgruppe 3300 auf dem Niveau von Einrichtungen.
Die neurale Netzwerkmodellgruppe 3100 auf Niveau einer
Einheit ist zusammengesetzt aus einem neuralen Netzwerkmodell
3101 mit # 1, einem neuralen Netzwerkmodell 3102 für die
Einheit mit # 2, . . . und dem neuralen Netzwerkmodell 310 n für
die Einheit mit # n, welche jeweils den individuellen Krafterzeugungseinheiten entsprechen.
Die neurale Netzwerkmodellgruppe 3200 auf Systemniveau
ist zusammengesetzt aus neuralen Netzwerkmodellen, die jeweils
dem Kesselsystem, dem Turbinensystem und dem Hilfsanlagensystem
entsprechen, welche in jeder der oben beschriebenen
Einheiten enthalten sind. In Fig. 12 ist das neurale Netzwerkmodell
3211 für das Kesselsystem mit # 1, das neurale Netzwerkmodell
3212 für das Turbinensystem mit # 1, das neurale Netzwerkmodell 3212 für das Hilfsanlagensystem mit # 1, das neurale
Netzwerkmodell 3213 für das Hilfsanlagensystem mit # 1, das neurale
Netzwerkmodell 3221 für das Kesselsystem mit # 2, das neurale
Netzwerkmodell 3222 für das Turbinensystem mit # 2, das neurale
Netzwerkmodell 3223 für das Hilfsanlagensystem mit # 2, das
neurale Netzwerkmodell 32 n 1 für das Kesselsystem mit # n, das
neurale Netzwerkmodell 32 n 2 für das Turbinensystem mit # n und
das neurale Netzwerkmodell 32 n 3 für das Hilfsanlagensystem mit # n gezeigt.
In der neuralen Netzwerkmodellgruppe 3300 auf Einrichtungsniveau
sind neurale Netzwerkmodelle entsprechend den
individuellen Anlagenteilen vorgesehen, die die jeweiligen
Systeme bilden. Bei dem in Fig. 12 gezeigten Ausführungsbeispiel
ist ein neurales Netzwerkmodell 3321 a für den Brenner
mit # 2, ein neurales Netzwerkmodell 3321 b für eine Dampftrommel
mit # 2 und ein neurales Netzwerkmodell 3321 c für den Ofen
mit # 2 gezeigt, die alle vom neuralen Netzwerkmodell 3221 für
das Kesselsystem mit # 2 abhängen, ein neurales Netzwerkmodell
3322 a für den Läufer mit # 2, ein neurales Netzwerkmodell 3322 b
für den Dampfregler mit # 2 und ein neurales Netzwerkmodell
3322 c für die Ölpumpe mit # 2, die alle vom neuralen Netzwerkmodell
3222 für das Turbinensystem mit # 2 abhängen, und ein
neurales Netzwerkmodelll 3323 a für die Speisewasserpumpe mit
# 2, ein neurales Netzwerkmodell 3323 b für einen Lüfter mit # 2
und ein neurales Netzwerkmodell 3323 c für den Speisewasservorwärmer
mit # 2, die alle vom neuralen Netzwerkmodell 3223
für das Hilfsanlagensystem mit # 2 abhängen.
Bei dem oben beschriebenen Ausführungsbeispiel liegt das
gesamte Diagnosesystem in hierarchischer Struktur, d. h. vielstufiger
Struktur, vor. In den niedrigeren Stufen ist das
Diagnosesystem systemweise oder einrichtungsweise unterteilt
oder gruppiert.
In Abhängigkeit von der Zielrichtung der Diagnose kann
das Diagnosesystem auch mit einer geteilten oder dezentralisierten
Struktur aufgebaut werden, statt daß man es in einer
hierarchischen oder mehrstufigen Struktur aufbaut.
Wenn ein neurales Netzwerkmodell in einer hierarchischen
oder vielstufigen Struktur oder auch in einer geteilten oder
dezentralisierten Struktur aufgebaut ist, wie oben beschrieben,
ist es möglich, das neurale Netzwerkmodell zu veranlassen, den
Erfordernissen entsprechend teilweise zu lernen, wobei die
Durchführung eines effektiven Lernvorganges ermöglicht ist.
Das obige Ausführungsbeispiel der vorliegenden Erfindung
wurde beschrieben, wobei man die Diagnose von Abnormalitäten
einer Dampfturbine beispielsweise herangezogen hat. Die vorliegende
Erfindung kann auf eine dem obigen Ausführungsbeispiel
ähnliche Weise auch zur Diagnose des Betriebszustandes
verschiedenartiger Objekte angewendet werden, vorausgesetzt,
daß die Wellenformen mechanische Schwingungen, akustische
Schwingungen oder Vibrationen oder elektromagnetische Schwingungen
oder Vibrationen, die den Abnormalitäten der Anlage
inhärent sind, verwendet werden. Beispielsweise sind mechanische,
akustische und elektromagnetische Schwingungen und
Vibrationen alle für Generatoren und Motoren nutzbar. Was
Anlagen bzw. Einrichtungen angeht, wie etwa Pumpen, Lüfter,
Brecher, Mahlwerke, Wärmeaustauscher, Gasturbinen, Verdichter,
Klimaanlagen, Kühleinrichtungen, Zentrifugen, hydraulische
Anlagen, Lager, Druckgehäuse, Kraftübertragungen, Gangschaltgetriebe,
Rührwerke, Dampftrommeln, Verteilerrohre, Heizeinrichtungen,
Kohle-Zuführeinrichtungen, Brenner, Dampfrohre,
Wasser-Speiserohre, Pipelines, Sammelrohre, Wärmeübertragungsleitungen,
Ventile, Einspritzdüsen, Kupplungen, Verbindungen,
Kohleschütter, Luftleitungen, Flammrohre, Luftdämpfer, Gasdämpfer,
Staubsammler, Abscheidetanks, Siebe, Druckverringerungsmaschinen,
hydraulische Turbinen, Windmühlen, Walzmaschinen,
oszillierende Maschinen, Schrauben, Hubwerke, Aufzüge, Winden,
Schwungräder, Radlader, Bandförderer und Jahrmarkt-Vergnügungsfahrzeuge
und -anlagen, kann die Diagnose des
Betriebszustandes, zusammen mit der Diagnose einer Abnormalität,
auf eine dem obigen Ausführungsbeispiel ähnliche Weise
dadurch ausgeführt werden, daß man die Wellenformen mechanischer
Schwingungen und jene akustischer Schwingungen und Vibrationen
benutzt.
Bei dem Ausführungsbeispiel der vorliegenden Erfindung
sind die Ursachen von Abnormalitäten als Diagnoseergebnisse in
fallender Reihenfolge ihres Gewißheitsfaktors aufgelistet, wie
in Fig. 11 gezeigt. Es kann mühelos realisiert werden, eine
Anleitung für eine Gegenmaßnahme für jeden Grund einer Abnormalität
anzuzeigen.
Es ist nämlich nur notwendig, Anleitungen für Gegenmaßnahmen
in Zuordnung zu den entsprechenden Lernmustern in der
Lernmuster-Speichereinheit 1300 einzuspeichern, die in Fig. 1
gezeigt ist. Dies ermöglicht es, eine Anleitung von Gegenmaßnahmen
gemeinsam mit den entsprechenden Ursachen von
Abnormalitäten als Diagnoseergebnisse auf dem
Kathodenstrahlröhrenbildschirm der Mensch-Maschinen-Einheit
2000 anzuzeigen. Die Bedienungsperson kann dann unverzüglich
die Gegenmaßnahme bewirken, so daß die Anlage sicher betrieben
werden kann.
Die vorliegende Erfindung benutzt als neue Lernmuster die
Wellenform von Schwingungen und andere Hilfsbedingungen zum
Zeitpunkt des Auftretens einer Abnormalität, so daß solche
neuen Lernmuster gemeinsam mit den Diagnoseergebnissen in der
Lernmuster-Speicherfunktion 1300 gespeichert werden können.
Diese neuen Lernmuster können auf dem Bildschirm einer Kathodenstrahlröhre
in Übereinstimmung mit einer Abfrage durch die
Bedienungsperson jedesmal, wenn erforderlich, angezeigt werden.
Bei diesem Ausführungsbeispiel werden die Diagnoseergebnisse
auf der Kathodenstrahlröhre angezeigt. Obwohl in Fig. 1
nicht gezeigt, können sie auch mühelos durch eine Alarmeinrichtung,
eine Leuchtanzeige, eine akustische Anzeige und/oder
dergleichen angezeigt werden, um es der Bedienungsperson zu
ermöglichen, sich rasch ein Bild der Situation zu machen und
im Fall des Auftretens einer Abnormalität eine Gegenmaßnahme
zu bewirken.
Bei den oben beschriebenen Ausführungsbeispielen sind
Schwingungsfühler (nicht gezeigt), die Schwingungswellenform-
Speicherfunktionen 1100, die Daten-Umwandlungsfunktion 1200
und die neuralen Netzwerkmodelle 1400 in einer 1 : 1-Zuordnung
angeordnet, wie in Fig. 1 gezeigt. Es können jedoch die
Schwingungswellenformen, die aus mehreren Meßfühlern erhalten
werden, auch in Abhängigkeit vom Objekt der Überwachung abnormaler
Schwingungen und der Diagnose benutzt werden. In
einem solchen Fall kann die vorliegende Erfindung auch ohne
Abwandlungen ihrer wesentlichen Merkmale dadurch angewandt
werden, daß man irgendeine der unten zu beschreibenden Aufbauten
benutzt.
Ein Diagnosesystem eines ersten Aufbaus ist zusammengesetzt
aus mehreren Daten-Umwandlungsfunktionen, um getrennt
Schwingungs-Wellenformdaten, die jeweils durch eine gleiche
Vielzahl von Meßfühlern ermittelt wurden, die an einer gleichen
Vielzahl von Stellen an der Anlage angeordnet sind, umzuwandeln,
und einer gleichen Vielzahl von neuralen Netzwerkmodellen,
die entsprechend den einzelnen Anordnungsstellen der
Meßfühler vorgesehen sind, wobei die neuralen Netzwerkmodelle
imstande sind, Muster verschiedenartiger abnormaler Schwingungserscheinungen
zu lernen und die Bestimmung der Anwesenheit
oder Abwesenheit einer Abnormalität sowie die Einzelheiten
dieser auf der Grundlage der Position eines Signals
durchzuführen, das an einer Ausgangseinheit erscheint, wenn
die die Abnormalität überwachenden Daten eingegeben werden.
Dieses System ist nämlich so aufgebaut, wie dies in Fig. 13
gezeigt ist, nämlich durch Versehen der Anlage 4000 zur
Überwachung abnormaler Schwingungen und Diagnose mit mehreren
Schwingungsmeßfühlern 4011, 4012, . . ., 401 n und dann durch Vorsehen
von Schwingungswellenform-Speicherfunktionen 4021, 4022,
. . ., 402 n, Datenumwandlungsfunktionen 4031, 4032, . . ., 403 n und
neuralen Netzwerkmodellen 4041, 4042, . . ., 404 n entsprechend
diesen Meßfühlern 4011 bis 401 n.
Die in Fig. 13 dargestellte Anordnung führt die Verarbeitung
der Schwingungssignale von den individuellen Meßfühlern
4011 bis 401 n zur Speicherung und Datenumwandlung unabhängig
durch. Dieses Ausführungsbeispiel ist dort wirksam, wo sich
die neuralen Netzwerkmodelle voneinander nach Größe oder Verwendungszweck
unterscheiden. Ferner kann dieses Ausführungsbeispiel
als eine Anordnung mehrerer Diagnosesysteme angesehen
werden. Ein solches System ist beispielsweise dann geeignet,
wenn das Objekt in mehrere Bereiche unterteilt ist und diese
Bereiche unabhängig kontrolliert werden.
Ein Diagnosesystem gemäß einem zweiten Aufbau ist aus
einer Datenumwandlungsfunktion zum Umwandeln der Schwingungswellenformdaten,
die durch mehrere Meßfühler ermittelt wurden,
die an einer gleichen Mehrzahl von Stellen an der Anlage angeordnet
sind, um Abnormalität-Überwachungsdaten im Time-Sharing-
Betrieb zu überwachen, und einer gleichen Vielzahl von
neuralen Netzwerkmodellen zusammengesetzt, die entsprechend
den einzelnen Anordnungsstellen der Meßfühler vorgesehen sind,
wobei die neuralen Netzwerkmodelle imstande sind, Muster verschiedenartiger
abnormaler Schwingungserscheinungen zu erlernen
und die Bestimmung der Anwesenheit oder Abwesenheit einer
Abnormalität sowie deren Einzelheiten auf der Grundlage der
Lage eines Signals durchzuführen, das an einer Ausgangseinheit
auftritt, wenn die Abnormalität-Überwachungsdaten eingegeben
werden.
Dieses System hat nämlich einen solchen Aufbau, daß, wie
in Fig. 14 gezeigt, mehrere Meßfühler 4111, 4112, . . ., 411 n
vorgesehen sind, Schwingungssignale, die aus diesen Meßfühlern
erhalten werden, unter Time-Sharing in einer
Schwingungswellenform-Speicherfunktion 4121 und einer
Datenumwandlungsfunktion 4131 verarbeitet werden und die
Ausgänge der Daten-Umwandlungsfunktion 4131 dann unter
Time-Sharing in mehrere neurale Netzwerkmodelle 4141, 4142,
. . ., 414 n jeweils eingegeben werden.
Der in Fig. 14 dargestellte Aufbau kann die Speicherung
und Datenumwandlung von Schwingungssignalen aus den einzelnen
Meßfühlern 4111 bis 411 n jeweils durch eine gemeinsame Methode
durchführen. Dieses Ausführungsbeispiel ist beispielsweise zur
Verwendung in einem solchen Fall geeignet, in welchem die neuralen
Netzwerkmodelle gemeinsam die gesamten Daten oder einen
Teil hiervon benutzen, obwohl die neuralen Netzwerkmodelle
nach Größe oder Verwendungszweck voneinander unterschiedlich
sind.
Ein Diagnosesystem mit einem dritten Aufbau ist zusammengesetzt
aus einer Datenumwandlungsfunktion zum Umwandeln der
Schwingungswellenformdaten, die durch mehrere Meßfühler ermittelt
wurden, die an einer gleichen Vielzahl von Stellen an der
Anlage angeordnet sind, in Abnormalitäts-Überwachungsdaten
unter Time-Sharing, sowie einer gleichen Vielzahl von neuralen
Netzwerkmodellen, die entsprechend den einzelnen Anordnungsstellen
der Meßfühler vorgesehen sind, wobei die neuralen
Netzwerkmodelle imstande sind, Muster verschiedenartiger abnormaler
Schwingungserscheinungen zu erlernen und unter Time-
Sharing die Bestimmung der Anwesenheit oder Abwesenheit einer
Abnormalität sowie deren Einzelheiten auf der Grundlage der
Lage eines Signals durchzuführen, das an einer Ausgangseinheit
auftritt, wenn die Abnormalitäts-Überwachungsdaten eingegeben
werden.
Bei diesem System sind, wie in Fig. 15 dargestellt, mehrere
Meßfühler 4211, 4212, . . ., 421 n vorgesehen, die aus diesen
Meßfühlern erhaltenen Schwingungssignale werden unter Time-
Sharing bei einer Schwingungswellenform-Speicherfunktion 4221
und Daten-Umwandlungsfunktion 4231 verarbeitet, und die Ausgänge
dieser Daten-Umwandlungsfunktion 4231 werden unter Time-
Sharing in ein einziges neurales Netzwerkmodell 4241 eingegeben,
um gemeinsam das neurale Netzwerkmodell 4241 zu benutzen.
Die in Fig. 15 gezeigte Anordnung kann die Speicherung
und Datenumwandlung von Schwingungssignalen aus den einzelnen
Meßfühlern durch ein gemeinsames Vorgehen durchführen und ist
auf eine solche Weise wirksam, daß die Daten aus den einzelnen
Meßfühlern eine ähnliche Größe aufweisen und für ähnliche
Zwecke verwendet werden.
Das Ausführungsbeispiel wurde als Diagnosesystem beschrieben,
das sowohl mit einer Lernfunktion als auch einer
Diagnosefunktion für abnormale Schwingungserscheinungen eines
unter Diagnose stehenden Objektes ausgestattet ist. Die vorliegende
Erfindung kann jedoch auch dadurch realisiert werden,
daß man diese Funktionen als getrennte Systeme verkörpert. In
diesem Fall ist das erste als ein für den Lernvorgang bestimmtes
System ausgebildet, während das letzte als ein für die
Diagnose bestimmte System verkörpert ist.
Wenn es als ein für die Diagnose bestimmtes System verkörpert
wird, dann speichert die Lernmuster-Speicherfunktion
1300 die Muster verschiedenartiger Schwingungserscheinungen,
die während des Betriebes der zugeordneten Anlage und einer
anderen, ähnlichen Anlage ermittelt werden, zum Zwecke des
Lernens. Die Lern-Kontrollfunktion 1500 veranlaßt das neurale
Netzwerkmodell 1400, diese Muster einzulernen.
Im Fall eines für die Diagnose bestimmten Systems werden
die Informationen im Inneren des neuralen Netzwerkmodells, die
einen mittels des für den Lernvorgang bestimmten Systems vervollständigten
Lerninhalt aufweist, nämlich Information der
Stärkenverteilung der Verknüpfung im Kreis, eingegeben und
bilden ein eigenes neurales Netzwerkmodell, wobei die Diagnosefunktion
wirksam ist.
Die Diagnosefunktion des für die Diagnose bestimmten
Systems kann dadurch erhalten werden, daß man dem für den
Lernvorgang bestimmten System das neurale Netzwerkmodell entleiht,
an welches die Stärkeverteilung der Verknüpfung im
Kreis abgegeben wurde.
14596 00070 552 001000280000000200012000285911448500040 0002004012278 00004 14477Beim vorliegenden Ausführungsbeispiel wurde die vorliegende
Erfindung als ein Abnormalitäts-Diagnosesystem beschrieben.
Diese Erfindung kann aber auch als ein System zum Vorhersehen
bzw. Vorhersagen einer Abnormalität ausgebildet sein. In
diesem Fall ist es lediglich erforderlich, eine Information,
welche eine Aussage über Anzeichen zum Zeitpunkt des Auftretens
der Abnormalitäten enthält, als Muster zu benutzen, die
vom neuralen Netzwerkmodell 1400 einzulernen sind.
Beispielsweise kann das Abnormalitäts-Vorhersehsystem
bzw. -Vorhersagesystem mit einer Datenumwandlungsfunktion ausgebildet
sein, um Schwingungsinformation, welche von einem
Meßfühler ermittelt wurde, in die Abnormalität überwachende
Daten umzuwandeln, einem neuralen Netzwerkmodell zum Lernen
von Mustern verschiedenartiger abnormaler Vibrationserscheinungen,
wobei das neurale Netzwerkmodell imstande ist, die
Anwesenheit oder Abwesenheit einer Abnormalität und ihre
Einzelheiten in Übereinstimmung mit der Lage eines Signals
vorherzusehen bzw. vorauszusagen, das an der Ausgangseinheit
infolge der Eingabe der die Abnormalität überwachenden Daten
erscheint, und einer diagnostischen Mensch-Maschinen-Einheit,
um einen Benutzer mit den Ergebnissen der Voraussicht bzw.
Vorhersage als Ausgangsinformation aus dem neuralen Netzwerkmodell
zu versehen.
Dieses System zum Vorhersehen/Vorhersagen der Abnormalität
kann grundsätzlich auf dem oben beschriebenen Ausführungsbeispiel
des diagnostischen Systems auf ähnliche Weise aufgebaut
sein. Dies ist auch hinsichtlich der bevorzugten Ausführungsbeispiele
anwendbar. Beispielsweise können die Ergebnisse
der Voraussicht/Vorhersage ausgegeben werden wie folgt:
- 1) Als Ergebnisse der Voraussicht/Vorhersage die Anzeige am Bildschirm einer Kathodenstrahlröhre mindestens einer Information, die die Erscheinung beschreibt, einer Information, die die Ursache beschreibt, und einer Information über eine Anleitung zu einer Gegenmaßnahme,
- 2) als Ergebnisse der Voraussicht/Vorhersage die Anzeige auf dem Bildschirm einer Kathodenstrahlröhre möglicher Ursachen gemeinsam mit ihren jeweiligen Gewißheitsfaktoren, die bestimmt sind durch die Pegel der entsprechenden Ausgänge aus dem neuralen Netzwerkmodell, und
- 3) die Information des Benutzers über die Ergebnisse der Voraussicht/Vorhersage durch mindestens eines der Mittel Alarm, Lichtanzeige und akustische Ansage.
Es ist aus der Natur der vorliegenden Erfindung her deutlich,
daß eine mechanische, akustische und elektromagnetische
Meßeinrichtung entweder einzeln oder in jeder gewünschten Kombination
als Vibrations- oder Schwingungsmeßfühler im Diagnosesystem
der vorliegenden Erfindung benutzt werden kann.
Es ist ferner möglich, die Lernmuster-Speicherfunktion
1300 oder eine Magnet-Diskette oder ein Magnetband - ein Aufzeichnungsmedium
der Speicherfunktion - selbst als externe
Einheit oder als von außen her versorgte Datenbasis für das
Diagnosesystem vorzusehen. Das Grundprinzip der Erfindung wird
durch eine solche Modifizierung nicht geändert.
Das Grundprinzip der Erfindung wird auch dann nicht geändert,
wenn das Diagnosesystem dadurch aufgebaut wird, daß
man die Datenumwandlungsfunktion 1200 als externe Einheit des
Diagnosesystems einbezieht, nämlich als Datenwandler.
Als noch weitere Ausführungsbeispiele der vorliegenden
Erfindung sind ein Diagnose-Trainingssystem und ein Betriebs-
Trainingssystem bekannt. Diese Systeme können dadurch aufgebaut
werden, daß man einfach eine Funktion zum Erzeugen einer
angenommenen Abnormalität dem bereits oben beschriebenen Abnormalitäts-
Diagnosesystem hinzufügt.
Das Diagnose-Trainingssystem kann beispielsweise aus
einem neuralen Netzwerkmodell aufgebaut sein, das imstande
ist, die Anwesenheit oder Abwesenheit einer Abnormalität sowie
deren Einzelheiten auf der Grundlage der Lage eines Signals zu
bestimmen, das an einer Ausgangseinheit infolge der Eingabe
von Abnormalitäts-Überwachungsdaten über eine Schwingungserscheinung
einer Anlage als Objekt des Trainings der Diagnose
erscheint, einer eine angenommene Abnormalität erzeugenden
Funktion, um als Abnormalitäts-Überwachungsdaten eine Information
festzusetzen, die verschiedenartigen angenommenen Abnormalitätsursachen
entspricht, und zwar an einem Eingangsabschnitt
des neuralen Netzwerkmodells, und einer Mensch-Maschinen-
Einheit, um einem Benutzer Diagnoseergebnisse anzuzeigen,
die an der Ausgangseinheit erscheinen, wenn die von
der Funktion zum Erzeugen einer angenommenen Abnormalität
erzeugten Daten in das neurale Netzwerkmodell eingegeben
wurden.
Das Diagnose-Trainingssystem dieses Ausführungsbeispiels
und das Betriebs-Trainingssystem des nächsten Ausführungsbeispiels
können beide so aufgebaut sein, daß man das Diagnosesystem
benutzt, das in Fig. 1 gezeigt ist. Sie sind nämnlich
durch einen Rechenprozessor 1000 und die Mensch-Maschinen-Einheit
2000 aufgebaut. Obwohl die Funktion zum Erzeugen einer
angenommenen Abnormalität nicht dargestellt ist, kann sie als
eine Funktion des Rechenprozessors 1000 vorgesehen sein oder
kann extern eingerichtet und angeschlossen sein.
Das Diagnose-Trainingssystem ist wirksam, das Training
für die Verbesserung der Diagnosetechniken durch Anzeige von
Diagnoseergebnissen zu gestatten, welche an der Ausgangseinheit
erscheinen, wenn Daten, die jeweiligen verschiedenartigen
angenommenen Abnormalitätsursachen entsprechen, für den Eingangsabschnitt
des neuralen Netzwerkmodells 1400 von der Funktion
zum Erzeugen einer angenommenen Abnormalität her festgesetzt
werden, und zwar für eine zu trainierende Person mittels
des Bildschirms der Kathodenstrahlröhre der Mensch-Maschinen-
Einheit 2000.
Andererseits kann das Betriebstrainingssystem beispielsweise
aus einem neuralen Netzwerkmodell aufgebaut sein, das
imstande ist, die Anwesenheit oder Abwesenheit einer Abnormalität
und deren Details auf der Grundlage der Lage eines Signals
zu bestimmen, das an einer Ausgangseinheit infolge der
Eingabe von Abnormalitätsüberwachungsdaten über eine Schwingungserscheinung
einer Anlage erscheint, die das Objekt des
Betriebstrainings bildet, einer Funktion zum Erzeugen einer
angenommenen Abnormalität, um als Abnormalitäts-Überwachungsdaten
Daten an einem Eingangsabschnitt des neuralen Netzwerkmodells
festzusetzen, die verschiedenartigen angenommenen
Abnormalitätsursachen entsprechen und einer Mensch-Maschinen-
Einheit, um einem Benutzer eine Anleitung für eine Gegenmaßnahme
anzuzeigen, die auf den Diagnoseresultaten beruht,
die an der Ausgangseinheit erscheinen, wenn die aus der Funktion
zum Erzeugen einer angenommenen Abnormalität erzeugten
Daten in das neurale Netzwerkmodell eingegeben wurden.
Das Betriebstrainingssystem bewirkt es, daß das Training
für die Verbesserung von Betriebstechniken durch Anzeige einer
Anleitung für eine Gegenmaßnahme auf der Grundlage von Diagnoseergebnissen
gestattet wird, welche an der Ausgangseinheit
dann erscheinen, wenn Daten entsprechend jeweiligen verschiedenartigen
angenommenen Abnormalitätsursachen für den Eingangsabschnitt
des neuralen Netzwerkmodells 1400 von der Funktion
zum Erzeugen einer angenommenen Abnormalität festgesetzt
werden, und zwar für einen Trainierenden und mittels des
Bildschirms einer Kathodenstrahlröhre.
Als noch andere Ausführungsbeispiele der vorliegenden
Erfindung liegt ein System zum Beitragen zum Abschätzen der
Betriebslebensdauer für eine Anlage und ein die Wartung unterstützendes
System für eine Anlage vor. Das erste schätzt
die Betriebslebensdauer einer Anlage durch Gebrauch der Tatsache,
daß die Stärke oder Wellenform von Schwingungen sich
dann ändert, wenn die Betriebslebensdauer einer Anlage aufgebraucht
ist, und zeigt die somit gesetzte Betriebslebensdauer
der Bedienungsperson an. Andererseits erstellt das letztgenannte
System ein Wartungsprogramm für eine Anlage auf der
Grundlage der Abnormalitätsursache, die durch das System zur
Überwachung abnormaler Schwingung und Diagnose angezeigt wird,
das bereits oben beschrieben ist, oder auf der Grundlage der
Information über die Betriebslebensdauer der Anlage, welche
aus dem oben beschriebenen System zum Beitragen zum Abschätzen
der Betriebslebensdauer erhalten wurde, und bietet es der
Bedienungsperson oder der Wartungsmannschaft an.
Diese Systeme können in dem bereits oben beschriebenen
diagnostischen System in ähnlicher Weise aufgebaut sein.
Deshalb werden sie nachfolgend unter Bezug auf Fig. 1 beschrieben.
Das System zum Unterstützen des Abschätzens der Betriebslebensdauer
kann dadurch eingerichtet werden, daß man als
Lernmuster verschiedenartige Daten vorsieht, bei denen die
Schwingungsstärken oder Schwingungswellenformen der Anlage den
entsprechenden Betriebslebensdauer-Verbrauchswerten zugeordnet
werden, und man dann das neurale Netzwerkmodell 1400 veranlaßt,
sie im vorhinein zu lernen.
Dieses System zum Beitragen zur Abschätzung der Betriebslebensdauer
kann aufgebaut sein aus einer Datenumwandlungsfunktion
zum Umwandeln der Schwingungswellenformdaten, die von
Meßfühlern gemessen wurden, in Daten zum Abschätzen der Betriebslebensdauer,
einem neuralen Netzwerkmodell zum Einlernen
von Mustern verschiedenartiger Schwingungserscheinungen, wobei
das neurale Netzwerkmodell imstande ist, die Betriebslebensdauer
der Anlage auf der Grundlage der Größe eines Signals abzuschätzen,
das in einer Ausgangseinheit infolge der Eingabe
der Betriebslebensdauer-Abschätzdaten erscheint, und einer
Mensch-Maschinen-Einheit für die Abschätzung der Betriebslebensdauer,
die einen Benutzer mit den Ergebnissen der Schätzung
der Betriebslebensdauer als Ausgangsinformation aus dem
neuralen Netzwerkmodell versieht.
Das System zum Beitragen zum Abschätzen der
Betriebslebensdauer ermöglicht es, aus einer Information über
Schwingungen die Betriebslebensdauer der Anlage beim Betrieb
abzuschätzen. Es ist somit möglich, Unfälle zu vermeiden, um
die Erleichterung der Überwachung der Betriebslebensdauer der
Anlage nicht zu erwähnen.
Das die Wartung unterstützende System kann dadurch eingerichtet
werden, daß man als Lernmuster Informationen über Instandhaltungsprogramme
vorsieht, nämlich Plätze und Zeiten der
Instandsetzung, Arbeitsvorgänge usw. in Zuordnung zu ihren
entsprechenden Abnormalitätsursachen oder zur Information über
die Betriebslebensdauer einer Anlage, und daß man dann das
neurale Netzwerkmodell 1400 veranlaßt, diese im voraus einzulernen.
Dieses System zum Unterstützen der Wartung kann aus einem
neuralen Netzwerkmodell aufgebaut sein, um als Muster Instandhaltungsprogramme
gemeinsam mit verschiedenartigen Abnormalitätsursachen
und/oder Informationen über die Betriebslebensdauer
einzulernen, wobei das neurale Netzwerkmodell imstande
ist, jedes der Instandhaltungsprogramme dann auszugeben, wenn
seine entsprechende Abnormalitätsursache und/oder Informationen
über die Betriebslebensdauer eingegeben werden, und
einer Mensch-Maschinen-Einheit für die Instandhaltung, um einen
Benutzer mit dem Instandhaltungsprogramm als Ausgangsinformation
aus dem neuralen Netzwerkmodell zu versehen.
Das die Instandhaltung unterstützende System kann ein
geeignetes Inastandhaltungsprogramm in jenem Fall vorsehen, daß
eine Abnormalität auftritt, oder entsprechend einer Anfrage
von einer Bedienungsperson her. Es ist möglich, Unfälle zu
vermeiden und außerdem die Instandhaltungsarbeit einer Anlage
effektiver zu machen und ihre Kosten zu verringern.
Bei jedem der obigen Ausführungsbeispiele ist das neurale
Netzwerkmodell als Rechenprozessor aufgebaut. Er kann aber
auch durch eine spezielle Einrichtung bzw. Hardware gebildet
werden. In diesem Fall kann ein analoger integrierter Schaltkreis,
digitaler integrierter Schaltkreis od. dgl. verwendet
werden.
Bei jedem der obigen Ausführungsbeispiele ist eine
Kathodenstrahlröhre als Anzeige verwendet. Es kann aber auch
eine andere Anzeige wie eine Flüssigkristallanzeige, Plasmaanzeige
oder Elektrolumineszenzanzeige benutzt werden.
Das System eines jeden obigen Ausführungsbeispiels kann
aus einem tragbaren Informationsprozessor, beispielsweise
einem Laptop-Computer, aufgebaut sein, wobei man ein tragbares
Diagnosesystem vorsieht.
Ferner kann das Diagnosesystem der vorliegenden Erfindung
das System eines jeden der obigen Ausführungsbeispiele erforderlichenfalls
dadurch aufbauen, daß man Informationen oder
Daten vorsieht, welche jenen Informationen entsprechen, die
als Stadium des Lernens oder als Diagnoseresultate vom neuralen
Netzwerkmodell vorzusehen sind. Außerdem können mehrere
Arten von Systemen durch eine einzige Hardware bereitgestellt
werden, wenn mehrere Arten solcher Information oder Daten
vorgesehen sind.
Bei dem obigen Ausführungsbeispiel wird der Zustand durch
Verwendung einer Information auf der Grundlage von Schwingungen
diagnostiziert. Es ist die Diagnose aber auch durch Verwendung
anderer Information möglich.
Es ist ein Zustands-Diagnosesystem für eine Anlage offenbart.
Das System ist aus einem neuralen Netzwerkmodell aufgebaut,
um eine oder mehrere Informationsmuster über Schwingungen
im vorhinein zu erlernen, die in einem speziellen Betriebszustand
der Anlage erzeugt werden, und zwar in Zuordnung
zum entsprechenden Betriebszustand, und zum Erhalten eines
Ausgangssignals, das den Ergebnissen des Lernvorgangs entspricht,
wenn eine Information über Schwingungen, die infolge
des Betriebs der Anlage erzeugt werden, eingegeben wird, aus
einer Eingangseinheit zum Eingeben der Information über
Schwingungen, die infolge des Betriebes der Anlage erzeugt
werden, in das neurale Netzwerkmodell, und aus einer Ausgangseinheit
zum Ausgeben des Ausgangssignals aus dem neuralen Netzwerkmodell als
Diagnoseresultat an den Benutzer. Es sind auch
Zustands-Diagnoseverfahren, ein Lernsystem, ein System zum
Vorausschauen bzw. zur Vorhersage, ein Diagnose-Trainingssystem,
ein System zum Beitragen zum Abschätzen der Betriebslebensdauer
und ein System zum Unterstützen der Wartung offenbart.
Claims (19)
1. Zustands-Diagnosesystem für eine Anlage, gekennzeichnet
durch die folgenden Merkmale:
ein neurales Netzwerkmodell, um im voraus eine oder mehrere Informationsmuster über Schwingungen einzulernen, welche in einem speziellen Betriebszustand der Anlage erzeugt werden, in Zuordnung zum entsprechenden Betriebszustand der Anlage erzeugt werden, in Zuordnung zum entsprechenden Betriebszustand, und zum Erhalten eines Ausgangssignals, das den Ergebnissen des Lernvorganges entspricht, wenn eine Information über die Schwingungen, die infolge des Betriebes der Anlage erzeugt werden, eingegeben wird,
eine Einrichtung zum Eingeben der Information über die Schwingungen, die infolge des Betriebes der Anlage erzeugt werden, in ein neurales Netzwerkmodell, und
eine Einrichtung zum Abgeben des Ausgangssignals aus dem neuralen Netzwerkmodell als Diagnoseergebnisse an einen Benutzer.
ein neurales Netzwerkmodell, um im voraus eine oder mehrere Informationsmuster über Schwingungen einzulernen, welche in einem speziellen Betriebszustand der Anlage erzeugt werden, in Zuordnung zum entsprechenden Betriebszustand der Anlage erzeugt werden, in Zuordnung zum entsprechenden Betriebszustand, und zum Erhalten eines Ausgangssignals, das den Ergebnissen des Lernvorganges entspricht, wenn eine Information über die Schwingungen, die infolge des Betriebes der Anlage erzeugt werden, eingegeben wird,
eine Einrichtung zum Eingeben der Information über die Schwingungen, die infolge des Betriebes der Anlage erzeugt werden, in ein neurales Netzwerkmodell, und
eine Einrichtung zum Abgeben des Ausgangssignals aus dem neuralen Netzwerkmodell als Diagnoseergebnisse an einen Benutzer.
2. Zustands-Diagnosesystem für eine Anlage, gekennzeichnet
durch die folgenden Merkmale:
ein neurales Netzwerkmodell, um im voraus eine oder mehrere Informationsmuster über Schwingungen einzulernen, welche in einem speziellen Betriebszustand der Anlage erzeugt werden, in Zuordnung zum entsprechenden Betriebszustand, und zum Erhalten eines Ausgangssignals, das den Ergebnissen des Lernvorganges entspricht, wenn eine Information über die Schwingungen, die infolge des Betriebes der Anlage erzeugt werden, eingegeben wird,
eine Einrichtung zum Eingeben der Information über die Schwingungen, die infolge des Betriebes der Anlage erzeugt werden, in ein neurales Netzwerkmodell,
eine Lerneinrichtung zum aufeinanderfolgenden Eingeben einer oder mehrerer Informationsmuster über Schwingungen, die im speziellen Betriebszustand der Anlage erzeugt werden, in das neurale Netzwerkmodell und zum Veranlassen des neuralen Netzwerkmodells, um ein unterschiedliches Ausgangssignal für jeden Betriebszustand zu erhalten, und
eine Einrichtung zum Ausgeben des Ausgangssignals aus dem neuralen Netzwerkmodell als Diagnoseergebnisse an einen Benutzer.
ein neurales Netzwerkmodell, um im voraus eine oder mehrere Informationsmuster über Schwingungen einzulernen, welche in einem speziellen Betriebszustand der Anlage erzeugt werden, in Zuordnung zum entsprechenden Betriebszustand, und zum Erhalten eines Ausgangssignals, das den Ergebnissen des Lernvorganges entspricht, wenn eine Information über die Schwingungen, die infolge des Betriebes der Anlage erzeugt werden, eingegeben wird,
eine Einrichtung zum Eingeben der Information über die Schwingungen, die infolge des Betriebes der Anlage erzeugt werden, in ein neurales Netzwerkmodell,
eine Lerneinrichtung zum aufeinanderfolgenden Eingeben einer oder mehrerer Informationsmuster über Schwingungen, die im speziellen Betriebszustand der Anlage erzeugt werden, in das neurale Netzwerkmodell und zum Veranlassen des neuralen Netzwerkmodells, um ein unterschiedliches Ausgangssignal für jeden Betriebszustand zu erhalten, und
eine Einrichtung zum Ausgeben des Ausgangssignals aus dem neuralen Netzwerkmodell als Diagnoseergebnisse an einen Benutzer.
3. Zustands-Diagnosesystem für eine Anlage, gekennzeichnet
durch die folgenden Merkmale:
ein neurales Netzwerkmodell zum Lernen mindestens eines Informationsmusters über Schwingungen im vorhinein, die in einem speziellen Betriebszustand der Anlage erzeugt werden, in Zuordnung zu dem entsprechenden Betriebszustand, und zum Erhalten eines Ausgangssignals, das den Ergebnissen des Lernvorgangs entspricht, wenn eine Information über Schwingungen, die infolge des Betriebes der Anlage erzeugt werden, eingegeben wird,
eine Einrichtung zum Eingeben der Information über die Schwingungen, die infolge des Betriebes der Anlage erzeugt werden, in das neurale Netzwerkmodell,
eine Lerneinrichtung, um aufeinanderfolgend eine oder mehrere Informationsmuster über Schwingungen, die in dem speziellen Betriebszustand der Anlage erzeugt werden, in das neurale Netzwerkmodell einzugeben, und das neurale Netzwerkmodell zu veranlassen, einen Lernvorgang durchzuführen, um ein unterschiedliches Ausgangssignal für jeden Betriebszustand zu erhalten, und
eine Ausgangseinrichtung zum Anzeigen des Zustandes des Lernvorganges des neuralen Netzwerkmodells.
ein neurales Netzwerkmodell zum Lernen mindestens eines Informationsmusters über Schwingungen im vorhinein, die in einem speziellen Betriebszustand der Anlage erzeugt werden, in Zuordnung zu dem entsprechenden Betriebszustand, und zum Erhalten eines Ausgangssignals, das den Ergebnissen des Lernvorgangs entspricht, wenn eine Information über Schwingungen, die infolge des Betriebes der Anlage erzeugt werden, eingegeben wird,
eine Einrichtung zum Eingeben der Information über die Schwingungen, die infolge des Betriebes der Anlage erzeugt werden, in das neurale Netzwerkmodell,
eine Lerneinrichtung, um aufeinanderfolgend eine oder mehrere Informationsmuster über Schwingungen, die in dem speziellen Betriebszustand der Anlage erzeugt werden, in das neurale Netzwerkmodell einzugeben, und das neurale Netzwerkmodell zu veranlassen, einen Lernvorgang durchzuführen, um ein unterschiedliches Ausgangssignal für jeden Betriebszustand zu erhalten, und
eine Ausgangseinrichtung zum Anzeigen des Zustandes des Lernvorganges des neuralen Netzwerkmodells.
4. Verfahren zum Diagnostizieren des Zustandes einer Anlage
durch ein Zustands-Diagnosesystem, welches ein neurales Netzwerkmodell
aufweist, das imstande ist, ein Ausgangssignal zu
erhalten, das den Ergebnissen eines Lernvorganges infolge der
Eingabe von Informationen entspricht, und das geeignet ist,
den Betriebszustand der Anlage zu diagnostizieren, gekennzeichnet
durch die folgenden Merkmale:
Lernen einer oder mehrerer Informationsmuster über Schwingungen, die in einem speziellen Betriebszustand der Anlage erzeugt werden, in Zuordnung zum entsprechenden Betriebszustand, an einem neuralen Netzwerkmodell,
Eingeben der Information über Schwingungen, die im Betriebszustand der Anlage erzeugt werden, in das mit diesem Lerninhalt versehene neurale Netzwerkmodell, um ein Ausgangssignal zu erhalten, das den Lernergebnissen entspricht, und
Ausgeben des Ausgangssignals aus dem neuralen Netzwerkmodell als Diagnoseergebnisse an einen Benutzer.
Lernen einer oder mehrerer Informationsmuster über Schwingungen, die in einem speziellen Betriebszustand der Anlage erzeugt werden, in Zuordnung zum entsprechenden Betriebszustand, an einem neuralen Netzwerkmodell,
Eingeben der Information über Schwingungen, die im Betriebszustand der Anlage erzeugt werden, in das mit diesem Lerninhalt versehene neurale Netzwerkmodell, um ein Ausgangssignal zu erhalten, das den Lernergebnissen entspricht, und
Ausgeben des Ausgangssignals aus dem neuralen Netzwerkmodell als Diagnoseergebnisse an einen Benutzer.
5. Verfahren zum Diagnostizieren des Zustandes einer Anlage
durch ein Zustands-Diagnosesystem, welches ein neurales Netzwerkmodell
aufweist, das imstande ist, ein Ausgangssignal zu
erhalten, das den Ergebnissen des Lernvorganges infolge der
Eingabe von Information entspricht, und das dazu eingerichtet
ist, den Betriebszustand der Anlage zu diagnostizieren,
gekennzeichnet durch die folgenden Merkmale:
Benutzen des neuralen Netzwerkmodells nach dem Einlernen einer oder mehrerer Informationsmuster über Schwingungen, die in einem speziellen Betriebszustand der Anlage erzeugt werden, in Zuordnung zum entsprechenden Betriebszustand, im neuralen Netzwerkmodell,
Eingeben der Information über Schwingungen, die in einem Betriebszustand der Anlage erzeugt werden, in das neurale Netzwerkmodell, um ein Ausgangssignal zu erhalten, das den Ergebnissen des Lernvorgangs entspricht, und
Ausgeben eines Ausgangssignals aus dem neuralen Netzwerkmodell als Diagnoseergebnisse an den Benutzer.
Benutzen des neuralen Netzwerkmodells nach dem Einlernen einer oder mehrerer Informationsmuster über Schwingungen, die in einem speziellen Betriebszustand der Anlage erzeugt werden, in Zuordnung zum entsprechenden Betriebszustand, im neuralen Netzwerkmodell,
Eingeben der Information über Schwingungen, die in einem Betriebszustand der Anlage erzeugt werden, in das neurale Netzwerkmodell, um ein Ausgangssignal zu erhalten, das den Ergebnissen des Lernvorgangs entspricht, und
Ausgeben eines Ausgangssignals aus dem neuralen Netzwerkmodell als Diagnoseergebnisse an den Benutzer.
6. Zustands-Diagnosesystem für eine Anlage, wobei das System
dazu eingerichtet ist, den Zustand von Schwingungen zu ermitteln,
die infolge des Betriebes der Anlage erzeugt werden, und
den Betriebszustand der Anlage auf der Grundlage der somit
ermittelten Schwingungsinformation zu diagnostizieren, gekennzeichnet
durch die folgenden Merkmale:
eine Datenumwandlungsfunktion zum Umwandeln der somit ermittelten Schwingungsinformation in Daten zur Überwachung der Abnormalität,
ein neurales Netzwerkmodell zum Einlernen von Mustern verschiedenartiger abnormaler Schwingungserscheinungen, wobei das neurale Netzwerkmodell imstande ist, die Anwesenheit oder Abwesenheit einer Abnormalität sowie Einzelheiten der Abnormalität durch die Position eines Signals zu bestimmen, das an einer Ausgangseinheit infolge der Eingabe der Abnormalitäts- Überwachungsdaten auftritt, und
eine Mensch-Maschinen-Einheit, um einen Benutzer mit den Diagnose-Resultaten als Ausgangsinformation aus dem neuralen Netzwerkmodell zu versehen.
eine Datenumwandlungsfunktion zum Umwandeln der somit ermittelten Schwingungsinformation in Daten zur Überwachung der Abnormalität,
ein neurales Netzwerkmodell zum Einlernen von Mustern verschiedenartiger abnormaler Schwingungserscheinungen, wobei das neurale Netzwerkmodell imstande ist, die Anwesenheit oder Abwesenheit einer Abnormalität sowie Einzelheiten der Abnormalität durch die Position eines Signals zu bestimmen, das an einer Ausgangseinheit infolge der Eingabe der Abnormalitäts- Überwachungsdaten auftritt, und
eine Mensch-Maschinen-Einheit, um einen Benutzer mit den Diagnose-Resultaten als Ausgangsinformation aus dem neuralen Netzwerkmodell zu versehen.
7. Zustands-Diagnosesystem für eine Anlage, das dazu eingerichtet
ist, den Zustand von Schwingungen zu ermitteln, die
infolge des Betriebes der Anlage erzeugt werden, und den Betriebszustand
der Anlage auf der Grundlage der somit ermittelten
Schwingungsinformation zu diagnostizieren, gekennzeichnet
durch die folgenden Merkmale:
eine Daten-Umwandlungsfunktion zum Umwandeln der somit ermittelten Schwingungsinformation in Abnormalitäts-Überwachungsdaten,
ein neurales Netzwerkmodell zum Einlernen von Mustern für verschiedenartige abnormale Schwingungserscheinungen, wobei das neurale Netzwerkmodell imstande ist, die Anwesenheit oder Abwesenheit einer Abnormalität sowie Einzelheiten dieser Abnormalität durch die Position eines Signals zu bestimmen, das an einer Ausgangseinheit infolge der Eingabe der Abnormalitäts- Überwachungsdaten auftritt,
eine Lernmuster-Speicherfunktion zum Speichern der Muster der verschiedenartigen abnormalen Schwingungserscheinungen zu Zwecken des Lernens,
eine Lern-Kontrollfunktion, um das neurale Netzwerkmodell zu veranlassen, die in der Lernmuster-Speicherfunktion eingespeicherte Funktion zu lernen, und
eine Mensch-Maschinen-Lernfunktion, um den Fortschritt oder die Resultate des Lernvorgangs der Lernmuster einem Benutzer anzuzeigen.
eine Daten-Umwandlungsfunktion zum Umwandeln der somit ermittelten Schwingungsinformation in Abnormalitäts-Überwachungsdaten,
ein neurales Netzwerkmodell zum Einlernen von Mustern für verschiedenartige abnormale Schwingungserscheinungen, wobei das neurale Netzwerkmodell imstande ist, die Anwesenheit oder Abwesenheit einer Abnormalität sowie Einzelheiten dieser Abnormalität durch die Position eines Signals zu bestimmen, das an einer Ausgangseinheit infolge der Eingabe der Abnormalitäts- Überwachungsdaten auftritt,
eine Lernmuster-Speicherfunktion zum Speichern der Muster der verschiedenartigen abnormalen Schwingungserscheinungen zu Zwecken des Lernens,
eine Lern-Kontrollfunktion, um das neurale Netzwerkmodell zu veranlassen, die in der Lernmuster-Speicherfunktion eingespeicherte Funktion zu lernen, und
eine Mensch-Maschinen-Lernfunktion, um den Fortschritt oder die Resultate des Lernvorgangs der Lernmuster einem Benutzer anzuzeigen.
8. Zustands-Diagnosesystem für eine Anlage, das dazu
eingerichtet ist, den Zustand von Schwingungen zu ermitteln,
die infolge des Betriebes der Anlage erzeugt werden, und den
Betriebszustand der Anlage auf der Grundlage der somit
ermittelten Schwingungsinformation zu diagnostizieren,
gekennzeichnet durch die folgenden Merkmale:
eine Daten-Umwandlungsfunktion zum Umwandeln der somit ermittelten Schwingungsinformation in Abnormalitäts-Überwachungsdaten,
ein neurales Netzwerkmodell zum Einlernen von Mustern für verschiedenartige abnormale Schwingungserscheinungen, wobei das neurale Netzwerkmodell imstande ist, die Anwesenheit oder Abwesenheit einer Abnormalität sowie Einzelheiten dieser Abnormalität durch die Position eines Signals zu bestimmen, das an einer Ausgangseinheit infolge der Eingabe der Abnormalitäts- Überwachungsdaten auftritt,
eine Lernmuster-Speicherfunktion zum Speichern der Muster der verschiedenartigen abnormalen Schwingungserscheinungen zu Zwecken des Lernens,
eine Lern-Kontrollfunktion, um das neurale Netzwerkmodell zu veranlassen, die in der Lernmuster-Speicherfunktion eingespeicherte Funktion zu lernen,
eine Mensch-Maschinen-Lernfunktion, um den Fortschritt oder die Resultate des Lernvorgangs der Lernmuster einem Benutzer anzuzeigen, und
eine Mensch-Maschinen-Diagnosefunktion, um den Benutzer mit Diagnoseresultaten als Ausgangsinformation aus dem neuralen Netzwerkmodell zu versehen.
eine Daten-Umwandlungsfunktion zum Umwandeln der somit ermittelten Schwingungsinformation in Abnormalitäts-Überwachungsdaten,
ein neurales Netzwerkmodell zum Einlernen von Mustern für verschiedenartige abnormale Schwingungserscheinungen, wobei das neurale Netzwerkmodell imstande ist, die Anwesenheit oder Abwesenheit einer Abnormalität sowie Einzelheiten dieser Abnormalität durch die Position eines Signals zu bestimmen, das an einer Ausgangseinheit infolge der Eingabe der Abnormalitäts- Überwachungsdaten auftritt,
eine Lernmuster-Speicherfunktion zum Speichern der Muster der verschiedenartigen abnormalen Schwingungserscheinungen zu Zwecken des Lernens,
eine Lern-Kontrollfunktion, um das neurale Netzwerkmodell zu veranlassen, die in der Lernmuster-Speicherfunktion eingespeicherte Funktion zu lernen,
eine Mensch-Maschinen-Lernfunktion, um den Fortschritt oder die Resultate des Lernvorgangs der Lernmuster einem Benutzer anzuzeigen, und
eine Mensch-Maschinen-Diagnosefunktion, um den Benutzer mit Diagnoseresultaten als Ausgangsinformation aus dem neuralen Netzwerkmodell zu versehen.
9. Lernsystem, das zur Verwendung in einem System geeignet
ist, das geeignet ist, den Zustand von Schwingungen zu ermitteln,
die infolge des Betriebes einer Anlage erzeugt werden,
und den Betriebszustand der Anlage auf der Grundlage der somit
ermittelten Schwingungsinformation zu diagnostizieren,
gekennzeichnet durch die folgenden Merkmale:
eine Lernmuster-Speicherfunktion, um zu Lernzwecken Muster verschiedenartiger abnormaler Schwingungserscheinungen zu speichern, die während des Betriebes der betreffenden Anlage oder einer ähnlichen Anlage ermittelt wurden,
ein neurales Netzwerkmodell, um die Ausgangsschwingungs- Wellenformdaten eines jeden der Muster der verschiedenartigen abnormalen Schwingungserscheinungen kombiniert mit einer Information über die Anwesenheit oder Abwesenheit einer Abnormalität und deren Einzelheiten zu lernen, wenn das Muster eingegeben wird, und
eine Lern-Kontrollfunktion, um das neurale Netzwerkmodell zu veranlassen, die in der Lernmuster-Speicherfunktion gespeicherte Information zu lernen.
eine Lernmuster-Speicherfunktion, um zu Lernzwecken Muster verschiedenartiger abnormaler Schwingungserscheinungen zu speichern, die während des Betriebes der betreffenden Anlage oder einer ähnlichen Anlage ermittelt wurden,
ein neurales Netzwerkmodell, um die Ausgangsschwingungs- Wellenformdaten eines jeden der Muster der verschiedenartigen abnormalen Schwingungserscheinungen kombiniert mit einer Information über die Anwesenheit oder Abwesenheit einer Abnormalität und deren Einzelheiten zu lernen, wenn das Muster eingegeben wird, und
eine Lern-Kontrollfunktion, um das neurale Netzwerkmodell zu veranlassen, die in der Lernmuster-Speicherfunktion gespeicherte Information zu lernen.
10. Vorschau-/Vorhersagesystem für eine Abnormalität einer
Anlage, das dazu eingerichtet ist, Schwingungen, die infolge
des Betriebes der Anlage erzeugt werden, zu ermitteln und das
Auftreten der Abnormalität in der Anlage auf der Grundlage der
somit ermittelten Schwingungsinformation vorauszusehen bzw.
vorherzusagen, gekennzeichnet durch die folgenden Merkmale:
eine Datenumwandlungsfunktion zum Umwandeln der ermittelten Schwingungsinformation in Abnormalitäts-Überwachungsdaten,
ein neurales Netzwerkmodell zum Einlernen von Mustern verschiedenartiger abnormaler Schwingungserscheinungen, wobei das neurale Netzwerkmodell imstande ist, eine Abnormalität in Übereinstimmung mit der Position eines Signals vorauszusehen bzw. vorherzusagen, das an einer Ausgangseinheit infolge des Einganges der Abnormalitäts-Überwachungsdaten erscheint, und
eine Diagnose-Mensch-Maschinen-Einheit, um einen Benutzer mit den Resultaten der Vorschau bzw. Vorhersage als Ausgangsinformation aus dem neuralen Netzwerkmodell zu versehen.
eine Datenumwandlungsfunktion zum Umwandeln der ermittelten Schwingungsinformation in Abnormalitäts-Überwachungsdaten,
ein neurales Netzwerkmodell zum Einlernen von Mustern verschiedenartiger abnormaler Schwingungserscheinungen, wobei das neurale Netzwerkmodell imstande ist, eine Abnormalität in Übereinstimmung mit der Position eines Signals vorauszusehen bzw. vorherzusagen, das an einer Ausgangseinheit infolge des Einganges der Abnormalitäts-Überwachungsdaten erscheint, und
eine Diagnose-Mensch-Maschinen-Einheit, um einen Benutzer mit den Resultaten der Vorschau bzw. Vorhersage als Ausgangsinformation aus dem neuralen Netzwerkmodell zu versehen.
11. Diagnose-Trainingssystem zum Trainieren der Diagnose des
Betriebszustandes einer Anlage, gekennzeichnet durch die folgenden
Merkmale:
ein neurales Netzwerkmodell, das imstande ist, die Anwesenheit oder Abwesenheit einer Abnormalität und deren Einzelheiten auf der Grundlage der Position eines Signals zu bestimmen, das an einer Ausgangseinheit infolge der Eingabe von Abnormalitäts-Überwachungsdaten über eine Schwingungserscheinung der Anlage als Objekt des Trainings der Diagnose erscheint,
eine Funktion zum Erzeugen einer angenommenen Abnormalität, um als Abnormalitäts-Überwachungsdaten eine Schwingungsinformation entsprechend verschiedenartiger angenommener Abnormalitätsursachen am Eingangsabschnitt des neuralen Netzwerkmodells festzusetzen, und
eine Mensch-Maschinen-Einheit, um einem Benutzer die Diagnoseergebnisse anzuzeigen, die an der Ausgangseinheit auftreten, wenn die aus der Funktion zum Erzeugen einer angenommenen Abnormalität erzeugten Daten in das neurale Netzwerkmodell eingegeben wurden.
ein neurales Netzwerkmodell, das imstande ist, die Anwesenheit oder Abwesenheit einer Abnormalität und deren Einzelheiten auf der Grundlage der Position eines Signals zu bestimmen, das an einer Ausgangseinheit infolge der Eingabe von Abnormalitäts-Überwachungsdaten über eine Schwingungserscheinung der Anlage als Objekt des Trainings der Diagnose erscheint,
eine Funktion zum Erzeugen einer angenommenen Abnormalität, um als Abnormalitäts-Überwachungsdaten eine Schwingungsinformation entsprechend verschiedenartiger angenommener Abnormalitätsursachen am Eingangsabschnitt des neuralen Netzwerkmodells festzusetzen, und
eine Mensch-Maschinen-Einheit, um einem Benutzer die Diagnoseergebnisse anzuzeigen, die an der Ausgangseinheit auftreten, wenn die aus der Funktion zum Erzeugen einer angenommenen Abnormalität erzeugten Daten in das neurale Netzwerkmodell eingegeben wurden.
12. Modell zum Trainieren des Betriebes einer Anlage, gekennzeichnet
durch die folgenden Merkmale:
ein neurales Netzwerkmodell, das imstande ist, die Anwesenheit oder Abwesenheit einer Abnormalität und deren Einzelheiten auf der Grundlage der Position eines Signals zu bestimmen, das an einer Ausgangseinheit infolge der Eingabe von Abnormalitäts-Überwachungsdaten über eine Schwingungserscheinung der Anlage als Objekt des Trainings des Betriebes erscheint,
eine Funktion zum Erzeugen einer angenommenen Abnormalität, um als Abnormalitäts-Überwachungsdaten an einem Eingangsabschnitt des neuralen Netzwerkmodells Daten festzusetzen, die verschiedenartigen angenommenen Abnormalitätsursachen entsprechen und
eine Mensch-Maschinen-Einheit, um einem Benutzer eine Anleitung für Gegenmaßnahmen auf der Grundlage der Diagnoseergebnisse anzuzeigen, die an der Ausgangseinheit erscheinen, wenn die Daten, die aus der Funktion zum Erzeugen einer angenommenen Abnormalität erzeugt wurden, in das neurale Netzwerkmodell eingegeben wurden.
ein neurales Netzwerkmodell, das imstande ist, die Anwesenheit oder Abwesenheit einer Abnormalität und deren Einzelheiten auf der Grundlage der Position eines Signals zu bestimmen, das an einer Ausgangseinheit infolge der Eingabe von Abnormalitäts-Überwachungsdaten über eine Schwingungserscheinung der Anlage als Objekt des Trainings des Betriebes erscheint,
eine Funktion zum Erzeugen einer angenommenen Abnormalität, um als Abnormalitäts-Überwachungsdaten an einem Eingangsabschnitt des neuralen Netzwerkmodells Daten festzusetzen, die verschiedenartigen angenommenen Abnormalitätsursachen entsprechen und
eine Mensch-Maschinen-Einheit, um einem Benutzer eine Anleitung für Gegenmaßnahmen auf der Grundlage der Diagnoseergebnisse anzuzeigen, die an der Ausgangseinheit erscheinen, wenn die Daten, die aus der Funktion zum Erzeugen einer angenommenen Abnormalität erzeugt wurden, in das neurale Netzwerkmodell eingegeben wurden.
13. Zur Abschätzung der Betriebslebensdauer beitragendes
System zum Ermitteln des Zustandes von Schwingungen, die infolge
eines Anlagenbetriebes erzeugt werden und als Beitrag zur
Abschätzung der Betriebslebensdauer der Anlage auf der Grundlage
der somit ermittelten Schwingungsinformation,
gekennzeichnet durch die folgenden Merkmale:
eine Daten-Umwandlungsfunktion, um die somit ermittelte Schwingungsinformation in Daten zum Abschätzen der Betriebslebensdauer umzuwandeln,
ein neurales Netzwerkmodell, um Muster verschiedenartiger Schwingungsinformationen zu lernen, wobei das neurale Netzwerkmodell imstande ist, die Betriebslebensdauer der Anlage auf der Grundlage der Größe eines Signals abzuschätzen, das als eine Ausgangseinheit infolge der Eingabe der Daten zum Abschätzen der Betriebslebensdauer erscheinen, und
eine Mensch-Maschinen-Einheit zum Abschätzen der Betriebslebensdauer, um einen Benutzer mit den Ergebnissen der Abschätzung der Betriebslebensdauer als Ausgangsinformation aus dem neuralen Netzwerkmodell zu versehen.
eine Daten-Umwandlungsfunktion, um die somit ermittelte Schwingungsinformation in Daten zum Abschätzen der Betriebslebensdauer umzuwandeln,
ein neurales Netzwerkmodell, um Muster verschiedenartiger Schwingungsinformationen zu lernen, wobei das neurale Netzwerkmodell imstande ist, die Betriebslebensdauer der Anlage auf der Grundlage der Größe eines Signals abzuschätzen, das als eine Ausgangseinheit infolge der Eingabe der Daten zum Abschätzen der Betriebslebensdauer erscheinen, und
eine Mensch-Maschinen-Einheit zum Abschätzen der Betriebslebensdauer, um einen Benutzer mit den Ergebnissen der Abschätzung der Betriebslebensdauer als Ausgangsinformation aus dem neuralen Netzwerkmodell zu versehen.
14. System zum Unterstützen der Wartung, um zur Vorbereitung
eines Wartungsprogramms für eine Anlage auf der Grundlage
einer abnormalen Erscheinung und/oder einer Information über
die Betriebslebensdauer der Anlage beizutragen, gekennzeichnet
durch die folgenden Merkmale:
ein neurales Netzwerkmodell zum Lernen von Wartungsprogrammen als Muster gemeinsam mit entsprechenden Abnormalitätsursachen und/oder einer entsprechenden Betriebslebensdauerinformation, wobei das neurale Netzwerkmodell imstande ist, jedes der Wartungsprogramme dann abzugeben, wenn seine entsprechende Abnormalitätsursache und/oder seine entsprechende Betriebslebensdauerinformation eingegeben wird, und
eine Mensch-Maschinen-Einheit für die Wartung, um einen Benutzer mit dem Wartungsprogramm als Ausgangsinformation aus dem neuralen Netzwerkmodell zu versehen.
ein neurales Netzwerkmodell zum Lernen von Wartungsprogrammen als Muster gemeinsam mit entsprechenden Abnormalitätsursachen und/oder einer entsprechenden Betriebslebensdauerinformation, wobei das neurale Netzwerkmodell imstande ist, jedes der Wartungsprogramme dann abzugeben, wenn seine entsprechende Abnormalitätsursache und/oder seine entsprechende Betriebslebensdauerinformation eingegeben wird, und
eine Mensch-Maschinen-Einheit für die Wartung, um einen Benutzer mit dem Wartungsprogramm als Ausgangsinformation aus dem neuralen Netzwerkmodell zu versehen.
15. Zustand-Diagnosesystem für eine Anlage mit Elementen, die
in einer hierarchischen Struktur aufgebaut sind, wobei das
System dazu eingerichtet ist, eine Information, die eine Aussage
über den Zustand liefert, zu ermitteln, die infolge des
Betriebes der Anlage auftritt, und den Betriebszustand der Anlage
auf der Grundlage der somit ermittelten Information zu
diagnostizieren, gekennzeichnet durch die folgenden Merkmale:
ein neurales Netzwerkmodell, das imstande ist, Informationsmuster einzulernen, die eine Aussage über verschiedenartige Zustände liefern, und die Bestimmung der Anwesenheit oder Abwesenheit einer Abnormalität sowie deren Einzelheiten auf der Grundlage eines Signals durchzuführen, welches an einer Ausgangseinheit auftritt, wenn die Überwachungsinformation über die Anlage eingegeben wird, wobei eines oder mehrere neurale Netzwerkmodelle entsprechend jeder der Stufen vorgesehen ist bzw. sind und das neurale Netzwerkmodell auf eine solche Weise verknüpft ist, daß jedes neurale Netzwerkmodell in einer relativ höheren Stufe eines oder mehrere neurale Netzwerkmodelle in einer relativ niedrigen Stufe koordiniert und das neurale Netzwerkmodell in der relativ höheren Stufe als Information die Diagnoseergebnisse aus den neuralen Netzwerkmodellen in der relativ niedrigeren Stufe benutzt.
ein neurales Netzwerkmodell, das imstande ist, Informationsmuster einzulernen, die eine Aussage über verschiedenartige Zustände liefern, und die Bestimmung der Anwesenheit oder Abwesenheit einer Abnormalität sowie deren Einzelheiten auf der Grundlage eines Signals durchzuführen, welches an einer Ausgangseinheit auftritt, wenn die Überwachungsinformation über die Anlage eingegeben wird, wobei eines oder mehrere neurale Netzwerkmodelle entsprechend jeder der Stufen vorgesehen ist bzw. sind und das neurale Netzwerkmodell auf eine solche Weise verknüpft ist, daß jedes neurale Netzwerkmodell in einer relativ höheren Stufe eines oder mehrere neurale Netzwerkmodelle in einer relativ niedrigen Stufe koordiniert und das neurale Netzwerkmodell in der relativ höheren Stufe als Information die Diagnoseergebnisse aus den neuralen Netzwerkmodellen in der relativ niedrigeren Stufe benutzt.
16. Zustands-Diagnosesystem für eine Anlage, das dazu eingerichtet
ist, Schwingungen zu ermitteln, die infolge des Betriebes
der Anlage erzeugt werden, und den Betriebszustand der
Anlage auf der Grundlage der somit ermittelten Information zu
diagnostizieren, gekennzeichnet durch die folgenden Merkmale:
neurale Netzwerkmodelle, die imstande sind, Informationsmuster einzulernen, die eine Aussage über die verschiedenartigen Zustände liefern, und die Bestimmung der Anwesenheit oder Abwesenheit einer Abnormalität sowie deren Details auf der Grundlage eines Signals durchzuführen, das an einer Ausgangseinheit erscheint, wenn eine Überwachungsinformation über die Anlage eingegeben wird, wobei die neuralen Netzwerkmodelle entsprechend der Information vorgesehen sind, die durch jeweilige Meßfühler ermittelt werden soll, die an einer gleichen Vielzahl von Stellen der Anlage so angeordnet sind, daß eine Diagnose unabhängig an jeder Stelle möglich ist.
neurale Netzwerkmodelle, die imstande sind, Informationsmuster einzulernen, die eine Aussage über die verschiedenartigen Zustände liefern, und die Bestimmung der Anwesenheit oder Abwesenheit einer Abnormalität sowie deren Details auf der Grundlage eines Signals durchzuführen, das an einer Ausgangseinheit erscheint, wenn eine Überwachungsinformation über die Anlage eingegeben wird, wobei die neuralen Netzwerkmodelle entsprechend der Information vorgesehen sind, die durch jeweilige Meßfühler ermittelt werden soll, die an einer gleichen Vielzahl von Stellen der Anlage so angeordnet sind, daß eine Diagnose unabhängig an jeder Stelle möglich ist.
17. Zustands-Diagnosesystem für eine Anlage, das dazu eingerichtet
ist, Schwingungen zu ermitteln, die infolge des Betriebes
dieser Anlage erzeugt werden, und den Betriebszustand
der Anlage auf der Grundlage der somit ermittelten Information
zu diagnostizieren, gekennzeichnet durch die folgenden Merkmale:
eine Daten-Umwandlungsfunktion, um im Time-Sharing eine Information, die jeweils durch mehrere Meßfühler ermittelt ist, die an einer gleichen Vielzahl von Stellen an der Anlage angeordnet sind, in eine Überwachungsinformation umzuwandeln, und
eine gleiche Vielzahl neuraler Netzwerkmodelle, die imstande sind, Informationsmuster einzulernen, die eine Aussage über verschiedenartige Zustände liefern, und die Bestimmung der Anwesenheit oder Abwesenheit einer Abnormalität sowie Einzelheiten hiervon auf der Grundlage eines Signals auszuführen, das an einer Ausgangseinheit erscheint, wenn die Überwachungsfunktion über die Anlage eingegeben wird, wobei die neuralen Netzwerkmodelle entsprechend den Meßfühlern vorgesehen sind, um eine entsprechende Information zu empfangen, die im Time- Sharing umgewandelt wurde, und wobei eine Diagnose an jeder der Stellen unabhängig möglich ist.
eine Daten-Umwandlungsfunktion, um im Time-Sharing eine Information, die jeweils durch mehrere Meßfühler ermittelt ist, die an einer gleichen Vielzahl von Stellen an der Anlage angeordnet sind, in eine Überwachungsinformation umzuwandeln, und
eine gleiche Vielzahl neuraler Netzwerkmodelle, die imstande sind, Informationsmuster einzulernen, die eine Aussage über verschiedenartige Zustände liefern, und die Bestimmung der Anwesenheit oder Abwesenheit einer Abnormalität sowie Einzelheiten hiervon auf der Grundlage eines Signals auszuführen, das an einer Ausgangseinheit erscheint, wenn die Überwachungsfunktion über die Anlage eingegeben wird, wobei die neuralen Netzwerkmodelle entsprechend den Meßfühlern vorgesehen sind, um eine entsprechende Information zu empfangen, die im Time- Sharing umgewandelt wurde, und wobei eine Diagnose an jeder der Stellen unabhängig möglich ist.
18. Zustands-Diagnosesystem für eine Anlage, das dazu eingerichtet
ist, Schwingungen zu ermitteln, die infolge des Betriebes
der Anlage erzeugt wurden, und den Betriebszustand der
Anlage auf der Grundlage der somit ermittelten Information zu
diagnostizieren, gekennzeichnet durch die folgenden Merkmale:
eine Daten-Umwandlungsfunktion, um im Time-Sharing Information, die jeweils durch mehrere Meßfühler ermittelt wurde, die an einer gleichen Vielzahl von Stellen an der Anlage angeordnet sind, in eine Überwachungsinformation umzuwandeln, und
mindestens ein neurales Netzwerkmodell, das imstande ist, Informationsmuster einzulernen, die eine Aussage über verschiedenartige Zustände liefern, und im Time-Sharing die Bestimmung der Anwesenheit oder Abwesenheit einer Abnormalität sowie deren Einzelheiten auf der Grundlage von Signalen vorzunehmen, die an einer Ausgangseinheit erscheinen, wenn die Überwachungsinformation über die Anlage im Time-Sharing eingegeben wird, wobei eine unabhängige Diagnose hinsichtlich eines jeden der Meßfühler möglich ist.
eine Daten-Umwandlungsfunktion, um im Time-Sharing Information, die jeweils durch mehrere Meßfühler ermittelt wurde, die an einer gleichen Vielzahl von Stellen an der Anlage angeordnet sind, in eine Überwachungsinformation umzuwandeln, und
mindestens ein neurales Netzwerkmodell, das imstande ist, Informationsmuster einzulernen, die eine Aussage über verschiedenartige Zustände liefern, und im Time-Sharing die Bestimmung der Anwesenheit oder Abwesenheit einer Abnormalität sowie deren Einzelheiten auf der Grundlage von Signalen vorzunehmen, die an einer Ausgangseinheit erscheinen, wenn die Überwachungsinformation über die Anlage im Time-Sharing eingegeben wird, wobei eine unabhängige Diagnose hinsichtlich eines jeden der Meßfühler möglich ist.
19. Zustands-Diagnosesystem nach Anspruch 1, 2, 3, 6, 7, 8,
15, 16, 17 oder 19, Zustands-Diagnosesystem nach Anspruch 4
oder 5, Lernsystem nach Anspruch 9, Vorschau-/Vorhersagesystem
nach Anspruch 10, Diagnose-Trainingssystem nach Anspruch
11, Betriebstrainingssystem nach Anspruch 12, System
zum Beitragen zur Abschätzung der Betriebslebensdauer nach
Anspruch 13 oder System zum Beitragen zur Wartung nach Anspruch
14, dadurch gekennzeichnet, daß jedes neurale Netzwerkmodell
die folgenden Merkmale aufweist:
eine Einrichtung, die eine Eingangsschicht, eine verdeckte Einheitsschicht, eine Ausgangsschicht und ein Netzwerk bildet, das die Eingangsschicht, die verdeckte Einheitsschicht und die Ausgangsschicht verbindet, wobei ein neurales Netzwerk aufgebaut wird,
eine Lerneinrichtung, um ein Lernmuster und ein Lehrersignal in das neurale Netzwerk einzugeben, um das neurale Netzwerk zu veranlassen, das Lernmuster zu lernen, wobei eine Stärkenverteilung der Verknüpfung im Kreis geschaffen wird, und
eine Einrichtung zum Speichern und Beibehalten der Stärkenverteilung der Verknüpfung im Kreis, die als Ergebnisse des Lernvorgangs erhalten wurde.
eine Einrichtung, die eine Eingangsschicht, eine verdeckte Einheitsschicht, eine Ausgangsschicht und ein Netzwerk bildet, das die Eingangsschicht, die verdeckte Einheitsschicht und die Ausgangsschicht verbindet, wobei ein neurales Netzwerk aufgebaut wird,
eine Lerneinrichtung, um ein Lernmuster und ein Lehrersignal in das neurale Netzwerk einzugeben, um das neurale Netzwerk zu veranlassen, das Lernmuster zu lernen, wobei eine Stärkenverteilung der Verknüpfung im Kreis geschaffen wird, und
eine Einrichtung zum Speichern und Beibehalten der Stärkenverteilung der Verknüpfung im Kreis, die als Ergebnisse des Lernvorgangs erhalten wurde.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1095034A JPH0692914B2 (ja) | 1989-04-14 | 1989-04-14 | 機器/設備の状態診断システム |
Publications (2)
Publication Number | Publication Date |
---|---|
DE4012278A1 true DE4012278A1 (de) | 1990-10-18 |
DE4012278C2 DE4012278C2 (de) | 1999-05-06 |
Family
ID=14126802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE4012278A Expired - Fee Related DE4012278C2 (de) | 1989-04-14 | 1990-04-17 | Betriebszustand-Diagnosevorrichtung |
Country Status (3)
Country | Link |
---|---|
US (1) | US5333240A (de) |
JP (1) | JPH0692914B2 (de) |
DE (1) | DE4012278C2 (de) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4100500A1 (de) * | 1991-01-10 | 1992-07-16 | Bodenseewerk Geraetetech | Signalverarbeitungsanordnung zur klassifizierung von objekten aufgrund der signale von sensoren |
DE4207728A1 (de) * | 1992-03-11 | 1993-09-23 | Fraunhofer Ges Forschung | Verfahren zur qualitaetspruefung von pruefobjekten |
DE4229340A1 (de) * | 1992-09-04 | 1994-03-10 | Schenck Ag Carl | Verfahren zur Früherkennung eines Risses in einer rotierenden Welle |
GB2277151A (en) * | 1993-04-05 | 1994-10-19 | Univ Brunel | Machine monitoring using neural network |
DE19527521C1 (de) * | 1995-07-27 | 1996-12-19 | Siemens Ag | Lernverfahren für ein neuronales Netz |
US5623579A (en) * | 1993-05-27 | 1997-04-22 | Martin Marietta Energy Systems, Inc. | Automated method for the systematic interpretation of resonance peaks in spectrum data |
DE19637651A1 (de) * | 1996-09-16 | 1998-03-19 | Abb Patent Gmbh | Verfahren zur Prozeßvisualisierung |
WO1998028600A1 (de) * | 1996-12-20 | 1998-07-02 | Bühler AG | Verfahren zur betriebszustandsüberwachung von arbeitsmaschinen |
DE19707173C1 (de) * | 1997-02-22 | 1998-07-23 | Voith Hydro Gmbh | Maschinendiagnosesystem und Verfahren zur zustandsorientierten Betriebsüberwachung einer Maschine |
DE19943689A1 (de) * | 1999-09-06 | 2001-03-08 | Busch Dieter & Co Prueftech | Verfahren und Vorrichtung zur Überwachung und/oder Diagnose sich bewegender Maschinen und/oder Maschinenteile |
DE19808197C2 (de) * | 1998-02-27 | 2001-08-09 | Mtu Aero Engines Gmbh | System und Verfahren zur Diagnose von Triebwerkszuständen |
DE10220124A1 (de) * | 2002-05-06 | 2003-11-27 | Prognost Systems Gmbh | Verfahren zur Überwachung des Zustands einer Maschine |
DE102004006848A1 (de) * | 2004-02-12 | 2005-09-01 | Deere & Company, Moline | Verfahren und Überwachungssystem zur Überwachung des Zustands von Arbeitsmaschinen |
EP2053475A1 (de) * | 2007-10-26 | 2009-04-29 | Siemens Aktiengesellschaft | Verfahren zur Analyse des Betriebs einer Gasturbine |
DE102011076780A1 (de) * | 2011-05-31 | 2012-12-06 | Airbus Operations Gmbh | Verfahren und eine Vorrichtung zur Zustandsüberwachung |
DE10100522B4 (de) * | 2001-01-08 | 2013-03-28 | Deere & Company | Überwachungseinrichtung zur Überwachung der Funktion einer Arbeitsmaschine |
CN103558042A (zh) * | 2013-10-28 | 2014-02-05 | 中国石油化工股份有限公司 | 一种基于全状态信息的机组故障快速诊断方法 |
DE102019218626A1 (de) * | 2019-11-29 | 2021-06-02 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Überwachen einer Maschine |
Families Citing this family (171)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5581459A (en) * | 1990-09-26 | 1996-12-03 | Hitachi, Ltd. | Plant operation support system |
JPH04289957A (ja) * | 1991-03-19 | 1992-10-14 | Fujitsu Ltd | 神経回路網モデルの演算方式及びその演算装置 |
US5809437A (en) * | 1995-06-07 | 1998-09-15 | Automotive Technologies International, Inc. | On board vehicle diagnostic module using pattern recognition |
US6738697B2 (en) * | 1995-06-07 | 2004-05-18 | Automotive Technologies International Inc. | Telematics system for vehicle diagnostics |
US6484080B2 (en) | 1995-06-07 | 2002-11-19 | Automotive Technologies International Inc. | Method and apparatus for controlling a vehicular component |
US6823244B2 (en) | 1995-06-07 | 2004-11-23 | Automotive Technologies International, Inc. | Vehicle part control system including electronic sensors |
US6326704B1 (en) | 1995-06-07 | 2001-12-04 | Automotive Technologies International Inc. | Vehicle electrical system |
US6533316B2 (en) | 1995-06-07 | 2003-03-18 | Automotive Technologies International, Inc. | Automotive electronic safety network |
US6733036B2 (en) | 1995-06-07 | 2004-05-11 | Automotive Technologies International, Inc. | Automotive electronic safety network |
US6175787B1 (en) * | 1995-06-07 | 2001-01-16 | Automotive Technologies International Inc. | On board vehicle diagnostic module using pattern recognition |
JPH05157662A (ja) * | 1991-12-04 | 1993-06-25 | Sumitomo Heavy Ind Ltd | 射出成形機の故障診断方法及び故障診断装置 |
JPH05260567A (ja) * | 1992-03-11 | 1993-10-08 | Hitachi Ltd | 分散制御システム |
US6648367B2 (en) | 1995-06-07 | 2003-11-18 | Automotive Technologies International Inc. | Integrated occupant protection system |
US5630019A (en) * | 1992-05-23 | 1997-05-13 | Kabushiki Kaisha Topcon | Waveform evaluating apparatus using neural network |
US5627941A (en) * | 1992-08-28 | 1997-05-06 | Hitachi, Ltd. | Method of configuring a neural network and a diagnosis/control system using the neural network |
US5598509A (en) * | 1992-08-28 | 1997-01-28 | Hitachi, Ltd. | Method of configuring a neural network and a diagnosis/recognition system using the same |
JP3070643B2 (ja) * | 1992-10-23 | 2000-07-31 | 株式会社デンソー | ニューラルネット型追加学習装置 |
US5517667A (en) * | 1993-06-14 | 1996-05-14 | Motorola, Inc. | Neural network that does not require repetitive training |
US7082359B2 (en) * | 1995-06-07 | 2006-07-25 | Automotive Technologies International, Inc. | Vehicular information and monitoring system and methods |
US7103460B1 (en) | 1994-05-09 | 2006-09-05 | Automotive Technologies International, Inc. | System and method for vehicle diagnostics |
KR100234451B1 (ko) * | 1994-05-18 | 2000-01-15 | 모리시타 요이찌 | 신호 기록 및 재생 장치 |
JP3298334B2 (ja) * | 1994-10-20 | 2002-07-02 | いすゞ自動車株式会社 | ギヤノイズ評価装置 |
JPH08122142A (ja) * | 1994-10-21 | 1996-05-17 | Omron Corp | 判別装置及び判別方法 |
JP3461932B2 (ja) * | 1994-10-31 | 2003-10-27 | 東海旅客鉄道株式会社 | エキスパートシステムを利用した故障診断装置 |
KR0145146B1 (ko) * | 1994-12-01 | 1998-08-17 | 장문현 | 신경회로망을 이용한 회전기기의 이상유무 진단장치 및 그 진단방법 |
US5710723A (en) * | 1995-04-05 | 1998-01-20 | Dayton T. Brown | Method and apparatus for performing pre-emptive maintenance on operating equipment |
US9443358B2 (en) | 1995-06-07 | 2016-09-13 | Automotive Vehicular Sciences LLC | Vehicle software upgrade techniques |
US8024084B2 (en) * | 1995-06-07 | 2011-09-20 | Automotive Technologies International, Inc. | Vehicle diagnostic techniques |
JP2907142B2 (ja) * | 1995-08-15 | 1999-06-21 | オムロン株式会社 | 振動監視装置及び振動監視条件決定装置 |
US5847658A (en) * | 1995-08-15 | 1998-12-08 | Omron Corporation | Vibration monitor and monitoring method |
US7744122B2 (en) | 1995-12-12 | 2010-06-29 | Automotive Technologies International, Inc. | Driver side aspirated airbags |
US5700090A (en) * | 1996-01-03 | 1997-12-23 | Rosemount Inc. | Temperature sensor transmitter with sensor sheath lead |
US5746511A (en) * | 1996-01-03 | 1998-05-05 | Rosemount Inc. | Temperature transmitter with on-line calibration using johnson noise |
US6539267B1 (en) | 1996-03-28 | 2003-03-25 | Rosemount Inc. | Device in a process system for determining statistical parameter |
US7623932B2 (en) * | 1996-03-28 | 2009-11-24 | Fisher-Rosemount Systems, Inc. | Rule set for root cause diagnostics |
US6017143A (en) * | 1996-03-28 | 2000-01-25 | Rosemount Inc. | Device in a process system for detecting events |
US6654697B1 (en) | 1996-03-28 | 2003-11-25 | Rosemount Inc. | Flow measurement with diagnostics |
US7254518B2 (en) * | 1996-03-28 | 2007-08-07 | Rosemount Inc. | Pressure transmitter with diagnostics |
US7949495B2 (en) | 1996-03-28 | 2011-05-24 | Rosemount, Inc. | Process variable transmitter with diagnostics |
US6907383B2 (en) | 1996-03-28 | 2005-06-14 | Rosemount Inc. | Flow diagnostic system |
US7085610B2 (en) * | 1996-03-28 | 2006-08-01 | Fisher-Rosemount Systems, Inc. | Root cause diagnostics |
US8290721B2 (en) | 1996-03-28 | 2012-10-16 | Rosemount Inc. | Flow measurement diagnostics |
US5689194A (en) * | 1996-04-19 | 1997-11-18 | Framatome Technologies, Inc. | Acoustic motor current signature analysis system with audio amplified speaker output |
US6434504B1 (en) | 1996-11-07 | 2002-08-13 | Rosemount Inc. | Resistance based process control device diagnostics |
US5956663A (en) * | 1996-11-07 | 1999-09-21 | Rosemount, Inc. | Signal processing technique which separates signal components in a sensor for sensor diagnostics |
US5828567A (en) * | 1996-11-07 | 1998-10-27 | Rosemount Inc. | Diagnostics for resistance based transmitter |
US6601005B1 (en) | 1996-11-07 | 2003-07-29 | Rosemount Inc. | Process device diagnostics using process variable sensor signal |
US6754601B1 (en) | 1996-11-07 | 2004-06-22 | Rosemount Inc. | Diagnostics for resistive elements of process devices |
US6519546B1 (en) | 1996-11-07 | 2003-02-11 | Rosemount Inc. | Auto correcting temperature transmitter with resistance based sensor |
US6449574B1 (en) | 1996-11-07 | 2002-09-10 | Micro Motion, Inc. | Resistance based process control device diagnostics |
JP3484905B2 (ja) * | 1996-11-26 | 2004-01-06 | オムロン株式会社 | 状態判別装置 |
US5905989A (en) * | 1996-11-27 | 1999-05-18 | Bently Nevada Corporation | Knowledge manager relying on a hierarchical default expert system: apparatus and method |
US5854993A (en) * | 1996-12-10 | 1998-12-29 | Caterpillar Inc. | Component machine testing using neural network processed vibration data analysis |
US5832421A (en) * | 1996-12-13 | 1998-11-03 | Siemens Corporate Research, Inc. | Method for blade temperature estimation in a steam turbine |
US5838588A (en) * | 1996-12-13 | 1998-11-17 | Siemens Corporate Research, Inc. | Graphical user interface system for steam turbine operating conditions |
EP0948759B1 (de) * | 1996-12-31 | 2002-08-07 | Rosemount Inc. | Vorrichtung zur überprüfung eines von einer anlage kommenden steuersignals in einer prozesssteuerung |
US5860286A (en) * | 1997-06-06 | 1999-01-19 | Carrier Corporation | System monitoring refrigeration charge |
US5791155A (en) * | 1997-06-06 | 1998-08-11 | Carrier Corporation | System for monitoring expansion valve |
US5860285A (en) * | 1997-06-06 | 1999-01-19 | Carrier Corporation | System for monitoring outdoor heat exchanger coil |
DE19732046A1 (de) * | 1997-07-25 | 1999-01-28 | Abb Patent Gmbh | Prozeßdiagnosesystem und Verfahren zur Diagnose von Vorgängen und Zuständen eines technischen Prozesses |
JP3835901B2 (ja) * | 1997-08-28 | 2006-10-18 | オムロン株式会社 | 状態判定装置 |
JPH1172379A (ja) * | 1997-08-28 | 1999-03-16 | Omron Corp | 状態判定装置 |
US5995910A (en) * | 1997-08-29 | 1999-11-30 | Reliance Electric Industrial Company | Method and system for synthesizing vibration data |
DE69818494T2 (de) | 1997-10-13 | 2004-07-01 | Rosemount Inc., Eden Prairie | Übertragungsmethode für Feldvorrichtungen in industriellen Prozessen |
FR2772125B1 (fr) * | 1997-12-04 | 2000-08-04 | Eurocopter France | Procede et dispositif pour determiner l'etat d'une structure vibrante d'un aeronef a voilure tournante |
US6138109A (en) * | 1997-12-23 | 2000-10-24 | Caterpillar Inc. | Neural network diagnostic classification of complex binary systems |
WO1999054703A2 (de) * | 1998-04-17 | 1999-10-28 | Siemens Aktiengesellschaft | Akustisches diagnosesystem und -verfahren |
US10240935B2 (en) | 1998-10-22 | 2019-03-26 | American Vehicular Sciences Llc | Vehicle software upgrade techniques |
GB9822992D0 (en) * | 1998-10-22 | 1998-12-16 | British Aerospace | Fatigue monitoring systems and methods |
US6301572B1 (en) | 1998-12-02 | 2001-10-09 | Lockheed Martin Corporation | Neural network based analysis system for vibration analysis and condition monitoring |
US6615149B1 (en) | 1998-12-10 | 2003-09-02 | Rosemount Inc. | Spectral diagnostics in a magnetic flow meter |
US6611775B1 (en) | 1998-12-10 | 2003-08-26 | Rosemount Inc. | Electrode leakage diagnostics in a magnetic flow meter |
US6633782B1 (en) | 1999-02-22 | 2003-10-14 | Fisher-Rosemount Systems, Inc. | Diagnostic expert in a process control system |
US8044793B2 (en) | 2001-03-01 | 2011-10-25 | Fisher-Rosemount Systems, Inc. | Integrated device alerts in a process control system |
US6298454B1 (en) | 1999-02-22 | 2001-10-02 | Fisher-Rosemount Systems, Inc. | Diagnostics in a process control system |
CA2331217A1 (en) * | 1999-04-02 | 2000-10-12 | Anil Varma | Method and system for analyzing fault log data for diagnostics and repairs of locomotives |
US6418487B1 (en) * | 1999-04-30 | 2002-07-09 | Intel Corporation | Method to track agents after a loss of state event |
US6356191B1 (en) | 1999-06-17 | 2002-03-12 | Rosemount Inc. | Error compensation for a process fluid temperature transmitter |
US7010459B2 (en) | 1999-06-25 | 2006-03-07 | Rosemount Inc. | Process device diagnostics using process variable sensor signal |
EP1247268B2 (de) | 1999-07-01 | 2009-08-05 | Rosemount Inc. | Zweidraht-temperaturübertrager mit selbstprüfung und niedriger leistung |
US6505517B1 (en) | 1999-07-23 | 2003-01-14 | Rosemount Inc. | High accuracy signal processing for magnetic flowmeter |
US6701274B1 (en) | 1999-08-27 | 2004-03-02 | Rosemount Inc. | Prediction of error magnitude in a pressure transmitter |
DE19942144A1 (de) * | 1999-09-03 | 2001-06-07 | Schroeder Dierk | Verfahren zur adaptiven Schwingungsdämpfung mittels neuronaler Netze |
US6556145B1 (en) | 1999-09-24 | 2003-04-29 | Rosemount Inc. | Two-wire fluid temperature transmitter with thermocouple diagnostics |
US6351713B1 (en) * | 1999-12-15 | 2002-02-26 | Swantech, L.L.C. | Distributed stress wave analysis system |
US6957172B2 (en) | 2000-03-09 | 2005-10-18 | Smartsignal Corporation | Complex signal decomposition and modeling |
US6684700B1 (en) | 2000-08-11 | 2004-02-03 | Swantech, L.L.C. | Stress wave sensor |
US6934696B1 (en) | 2000-09-15 | 2005-08-23 | Bently Nevada, Llc | Custom rule system and method for expert systems |
US6735484B1 (en) | 2000-09-20 | 2004-05-11 | Fargo Electronics, Inc. | Printer with a process diagnostics system for detecting events |
US7720727B2 (en) | 2001-03-01 | 2010-05-18 | Fisher-Rosemount Systems, Inc. | Economic calculations in process control system |
US8073967B2 (en) | 2002-04-15 | 2011-12-06 | Fisher-Rosemount Systems, Inc. | Web services-based communications for use with process control systems |
US6970003B2 (en) * | 2001-03-05 | 2005-11-29 | Rosemount Inc. | Electronics board life prediction of microprocessor-based transmitters |
US6629059B2 (en) | 2001-05-14 | 2003-09-30 | Fisher-Rosemount Systems, Inc. | Hand held diagnostic and communication device with automatic bus detection |
DE10133375A1 (de) * | 2001-07-10 | 2003-01-30 | Daimler Chrysler Ag | Verfahren und Vorrichtung zum automatischen Erstellen eines Bayes-Netzwerks |
US6772036B2 (en) | 2001-08-30 | 2004-08-03 | Fisher-Rosemount Systems, Inc. | Control system using process model |
US7778711B2 (en) * | 2001-08-31 | 2010-08-17 | Bio Control Medical (B.C.M.) Ltd. | Reduction of heart rate variability by parasympathetic stimulation |
DE10146895A1 (de) * | 2001-09-24 | 2003-04-24 | Siemens Ag | Auswertung des Abklingverhaltens eines Prüfobjekts |
JP2004117009A (ja) * | 2002-09-24 | 2004-04-15 | Ricoh Co Ltd | 音声による不具合発生予測方法、この方法に用いる不具合発生予測システム並びに不具合発生予測プログラム及び当該プログラムを記録したコンピュータ読み取り可能な媒体 |
US7337183B2 (en) * | 2002-11-19 | 2008-02-26 | Siemens Power Generation, Inc. | Customer extranet portal |
US8463441B2 (en) | 2002-12-09 | 2013-06-11 | Hudson Technologies, Inc. | Method and apparatus for optimizing refrigeration systems |
US7043975B2 (en) * | 2003-07-28 | 2006-05-16 | Caterpillar Inc | Hydraulic system health indicator |
JP4464966B2 (ja) * | 2003-08-07 | 2010-05-19 | シコルスキー エアクラフト コーポレイション | 仮想負荷監視システムおよび方法 |
DE10345440A1 (de) * | 2003-09-30 | 2005-05-12 | Siemens Ag | Verfahren, Computerprogramm mit Programmcode-Mitteln und Computerprogramm-Produkt zur Analyse von Einflussgrößen auf einen Brennvorgang in einer Brennkammer unter Verwendung eines trainierbaren, statistischen Modells |
US7426555B2 (en) * | 2004-06-02 | 2008-09-16 | International Business Machines Corporation | Method, system, and storage medium for providing continuous communication between process equipment and an automated material handling system |
US7424395B2 (en) | 2004-09-10 | 2008-09-09 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to olefins recovery trains |
US7349746B2 (en) * | 2004-09-10 | 2008-03-25 | Exxonmobil Research And Engineering Company | System and method for abnormal event detection in the operation of continuous industrial processes |
US7567887B2 (en) * | 2004-09-10 | 2009-07-28 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to fluidized catalytic cracking unit |
US20060074598A1 (en) * | 2004-09-10 | 2006-04-06 | Emigholz Kenneth F | Application of abnormal event detection technology to hydrocracking units |
US7134291B2 (en) * | 2004-09-22 | 2006-11-14 | Horan Christopher J | Process for refrigerant charge level detection using a neural net having one output neuron |
US7111469B2 (en) * | 2004-09-22 | 2006-09-26 | Horan Christopher J | Process for refrigerant charge level detection using a neural net |
US7286960B2 (en) * | 2004-09-30 | 2007-10-23 | General Electric Company | Systems and methods for monitoring fouling and slagging in heat transfer devices in coal fired power plants |
DE102004054271A1 (de) * | 2004-11-09 | 2006-05-11 | Fev Motorentechnik Gmbh | Vorhersageverfahren für Betriebszustände einer Verbrennungskraftmaschine |
US7194383B2 (en) * | 2004-12-06 | 2007-03-20 | Caterpillar Inc | Vibration analysis system and method for a machine |
US7937197B2 (en) * | 2005-01-07 | 2011-05-03 | GM Global Technology Operations LLC | Apparatus and methods for evaluating a dynamic system |
DE102005012916B3 (de) * | 2005-03-21 | 2006-08-10 | Koenig & Bauer Ag | Verfahren zur Bestimmung einer Resonanzfrequenz |
US8005647B2 (en) | 2005-04-08 | 2011-08-23 | Rosemount, Inc. | Method and apparatus for monitoring and performing corrective measures in a process plant using monitoring data with corrective measures data |
US9201420B2 (en) | 2005-04-08 | 2015-12-01 | Rosemount, Inc. | Method and apparatus for performing a function in a process plant using monitoring data with criticality evaluation data |
US7536364B2 (en) * | 2005-04-28 | 2009-05-19 | General Electric Company | Method and system for performing model-based multi-objective asset optimization and decision-making |
US20060247798A1 (en) * | 2005-04-28 | 2006-11-02 | Subbu Rajesh V | Method and system for performing multi-objective predictive modeling, monitoring, and update for an asset |
US8112565B2 (en) | 2005-06-08 | 2012-02-07 | Fisher-Rosemount Systems, Inc. | Multi-protocol field device interface with automatic bus detection |
JP4613755B2 (ja) * | 2005-08-31 | 2011-01-19 | オムロン株式会社 | 検査装置および検査方法 |
US20070068225A1 (en) | 2005-09-29 | 2007-03-29 | Brown Gregory C | Leak detector for process valve |
US7720641B2 (en) * | 2006-04-21 | 2010-05-18 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to delayed coking unit |
US8320649B2 (en) | 2006-05-25 | 2012-11-27 | Elminda Ltd. | Neuropsychological spatiotemporal pattern recognition |
US7680751B2 (en) * | 2006-05-31 | 2010-03-16 | Honeywell International Inc. | Neural network based refrigerant charge detection algorithm for vapor compression systems |
US8275577B2 (en) | 2006-09-19 | 2012-09-25 | Smartsignal Corporation | Kernel-based method for detecting boiler tube leaks |
US7953501B2 (en) | 2006-09-25 | 2011-05-31 | Fisher-Rosemount Systems, Inc. | Industrial process control loop monitor |
US8788070B2 (en) * | 2006-09-26 | 2014-07-22 | Rosemount Inc. | Automatic field device service adviser |
WO2008042290A2 (en) | 2006-09-29 | 2008-04-10 | Rosemount Inc. | Magnetic flowmeter with verification |
JP4767148B2 (ja) * | 2006-10-23 | 2011-09-07 | 中国電力株式会社 | 正常データベースを用いた転がり軸受の余寿命診断方法、余寿命診断システム及び余寿命診断に用いるコンピュータプログラム |
JP2008140037A (ja) * | 2006-11-30 | 2008-06-19 | Matsushita Electric Works Ltd | 加工監視装置 |
US8311774B2 (en) | 2006-12-15 | 2012-11-13 | Smartsignal Corporation | Robust distance measures for on-line monitoring |
WO2009069135A2 (en) * | 2007-11-29 | 2009-06-04 | Elminda Ltd. | System and method for neural modeling of neurophysiological data |
CA2695450C (en) * | 2007-08-03 | 2016-10-18 | Smartsignal Corporation | Fuzzy classification approach to fault pattern matching |
US8898036B2 (en) | 2007-08-06 | 2014-11-25 | Rosemount Inc. | Process variable transmitter with acceleration sensor |
US8301676B2 (en) | 2007-08-23 | 2012-10-30 | Fisher-Rosemount Systems, Inc. | Field device with capability of calculating digital filter coefficients |
US7702401B2 (en) | 2007-09-05 | 2010-04-20 | Fisher-Rosemount Systems, Inc. | System for preserving and displaying process control data associated with an abnormal situation |
US8055479B2 (en) | 2007-10-10 | 2011-11-08 | Fisher-Rosemount Systems, Inc. | Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process |
US7953680B2 (en) * | 2007-12-10 | 2011-05-31 | International Business Machines Corporation | Computer program product for excluding variations attributable to equipment used in semiconductor wafer manufacturing from split analysis procedures |
US7921734B2 (en) | 2009-05-12 | 2011-04-12 | Rosemount Inc. | System to detect poor process ground connections |
US8306931B1 (en) * | 2009-08-06 | 2012-11-06 | Data Fusion & Neural Networks, LLC | Detecting, classifying, and tracking abnormal data in a data stream |
US8862250B2 (en) | 2010-05-07 | 2014-10-14 | Exxonmobil Research And Engineering Company | Integrated expert system for identifying abnormal events in an industrial plant |
US9207670B2 (en) | 2011-03-21 | 2015-12-08 | Rosemount Inc. | Degrading sensor detection implemented within a transmitter |
US9927788B2 (en) | 2011-05-19 | 2018-03-27 | Fisher-Rosemount Systems, Inc. | Software lockout coordination between a process control system and an asset management system |
US9052240B2 (en) | 2012-06-29 | 2015-06-09 | Rosemount Inc. | Industrial process temperature transmitter with sensor stress diagnostics |
US9207129B2 (en) | 2012-09-27 | 2015-12-08 | Rosemount Inc. | Process variable transmitter with EMF detection and correction |
US9602122B2 (en) | 2012-09-28 | 2017-03-21 | Rosemount Inc. | Process variable measurement noise diagnostic |
CN102944436B (zh) * | 2012-10-31 | 2015-05-27 | 惠州市德赛西威汽车电子有限公司 | 一种汽车空调制冷能力异常检测方法 |
US10444118B2 (en) * | 2013-04-26 | 2019-10-15 | Sulzer Management Ag | Method for assessing a wear state of a module of a turbomachine, module, and turbomachine |
US20170277995A1 (en) * | 2014-09-29 | 2017-09-28 | Sikorsky Aircraft Corporation | Vibration signatures for prognostics and health monitoring of machinery |
RU2595066C1 (ru) * | 2015-06-24 | 2016-08-20 | Открытое акционерное общество "Лётно-исследовательский институт имени М.М. Громова" | Способ оценки нагружения конструкции самолёта при лётных прочностных исследованиях с использованием искусственных нейронных сетей |
RU2614740C1 (ru) * | 2015-11-16 | 2017-03-29 | федеральное государственное бюджетное образовательное учреждение высшего образования "Нижегородский государственный технический университет им. Р.Е. Алексеева" | Способ оценки основного параметра, определяющего уровень и характер нагрузки при диагностике особо ответственных узлов транспортных средств |
JP6645934B2 (ja) * | 2016-08-25 | 2020-02-14 | ファナック株式会社 | セルコントロールシステム |
AU2017330313B2 (en) * | 2016-09-21 | 2021-07-29 | Cidra Corporate Services Llc | Anomaly detection and neural network algorithms for PST hydrocyclone condition monitoring |
US10204226B2 (en) * | 2016-12-07 | 2019-02-12 | General Electric Company | Feature and boundary tuning for threat detection in industrial asset control system |
JP6822294B2 (ja) * | 2017-04-19 | 2021-01-27 | 富士通株式会社 | 評価プログラム、情報処理装置、及び評価方法 |
US11260399B2 (en) * | 2017-08-07 | 2022-03-01 | Cidra Corporate Services Llc | Assessing the benefits of automatic grinding control using PST technology for true on-line particle size measurement |
JP6708676B2 (ja) * | 2018-02-27 | 2020-06-10 | ファナック株式会社 | 異常要因特定装置 |
US11787057B2 (en) * | 2018-06-19 | 2023-10-17 | Panasonic Intellectual Property Management Co., Ltd. | Diagnostic system, diagnosing method, and program |
US20200122974A1 (en) * | 2018-10-18 | 2020-04-23 | Otis Elevator Company | In-situ system for health monitoring of elevator system |
US11494587B1 (en) | 2018-10-23 | 2022-11-08 | NTT DATA Services, LLC | Systems and methods for optimizing performance of machine learning model generation |
JP7184636B2 (ja) * | 2018-12-27 | 2022-12-06 | 三菱重工業株式会社 | データ選別装置及び方法、ならびに監視診断装置 |
JP7178659B2 (ja) * | 2019-01-07 | 2022-11-28 | ユニパルス株式会社 | 計量用機械学習装置、計量用機械学習システム及び計量システム |
KR20210088240A (ko) * | 2020-01-06 | 2021-07-14 | 현대자동차주식회사 | 무빙계 부품의 상태 진단 장치 및 방법 |
WO2021240636A1 (ja) * | 2020-05-26 | 2021-12-02 | 日本電信電話株式会社 | 分散深層学習システム |
CN111879397B (zh) * | 2020-09-01 | 2022-05-13 | 国网河北省电力有限公司检修分公司 | 高压断路器储能机构故障诊断方法 |
CN112182490B (zh) * | 2020-09-01 | 2024-02-02 | 华中科技大学 | 一种电抗器状态诊断方法及系统 |
CN112611569B (zh) * | 2020-10-30 | 2022-12-13 | 中国汽车技术研究中心有限公司 | 一种汽车启停工况车内抖动问题智能诊断方法及诊断系统 |
US11822325B2 (en) * | 2021-02-04 | 2023-11-21 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and systems for managing a pipe network of natural gas |
US11626003B2 (en) * | 2021-02-23 | 2023-04-11 | Rheem Manufacturing Company | Systems and methods for monitoring and detecting a fault in a fluid storage tank |
CN114088399A (zh) * | 2021-10-20 | 2022-02-25 | 昆明理工大学 | 一种基于深度可分离卷积的轴承故障在线诊断方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4380172A (en) * | 1981-02-19 | 1983-04-19 | General Electric Company | On-line rotor crack detection |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NL269964A (de) * | 1961-08-22 | |||
JPS54111871A (en) * | 1978-02-22 | 1979-09-01 | Hitachi Ltd | Frequency detecting method |
US4479241A (en) * | 1981-08-06 | 1984-10-23 | Buckley Bruce S | Self-organizing circuits for automatic pattern recognition and the like and systems embodying the same |
JPS6021423A (ja) * | 1983-07-15 | 1985-02-02 | Mitsubishi Electric Corp | 振動監視装置 |
US4520674A (en) * | 1983-11-14 | 1985-06-04 | Technology For Energy Corporation | Vibration monitoring device |
US4773024A (en) * | 1986-06-03 | 1988-09-20 | Synaptics, Inc. | Brain emulation circuit with reduced confusion |
US4874963A (en) * | 1988-02-11 | 1989-10-17 | Bell Communications Research, Inc. | Neuromorphic learning networks |
US5092343A (en) * | 1988-02-17 | 1992-03-03 | Wayne State University | Waveform analysis apparatus and method using neural network techniques |
JP2717665B2 (ja) * | 1988-05-31 | 1998-02-18 | 株式会社豊田中央研究所 | 内燃機関の燃焼予測判別装置 |
JPH0232679A (ja) * | 1988-07-22 | 1990-02-02 | Hitachi Ltd | ニューラルネットによるデータ通信方法および装置 |
US5093899A (en) * | 1988-09-17 | 1992-03-03 | Sony Corporation | Neural network with normalized learning constant for high-speed stable learning |
US4912649A (en) * | 1988-12-14 | 1990-03-27 | Gte Government Systems Corporation | Accelerating learning in neural networks |
US4972363A (en) * | 1989-02-01 | 1990-11-20 | The Boeing Company | Neural network using stochastic processing |
JPH0660826B2 (ja) * | 1989-02-07 | 1994-08-10 | 動力炉・核燃料開発事業団 | プラントの異常診断方法 |
US5010769A (en) * | 1990-01-31 | 1991-04-30 | Westinghouse Electric Corp. | Automatic pseudokeyphasor generator |
-
1989
- 1989-04-14 JP JP1095034A patent/JPH0692914B2/ja not_active Expired - Lifetime
-
1990
- 1990-04-13 US US07/508,664 patent/US5333240A/en not_active Expired - Fee Related
- 1990-04-17 DE DE4012278A patent/DE4012278C2/de not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4380172A (en) * | 1981-02-19 | 1983-04-19 | General Electric Company | On-line rotor crack detection |
Non-Patent Citations (5)
Title |
---|
Electronic Imaging`88, Vol. 1, S. 60-65 * |
Elektronisches Nachrichtenwesen, Bd. 60, Nr. 2, 1986, S. 100-108 * |
Industrie-Anzeiger 29/1989, S. 36-38 * |
Technische Rundschau 11/88, S. 58-65 * |
Technische Rundschau 2/89, S. 34-39 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5247584A (en) * | 1991-01-10 | 1993-09-21 | Bodenseewerk Geratetechnik Gmbh | Signal processing unit for classifying objects on the basis of signals from sensors |
DE4100500A1 (de) * | 1991-01-10 | 1992-07-16 | Bodenseewerk Geraetetech | Signalverarbeitungsanordnung zur klassifizierung von objekten aufgrund der signale von sensoren |
DE4207728A1 (de) * | 1992-03-11 | 1993-09-23 | Fraunhofer Ges Forschung | Verfahren zur qualitaetspruefung von pruefobjekten |
DE4229340C2 (de) * | 1992-09-04 | 1998-10-01 | Schenck Process Gmbh | Verfahren zur Früherkennung eines Risses in einer rotierenden Welle |
DE4229340A1 (de) * | 1992-09-04 | 1994-03-10 | Schenck Ag Carl | Verfahren zur Früherkennung eines Risses in einer rotierenden Welle |
US5533400A (en) * | 1992-09-04 | 1996-07-09 | Carl Schenck Ag | Process for the early detection of a crack in a rotating shaft |
GB2277151A (en) * | 1993-04-05 | 1994-10-19 | Univ Brunel | Machine monitoring using neural network |
GB2277151B (en) * | 1993-04-05 | 1997-06-25 | Univ Brunel | Neural network based machine health monitoring system |
US5623579A (en) * | 1993-05-27 | 1997-04-22 | Martin Marietta Energy Systems, Inc. | Automated method for the systematic interpretation of resonance peaks in spectrum data |
DE19527521C1 (de) * | 1995-07-27 | 1996-12-19 | Siemens Ag | Lernverfahren für ein neuronales Netz |
DE19637651A1 (de) * | 1996-09-16 | 1998-03-19 | Abb Patent Gmbh | Verfahren zur Prozeßvisualisierung |
WO1998028600A1 (de) * | 1996-12-20 | 1998-07-02 | Bühler AG | Verfahren zur betriebszustandsüberwachung von arbeitsmaschinen |
DE19707173C1 (de) * | 1997-02-22 | 1998-07-23 | Voith Hydro Gmbh | Maschinendiagnosesystem und Verfahren zur zustandsorientierten Betriebsüberwachung einer Maschine |
DE19707173C5 (de) * | 1997-02-22 | 2006-06-14 | Voith Siemens Hydro Power Generation Gmbh & Co. Kg | Maschinendiagnosesystem und Verfahren zur zustandsorientierten Betriebsüberwachung einer Maschine |
DE19808197C2 (de) * | 1998-02-27 | 2001-08-09 | Mtu Aero Engines Gmbh | System und Verfahren zur Diagnose von Triebwerkszuständen |
DE19943689A1 (de) * | 1999-09-06 | 2001-03-08 | Busch Dieter & Co Prueftech | Verfahren und Vorrichtung zur Überwachung und/oder Diagnose sich bewegender Maschinen und/oder Maschinenteile |
DE10100522B4 (de) * | 2001-01-08 | 2013-03-28 | Deere & Company | Überwachungseinrichtung zur Überwachung der Funktion einer Arbeitsmaschine |
DE10220124A1 (de) * | 2002-05-06 | 2003-11-27 | Prognost Systems Gmbh | Verfahren zur Überwachung des Zustands einer Maschine |
DE102004006848A1 (de) * | 2004-02-12 | 2005-09-01 | Deere & Company, Moline | Verfahren und Überwachungssystem zur Überwachung des Zustands von Arbeitsmaschinen |
CN101836168B (zh) * | 2007-10-26 | 2013-03-06 | 西门子公司 | 用于分析燃气轮机的运行的方法 |
WO2009053183A3 (de) * | 2007-10-26 | 2009-06-11 | Siemens Ag | Verfahren zur analyse des betriebs einer gasturbine |
US8396689B2 (en) | 2007-10-26 | 2013-03-12 | Siemens Aktiengesellschaft | Method for analysis of the operation of a gas turbine |
EP2053475A1 (de) * | 2007-10-26 | 2009-04-29 | Siemens Aktiengesellschaft | Verfahren zur Analyse des Betriebs einer Gasturbine |
DE102011076780A1 (de) * | 2011-05-31 | 2012-12-06 | Airbus Operations Gmbh | Verfahren und eine Vorrichtung zur Zustandsüberwachung |
US9321543B2 (en) | 2011-05-31 | 2016-04-26 | Airbus Operations Gmbh | Method and device for condition monitoring |
DE102011076780B4 (de) | 2011-05-31 | 2021-12-09 | Airbus Operations Gmbh | Verfahren und Vorrichtung zur Zustandsüberwachung, Computerprogrammprodukt |
CN103558042A (zh) * | 2013-10-28 | 2014-02-05 | 中国石油化工股份有限公司 | 一种基于全状态信息的机组故障快速诊断方法 |
CN103558042B (zh) * | 2013-10-28 | 2016-09-07 | 中国石油化工股份有限公司 | 一种基于全状态信息的机组故障快速诊断方法 |
DE102019218626A1 (de) * | 2019-11-29 | 2021-06-02 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Überwachen einer Maschine |
Also Published As
Publication number | Publication date |
---|---|
JPH0692914B2 (ja) | 1994-11-16 |
DE4012278C2 (de) | 1999-05-06 |
US5333240A (en) | 1994-07-26 |
JPH02272326A (ja) | 1990-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE4012278A1 (de) | Zustands-diagnosesystem fuer eine anlage | |
DE102017108169B4 (de) | Produktionssystem, das einen Bestimmungswert einer Variablen in Bezug auf eine Produktabweichung festlegt | |
DE60212121T2 (de) | Erzeugung von prozessverwandten daten | |
DE102016011520B4 (de) | Produktionsausrüstung mit Maschinenlernsystem und Montage-und Prüfeinheit | |
DE102017006054A1 (de) | Maschinelle Lernvorrichtung, die eine geschätzte Lebensdauer eines Lagers lernt, Lebensdauer-Schätzvorrichtung und maschinelles Lernverfahren | |
DE4447288A1 (de) | Maschinenfehlerdiagnosesystem und -verfahren | |
DE102008002907A1 (de) | Systeme und Verfahren für die Anwendung eines Verbrennungsdynamik-Algorithmus bei einer Mehrrohrbrennkammer | |
DE112006000819T5 (de) | Diagnose- und Vorhersageverfahren und -system | |
DE2622120A1 (de) | Verfahren und vorrichtung zur automatischen ueberwachung von anlagen | |
DE102017124135A1 (de) | Maschinenfehlervorhersage basierend auf einer Analyse von periodischen Informationen in einem Signal | |
DE3421522A1 (de) | Verfahren und einrichtung zur diagnose eines waermekraftwerks | |
EP0789861A1 (de) | Verfahren zur analyse von prozessdaten einer technischen anlage | |
DE3918789A1 (de) | Adaptives kenntnisfolgerungsverfahren und -system | |
DE112008002489T5 (de) | Ein System und ein Computer implementiertes Verfahren zum automatischen Anzeigen von Prozessinformation in einem industriellen Kontrollsystem | |
EP2881822A1 (de) | Computer-implementiertes Verfahren und System zur automatischen Überwachung und Statusermittlung ganzer Prozessabschnitte in einer Process Unit | |
CH627012A5 (de) | ||
DE19707173C5 (de) | Maschinendiagnosesystem und Verfahren zur zustandsorientierten Betriebsüberwachung einer Maschine | |
CH717054B1 (de) | Verfahren zur Diagnose eines Lagers. | |
WO2019068588A1 (de) | Verfahren zur bestimmung der geometrie einer fehlstelle und zur bestimmung einer belastbarkeitsgrenze | |
DE4217007A1 (de) | Verfahren und Vorrichtung zur Überwachung und Sicherung der Produktqualität | |
DE102011100981A1 (de) | Betriebsverfahren für eine Windenergieanlage | |
DE19860333A1 (de) | Verfahren zur modellbasierten schwingungsdiagnostischen Überwachung rotierender Maschinen | |
EP4193227A1 (de) | Vorrichtung und verfahren zur erkennung von anomalien in einer industriellen anlage zur ausführung eines produktionsprozesses | |
EP1087276A1 (de) | Eine Methode zur Simulation und/oder Überwachung und/oder Steuerung einer industriellen Anlage | |
EP3929554A1 (de) | Verbesserte fehlererkennung bei maschinen mittels ki |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |