用于气动系统中泄漏检测的机器学习方法技术方案

提供了用于气动系统(100)的连续状态监测、特别是用于早期故障检测的技术。状态监测单元(114)形成有到存储器(110；116)的接口，在该存储器中，经训练的正常状态模型被存储为一类模型，该一类模型已在训练阶段中利用正常状态数据进行了训练并代表气动系统的正常状态。此外，状态监测单元(114)包括：数据接口(112；302)，用于通过一组传感器(m1，m2)连续采集气动系统的传感器数据；提取器(304)，用于从采集的传感器数据提取特征；微分器(310)，用于通过距离度量(例如，欧几里得范数、和范数、最大范数)确定所提取的特征与正常状态模型的学习特征的偏差；评分单元(318)，用于根据所确定的偏差计算异常分数；用于输出所计算的异常分数的输出单元(106；320)。320)。320)。

【技术实现步骤摘要】
用于气动系统中泄漏检测的机器学习方法


[0001]本专利技术属于技术系统的状态监测和故障检测领域。特别地，本专利技术涉及一种用于气动系统中连续状态监测和异常检测、特别是泄漏或其他故障检测的方法和系统。

技术介绍

[0002]气动系统中的泄漏会危及其正常运行，并且总是意味着由于所造成的压降而导致能量损失。因此，对气动系统进行可靠的状态监测是必不可少的，以便能够在发生泄漏时迅速做出反应并且将系统恢复到其正确的操作状态。在该上下文(context)中，状态监测的质量很大程度上取决于其参数化。通常，异常行为因气动系统而异，因为其取决于例如密封点的数量和/或操作状态，并且通常不容易预测。通常，异常仅在日常维护工作中被发现，并且由于机器停机而被被动修复或注意到。

技术实现思路

[0003]基于此，本申请的目的是提供一种可供气动系统的操作员用于异常诊断的方法。
[0004]该目的通过所附的专利权利要求书来解决，特别是通过用于连续状态监测的方法、状态监测单元以及通过用于执行状态监测的计算机程序来解决。可以在从属权利要求和以下描述中找到具有特征的本专利技术的其他有利实施例。
[0005]根据第一方面，该目的通过一种用于对气动系统进行连续状态监测、特别是用于异常检测(诸如泄漏检测)的方法来解决。该方法包括在推理阶段中执行的以下方法步骤：
[0006]‑
提供经训练的正常状态模型作为一类模型，该模型已在训练阶段训练中利用代表气动系统的正常状态的正常状态数据进行了训练；
[0007]‑
通过一组传感器连续地采集气动系统的传感器数据；
[0008]‑
从所采集的传感器数据中提取特征；
[0009]‑
使用距离度量(distance metric)(例如，欧几里得范数、和范数、最大范数)来确定所提取的特征与正常状态模型的学习特征的偏差；
[0010]‑
根据所确定的偏差计算异常分数；和
[0011]‑
输出所计算的异常分数。
[0012]该计算机执行程序可以用作诊断系统并且在后台执行，从而操作员仅需在发生泄漏或其他异常情况时做出反应，以便启动适当的故障排除手段。特别是，该方法基于根据传感器数据识别特征，这些数据用于训练可以用于评估气动系统的未来状态的正常状态模型。在随后的操作模式中确定的特征与经训练的正常状态的特征的偏差越大，故障状态的概率就越大。这被转化为异常分数，从而气动系统的操作员可以因此做出反应。
[0013]下面更详细地解释本专利技术的术语。
[0014]正常状态模型描述了气动系统的正常状态。在正常状态下，没有异常、泄漏或其他故障，生产过程运行良好。“生产过程(Production process)”被理解为是指生产周期的重复，因此是气动系统的运行状态。在该上下文中，周期或生产周期描述了气动执行器返回其
起点的运动。运动例如是气缸活塞的线性移位或执行器的旋转运动。
[0015]气动系统可以具有一个以上的操作状态。例如，气动系统可以在不同的压力水平下操作，其中每个压力水平表征一个操作状态。在这种情况下，必须在训练阶段期间针对每个操作状态学习气动系统的正常状态。
[0016]正常状态可以通过气动系统的特性来表示。这些特征基于正常状态的测量状态数据，诸如压力、压力曲线、流量、流量曲线或时间戳。一类模型学习这些特征并且基于这些特征定义正常状态。为了学习正常状态，在训练期间理想地使用若干个整生产周期的所测量的正常状态数据。
[0017]例如，气动系统可以是单个气动执行器(或致动器，actuator)或多个执行器。多个执行器可以彼此独立地操作。多个执行器可以布置在阀岛上，该阀岛可以一次控制多个阀。在一些应用中，多个执行器也可以操作为使得它们具有接触点或相互依赖或依赖于公共阀进行操作。
[0018]气动执行器的示例是夹具，另一个示例是气动张紧器(夹持器)。气动张紧器可以例如以四个特征来表征，即分别用于打开和关闭夹钳(climp)的反应和处理时间。这里，张紧器的反应和处理时间不是直接测量的，而是根据易于访问的状态数据提取的。夹钳的生产周期包括打开和关闭。相关联的反应和处理时间以及生产周期的长度可以在正常状态下被分配一个数值。与此数值的偏差可以表示异常。
[0019]实验表明，正常状态的特性很大程度上可以取决于阀和执行器之间的节流阀的设置。因此，正常状态模型可以特定于执行器。在这种情况下，节流阀和/或另一个合适的控制器可以用于调节供应管线的供应压力，从而导致在其他恒定分量的情况下不同的行程时间和/或反应时间。
[0020]如果存在异常，则气动系统将不能在正常状态下操作。异常可以导致延迟、能量损失、生产力干扰、气动系统部件的故障、停产或类似情况。异常的原因可能是泄漏、滚针轴承破裂和/或系统中的摩擦增加。
[0021]在本专利技术的优选实施例中，正常状态模型是统计模型和/或机器学习模型。
[0022]在统计模型中，假定正常状态的特性的概率，其中所述概率可以基于经验值和/或建模。正常状态的特性是预定义的。当新事件发生时，可以调整特性的参数化。例如，新事件是将新执行器连接到现有的气动系统。
[0023]机器学习模型基于训练数据生成统计正常状态模型。在此过程中，学习模型确定了表征正常状态本身的特征。以迭代的方式，生成正常状态模型，估计量化正常状态模型的偏差的错误概率，并且优化模型，直到例如错误概率不再显著提高。机器学习模型可以使用深度学习和/或神经网络进行训练。
[0024]在该上下文中，术语“一类模型”是指仅从正常状态的数据生成的状态模型。统计模型中指定的正常状态的特征被量化(学习特征)，并且确定在哪些偏差内状态数据仍可归因于正常状态。
[0025]在训练期间，机器学习模型从正常状态的状态数据中生成特征并且学习它们的特性。作为“一类模型”，学习模型仅利用正常状态的状态数据进行训练，并且在生产过程中区分与正常状态相关的状态数据和其他状态数据，即未被确定的其余状态(异常)的状态数据。与其他机器学习模型不同，正常状态的没有适当标记的反例被用于训练。这样做的益处
是，训练不需要表示具有异常的状态的数据。当气动系统投入使用时，此类具有异常的状态数据通常尚不可用。
[0026]训练的目标是使模型学习准确识别气动系统的正常状态，以便将与正常状态的偏差描述为生产过程中的异常。为此，优化目标函数，从而机器学习模型接受尽可能多的正常状态的状态数据和尽可能少的具有异常的状态的数据。在生产过程中，一个度量标准指定状态数据与正常状态模型的距离，或者状态数据属于正常状态的概率。另一个度量标准是这个距离或概率的阈值。如果状态数据低于阈值，则将状态数据接受为属于正常状态。
[0027]David Tax讨论了一类模型的不同方法及其优缺点(TAX David Martinus Johannes，一类分类：在没有反例的情况下进行概念学习。代尔夫特理工大学：论文，2001，ISBN本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于对气动系统(100)进行连续状态监测的方法(200)，该方法包括在推理阶段中执行的以下方法步骤：
‑
提供(202)经训练的正常状态模型作为一类模型，所述一类模型已在训练阶段中利用表示所述气动系统(100)的正常状态的正常状态数据进行了训练；
‑
使用一组传感器从所述气动系统(100)连续地采集(204)传感器数据；
‑
从所采集的传感器数据中提取(206)特征；
‑
使用距离度量来确定(208)所提取的特征与所述正常状态模型的学习特征的偏差；
‑
根据所确定的偏差计算(210)异常分数；和
‑
输出(212)所计算的异常分数。2.根据权利要求1所述的方法，其中，所述正常状态模型是统计模型和/或机器学习模型。3.根据前述权利要求中任一项所述的方法，其中，所计算和输出的异常分数被用于所述气动系统(100)的异常检测、特别是泄漏检测和/或运行时间监测，并且其中所述正常状态数据包括压力信号和/或流量信号和/或麦克风/体声信号和/或阀切换时间和/或来自限位开关的信号和/或连续位置信号和/或另外的阀相关时间信号和/或其他模拟/数字测量信号。4.根据前述权利要求中任一项所述的方法，直接在现场总线节点(110)和/或边缘装置中执行该方法。5.根据前述权利要求中任一项所述的方法，其中，通过基于TCP/IP的网络协议、特别是通过MQTT协议或OPC UA协议，将所述异常分数转发给所选择的其他网络参与者。6.根据前述权利要求中任一项所述的方法，其中，确定生产力分数，特别是当自动检测过程周期时，以便评估周期持续时间如何在更长的时间范围内发展。7.根据前述权利要求中任一项所述的方法，其中，通过边界框法(311)或通过k均值法(312)或通过另一种合适的一类学习方法来执行所述正常状态的表示或建模。8.根据前述权利要求中任一项所述的方法，其中，将归一化函数(314)、特别是sigmoid函数应用于所确定的偏差，和/或其中所述sigmoid函数的拐点和/或斜率能够被参数化，和/或其中所述sigmoid函数在所述训练阶段中被线性地重新调整，使得所述异常分数的图形表示是连续的。9.根据前述权利要求中任一项所述的方法，其中，所述方法通过元参数来控制，其中所述元参数包括所述模型的参数化、特别是确定k均值中心的数量和/或边界框的数量和/或用于所述边界框的边界的计算规则和/或所提取的特征的权重和/或用于特征提取的其他参数。10.根据前述权利要求中任一项所述的方法，其中，使用相同的预处理方法对训练阶段中的所述正常状态数据和推理阶段中的生产数据、特别是传感器数据进行预处理。11.根据前一权利要求所述...

【专利技术属性】
技术研发人员：T，
申请(专利权)人：费斯托股份有限两合公司，
类型：发明
国别省市：