用于通过机器学习进行监测的方法技术

提出了一种用于监测IO链路系统和/或所述IO链路系统的至少一个IO链路装置和/或与所述IO链路系统一起工作的设备、设备部分和/或程序的方法。这里，在所述IO链路系统的IO链路主站的至少一个端口处记录(42)电流(I

【技术实现步骤摘要】
用于通过机器学习进行监测的方法


[0001]本专利技术涉及通过机器学习对IO链路系统和/或与之一起工作的部件进行监测。

技术介绍

[0002]在设备构建和自动化技术中，多种标准化现场总线系统已被证明它们可替代并行的单独布线。这里，多个所谓的现场总线模块通过现场总线附接到中央控制装置。终端装置进而附接到现场总线模块。
[0003]所谓的IO链路连接最近也已用于将终端装置连接到现场总线模块。从DE 10 2012 009494A1中已知这种IO链路连接以及用于操作这种连接的方法和控制装置。如其中所述，现场总线模块充当IO链路“主站”的角色。机器的传感器、致动器、显示装置、操作装置以及甚至传动系统都被视为终端装置(以下称为IO链路装置)。
[0004]受影响生产商的联盟已经指定了用于具有所提指称“IO链路”的智能传感器/致动器接口的标准，所述标准在标准IEC 61131
‑
9中标准化为国际开放标准。所提IO链路装置然后通过描述文件IODD(即IO链路装置描述)来描述。IODD也应作为标准语言在标准ISO 15745中标准化为开放标准。
[0005]这种IO链路连接提供用于传感器和致动器与机器的IO平面之间的信号传输的串行点对点连接。原则上，IO链路连接在IO链路主站与作为装置连接的IO链路装置之间传输数据。
[0006]为了确保设备或程序无故障运转，进行状态监测以随时了解设备或程序的状况，并且对偏差做出迅速反应。因此可及早识别干扰，并且可防止可能的机器停止。维修工作也可提前计划，并且以设备的状态为导向。状态监测因此导致设备的高效、安全且不受干扰的操作，使得可提高设备的总体效率。
[0007]通常，只使用传感器数据进行状态监测。在最简单的情况下，监测是否超过或低于限定阈值。这种状态监测有时已经由传感器提供。
[0008]然而，这种简单的阈值监测情况并不适用于检测所有状态、异常、错误、偏差和/或维修指标。
[0009]基于以机器学习为基础的人工智能(AI)的状态监测提供了进一步的起点。在此程序中，学习基于设备数据和传感器数据与设备状态之间往往复杂的联系的相关联的状态而发生。迄今为止，这种基于AI的状态监测仅在工业领域中在边缘装置上、内部公司服务器上或云中进行。在这些情况下，分别需要从现场总线调用传感器数据并且将其提供用于评估的边缘网关。
[0010]如果只使用控制设备所不需要的额外的传感器进行状态监测，则这些传感器可直接连接到评估单元。然而，由于额外的传感器，监测系统的复杂性和成本增加。如果将也可用于控制设备的传感器用于状态监测，则需要连接到现场总线。因此，边缘装置上、服务器上或云中的状态监测导致额外的硬件和布线努力。
[0011]因此，本专利技术的目的是提供直接通过IO链路系统及其部件的基于AI的监测，所述
监测使用适用于监测并且IO链路系统或其部件可访问的数据。

技术实现思路

[0012]公开了一种用于监测IO链路系统和/或IO链路系统的至少一个IO链路装置和/或与IO链路系统一起工作的设备、设备部分和/或程序的方法。
[0013]根据本专利技术，在IO链路系统的IO链路主站的至少一个端口处记录电流、电压和/或电功率。在IO链路主站的至少一个端口处的电变量的记录，特别是以电流、电压和/或电功率的测量结果的形式，在IO链路主站中直接发生。因此，附接的IO链路装置的电流消耗、电压和/或功率消耗在IO链路主站中直接测量。
[0014]电变量的测量不需要额外的外部传感器。电流可在IO链路主站中以已知方式确定，例如通过在小电阻(感测或分流电阻)处的电压降以及电压降到数字值的变换。另选地，可使用电流测量部件，其通过磁场测量确定电流。电压可以已知方式通过模拟/数字变换直接确定。电功率P可根据公式1计算为电流I和电压U的乘积：
[0015]P＝U
·
I
ꢀꢀꢀ
(公式1)
[0016]根据本专利技术，在IO链路主站中使用基于机器学习的人工智能(AI)，以便在此基础上进行监测方面(稍后将详细描述)中的一个或若干个方面。因此，基于AI的监测通过IO链路主站直接发生。在机器学习期间，针对电流、电压和/或电功率使用先前学习的模型。学习也被描述为训练。模型表征电流、电压和/或电功率与IO链路系统和/或至少一个IO链路装置和/或设备、设备部分和/或程序的状态、异常、错误、偏差和/或维修指标的联系。
[0017]所谓的智能状态监测可作为监测方面进行。通过使用先前通过机器学习来学习的模型进行IO链路系统和/或至少一个IO链路装置和/或设备、设备部分和/或程序的状态的基于AI的监测。为此，通过模型对状态进行分类。具体地，可通过至少一个IO链路端口处的电流消耗、电压和/或电功率消耗来监测附接的IO链路装置的状态，并且还可优化其使用。设备、设备部分和/或程序的状态也可通过至少一个IO链路端口处的所提电变量来监测，特别是结合下文描述的传感器数据进行监测。这里，一般可了解正常状态，然后可识别与此正常状态的偏差。优选地在基于AI的状态监测中学习若干个状态，并且对IO链路系统和/或至少一个IO链路装置和/或设备、设备部分和/或程序处于何种状态进行分类。这里，未知状态可被识别为异常。正常状态和/或若干个状态例如也在基于AI的状态监测中通过如上所提电变量的分布、通过电变量的信号值的特定时间序列、通过电变量的信号的周期性等来确定。这对于纯阈值监测是不可能的。出于对状态进行分类和监测的目的，并行活动的若干个模型一般是可能的。
[0018]作为另外的监测方面，可检测IO链路系统和/或至少一个IO链路装置和/或设备、设备部分和/或程序的异常、错误、偏差和/或维修指标。来自电流或功率消耗的额外信息使得能够可靠地识别异常、错误、偏差和/或维修指标。从单独的传感器数据无法检测到的另外的错误或维修指标的示例也可通过电流或功率数据识别。这特别适用于至少一个IO链路装置是致动器的情况，所述致动器的状态既不由致动器本身也不通过传感器来监测。
[0019]另外的监测方面提出对IO链路系统和/或至少一个IO链路装置和/或设备、设备部分和/或程序的维修需求、错误和/或停机的预测。通过机器学习和合适的模型，这种预测是非常有可能的。
[0020]单纯地从原则上，IO链路端口的所有电流、电压或电功率数据都适用于基于AI的监测，对于所述监测，电流、电压或电功率的行为与IO链路系统或至少一个IO链路装置或设备、设备部分或程序的状态、异常、错误、偏差或维修指标之间存在联系。这些联系不需要是明显地或直观地可识别的。借助于机器学习，可识别若干个数据源与状态、异常、错误、偏差或维修指标之间的用户无法直接识别的复杂联系。
[0021]因此，测量和基于AI的评估在IO链路主站上直接发生。IO链路系统、IO链路装置、设备、设备部分和/或程序的监测因此发生(这在先前无法实现，或者只能通过额外的硬件努力实现)，并且这不需要额外的硬件诸如传感器。与常规的设定点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于监测IO链路系统和/或所述IO链路系统的至少一个IO链路装置(S1、S2、S3、S4、A1)和/或与所述IO链路系统一起工作的设备、设备部分和/或程序的方法，其特征在于，在所述IO链路系统的IO链路主站(1)的至少一个端口(11)处记录电流(I
m
)、电压(U
m
)和/或电功率(P
m
)，并且通过使用先前通过机器学习来学习的针对所述电流(I
e
)、所述电压(U
e
)和/或所述电功率(P
e
)的模型(M)，在所述IO链路主站(1)中发生所述IO链路系统和/或所述至少一个IO链路装置(S1、S2、S3、S4、A1)和/或所述设备、所述设备部分和/或所述程序的状态(Z)的监测、和/或异常(30
‑
33)、错误(50
‑
52)、偏差和/或维修指标的检测、和/或维修需求、错误和/或停机的预测。2.根据权利要求1所述的方法，其特征在于，所述模型(M)在所述IO链路主站(1)中通过以下方式来学习：针对所述电流(I
e
)、所述电压(U
e
)和/或所述电功率(P
e
)和所述对应的状态(Z)、异常(30
‑
33)、错误(50
‑
52)、偏差和/或维修指标的记录训练数据，并且根据这些来计算所述模型(M)。3.根据权利要求2所述的方法，其特征在于，在所述链路主站(1)中学习的所述模型(M)被传输到至少一个其他IO链路主站。4.根据权利要求1所述的方法，其特征在于，所述模型(M)在外部系统(PC)中预学习并且被传输到所述IO链路主站(1)。5.根据前述权利要求中一项所述的方法，其特征在于，所述模型(M)通过在其使用时的测量值(I
m
、U
m
、P
m
)升级。6.根据前述权利要求中一项所述的方法，其特征在于，用户能够通过接口对所述模型(M)的所述使用的结果进行评估和/或校正，和/或对所述电流状态(Z)、异常(30
‑
33)、错误(50
‑
52)、偏差和/或维修指标进行确认或表征。7.根据前述权利要求中一项所述的方法，其特征在于，记录所述电流(I
m
)、所述电压(U
m
)和/或所述电功率(P
m
)的时间进程，并且将所...

【专利技术属性】
技术研发人员：斯特芬，
申请(专利权)人：巴鲁夫公司，
类型：发明
国别省市：