DE102006048430A1

DE102006048430A1 - Verfahren zur Wartungsvorhersage einer Maschine

Info

Publication number: DE102006048430A1
Application number: DE102006048430A
Authority: DE
Inventors: Dimitar Novi Filev; Fling Ann Arbor Tseng; Gary Farmington Hills Farquhar; Dave Northville Chesney; Youssef Bloomfield Hills Hamidieh; Pundarikaksha Detroit Baruah; Ratna Babu Rochester Chinnam
Original assignee: Ford Motor Co
Current assignee: Ford Motor Co
Priority date: 2005-10-13
Filing date: 2006-10-12
Publication date: 2007-05-10
Also published as: US20070088550A1

Abstract

Die Erfindung betrifft ein Verfahren zur Wartungsvorhersage von Maschinen mit dem Sammeln von Merkmalsdaten für die Maschine, das mehrere Merkmalsvektoren umfasst, wobei mindestens einige Merkmalsvektoren standardisiert werden, um Kompatibilität zwischen verschiedenen Vektoren zu erleichtern, wobei mindestens einige standardisierte Merkmalsvektoren in entsprechende zweidimensionale Merkmalsvektoren transformiert werden und mindestens einige zweidimensionale Merkmalsvektoren auf Basis vom Maschinenbetriebszustand geclustert werden, wobei ähnliche Schritte mit zusätzlichen Merkmalsdaten von der Maschine durchgeführt werden und neu gesammelte zweidimensionale Merkmalsvektoren mit früher geclusterten Merkmalsvektoren verglichen werden, um eine Wartungsvorhersageinformation für eine Maschine zu liefern.

Description

Die Erfindung betrifft ein Verfahren zur Wartungsvorhersage einer Maschine.

Obwohl verschiedene Systeme und Verfahren zum Überwachen und zur Wartung von Maschinen und Ausrüstungen bestehen, hat jedes eine oder mehrere inhärente Begrenzungen, die seine Einsetzbarkeit einschränken. Beispielsweise arbeiten viele zustandsüberwachende Algorithmen durch kontinuierlichen Vergleich neu extrahierter Merkmale – nämlich von Maschinenzuständen – mit ihren entsprechenden Basiswerten. Diese Basischarakteristika sind im wesentlichen das statistische Mittel der während der Setup-Phase gesammelten Merkmale. Die Diagnosefähigkeiten konventioneller Systeme zum Vorherbestimmen des Wartens, beruhen auf der Anwendung verschiedener Typen von Schwellen, Mustern und Regeln, um das Verhältnis zwischen den aktuellen Merkmalswerten und ihren Basisentsprechungen zu quantifizieren.

Eine Beschränkung des Systemtyps besteht darin, dass während des Überwachungsverfahrens der Maschine die Schwellen so lange unverändert bleiben, bis ein Experte interferiert und ihre Neuberechnung erzwingt. Diese Art menschliche Intervention resultiert häufig aus der Beobachtung häufiger Fehlalarme, die durch eine Hauptprozessverschiebung hervorgerufen werden. Daher ist es erwünscht, ein Verfahren zur Vorhersage der Wartung einer Maschine zu haben, das unüberwachte Lernverfahren verwendet und eine signifikante Änderung im Muster der überwachten Maschinenmerkmale identifizieren kann.

Eine weitere Begrenzung konventioneller maschinenüberwachender Verfahren und zustandsabhängiger Wartungstechnologien (CBM) besteht darin, dass ihre Anwendung auf eine spezielle Maschine begrenzt ist. Mit der Zeit kann eine umfangreiche Charakterisierung der physikalischen und mechanischen Prinzipien erfolgen, die das Ausrüstungsverhalten und dessen Entwicklung leiten. Während dies zu einer genauen Information über eine spezielle Maschine führt, sind derartige Technologien außerordentlich einschränkend, wenn eine umfangreiche Entledigung eines großen Teils der Ausrüstung stattfindet. Demzufolge ist es erwünscht, ein Verfahren zum vorhergesagten Warten einer Maschine zu haben, das ein „generisches" Gerüst entwickelt, das relativ unabhängig von dem betrachteten physikalischen Ausrüstungstyp ist.

Mindestens eine Ausführungsform der Erfindung verwendet einen Wartungsvorhersageagenten (PdM) der einen generischen auf Neuheitendetektion-Basis lernenden Prognosealgorithmus einsetzt, der nicht von den spezifischen gemessenen Parametern abhängt, die den Gesundheitszustand der speziellen Maschine bestimmen. Der PdM-Agent verwendet eine Kombination gemessener Maschinencharakteristika in der Zeit- und Frequenzdomäne, Prozeßparameter, Energieniveaus und andere Parameter, welche den Zustand eines Teils der Ausrüstung beschreiben können. Dieser Satz gemessener Variable, als Merkmalssatz bezeichnet, wird standardisiert und in Echtzeit auf den Raum der Hauptkomponenten aufgetragen.

Die ersten beiden Hauptkomponenten des Merkmalsvektors werden im zweidimensionalen (2-D) Raum überwacht und visualisiert. Ein unüberwachter clusterbildender Echtzeitalgorithmus wird angewendet, um stabile Muster zu den identifizieren, welche die verschiedenen Betriebszustände der Ausrüstung bilden, um möglicherweise falsch-positive Alarme aufgrund signifikanter Änderungen des Merkmalsmusters zu minimieren. Zwei alternative Strategien werden verwendet, um sowohl abrupte als auch sich graduell entwickelnde (bevorstehende) Änderungen zu erkennen. Der Algorithmus sagt auch vorher, ob anstehende Änderungen zu signifikanten Mustern führen können und demzufolge zu falschen Zuständen.

Bevor eine Endentscheidung für eine möglicherweise falsche Warnung generiert wird, wird ein Vergleich zwischen der Vorhersage des multiplen Merkmalsraums und dem statistischen Verhalten der Merkmale, von denen angenommen wird, dass sie einen starken Einfluß auf das Maschinenverhalten haben, durchgeführt. Die Endbestimmung einer falschen Vorhersage kann visuelle Werkzeuge verwenden, um die Validierung der durch den diagnostischen/prognostischen Algorithmus gemachten Vorhersagen zu vereinfachen. Der Algorithmus kann als ein Satz rekursiver Echtzeitverfahren implementiert werden, welche kein Abspeichern einer großen Datenmenge benötigen. Der Algorithmus kann als ein STAND ALONE zufallsangetriebener Softwareagent realisiert werden, der eine Schnittstelle mit einem Server hat, der Rohmaschinendaten speichert.

Die Eingabe in den PdM-Agenten ist ein Merkmalsvektor, der den Status der überwachten Ausrüstung charakterisiert. Die Merkmale können Zeit, Frequenz oder Energiecharakteristika, Prozessparameter oder andere gemessene Attribute umfassen. Einige Merkmale, die durch den PdM-Agenten für die Überwachung der Maschinengesundheit rotierender Ausrüstung eingesetzt werden können, umfassen Merkmale in der Zeitdomäne, wie Zeitdomänen in Datenstatistiken und autoregressive (AR) Modellparameter. Zeitdomänenmerkmale können direkt aus den durch einen oder mehrere an der überwachten Maschine befestigten Sensoren aufgenommenen Rohvibrationsdaten berechnet werden. Die Zeitdomänendatenstatistiken umfassen solche Sachen wie den quadratischen Mittelwert (RMS), Scheitelpunkt-Faktor, Varianz, Schiefe und Kurtosis. Autoregressive Modellparameter können das Burg Verfahren verwenden, um eine vorherbestimmte Ordnung (p) eines AR-Modells an die Eingabesignale anzupassen, indem die Zukunfts- und Vergangenheitsvorhersagefehler minimiert werden, während die AR-Parameter so eingeschränkt werden, dass sie der Levinson-Durbin Rekursion genügen.

Andere Merkmalstypen, die mit dem PdM-Agenten eingesetzt werden, können Frequenzdomänenmerkmale umfassen, welche eine Transformation, wie eine Schnell-Fourier-Transformation (FFT) einsetzen, um zeitabhängige Vibrationssignale in eine Frequenzdomäne umzuwandeln. Der PdM-Agent kann auch Energiemerkmale verwenden, wobei die Energiebanden aus abgeleiteten Frequenzblöcken berechnet werden. Das Geschwindigkeitsamplitudenspektrum ist ein weiteres Merkmal, welches durch den PdM-Agenten verwendet werden kann. Unter Verwendung der nach Anwendung von FFT erhaltenen Daten kann ein Geschwindigkeitsamplitudenspektrum abgeschätzt werden. Selbstverständlich können Energie-Frequenz- und Geschwindigkeitsspektrums-Merkmale direkt aus den Frequenzsignaturen ohne Durchführung von FFT aus den Zeitwellenformsignalen erhalten werden. Ferner ist der PdM-Agent nicht auf den Empfang von Vibrationsdaten beschränkt, sondern könnte ebenso Daten von Temperatursensoren, Geschwindigkeitssensoren oder anderen Instrumenten empfangen, die Maschinencharakteristika überwachen.

Das Vorhersagemodell des PdM-Agenten umfaßt zwei hierarchische Niveaus auftretender Cluster, die dynamische Populationen aufweisen und aktualisiert werden, wenn neue Merkmale gesammelt werden.

Betriebszustand (OM) Cluster repräsentieren verschiedene Prototypen Betriebszustände der überwachten Maschinen. Betriebsbedingungs (OC) Cluster umfassen alternative Betriebsbedingungen innerhalb individueller Betriebszustände. Die OM-Cluster werden mit signifikant unterschiedlichen, aber repetitiven Signaturen in Verbindung gebracht – beispielsweise dem Anlaufen, dem normalen oder dem Leerlauf Betriebszustand. Obwohl die Maschine von einem Zustand zu einem anderen Zustand wechseln kann, wird angenommen, dass die Maschine mindestes einen kurzen Zeitraum innerhalb eines Zustands verbleibt. Während dieses Zeitraums wird erwartet, dass ähnliche Muster gesehen werden, die leicht unterschiedlich sein können, aber in der Umhüllenden gleichet Betriebsbedingungen bleiben.

Wenn der PdM-Agent aufgestellt wird, wird nicht erwartet, das alle möglichen OM-Cluster ersichtlich sind. Es wird statt dessen erwartet, dass OM-Cluster mit der Zeit auftreten, um neue Betriebszustände zu identifizieren, die anfänglich nicht beobachtet wurden. Die Evolution der OM-Cluster schafft ein Verfahren des Schaffens neuer Cluster und eine Verfahren kontinuierlichen Aktualisierens der existierenden OM-Cluster. Die früheren Zustände sind verantwortlich für potentielle neue Betriebszustände, Ausreißer, drastische Fehler oder Kombinationen derselben. Letzteres repräsentiert die graduellen Änderungen in den Maschinencharakteristika. Drastische Fehler werden als potentiell neue Betriebszustände betrachtet, da sie für dramatisch neue Muster stehen, die vorher nicht beobachtet wurden. Zwei Unterschiede zwischen einem drastischen Fehler und einem aktuellen Betriebszustand sind: 1. ein drastischer Fehler ist unstabil und 2. ein drastischer Fehler umfaßt weniger Merkmalsvektoren als die normalen Betriebszustände. Demzufolge ist die Anzahl der Merkmalsvektoren in einem OM- Cluster und die extensive Kreation neuer OM-Cluster einsetzbar, einen drastischen Fehler im Gegensatz zu einem neuen Betriebszustand zu diagnostizieren.

Die OM-Cluster sind Einzel oder Clustergruppen, innerhalb der OM-Cluster. Sie verdeutlichen sich ändernde Betriebsbedingungen in einem Betriebszustand. Die Ursache für das Auftreten eines OC-Clusters können Änderungen der Maschinenparameter oder graduelle Abnutzungszustände sein. Neue Betriebsbedingungen können mit der Zeit kreiert werden, da sie nicht notwendigerweise vollständig während des Setup identifiziert werden. Ihre Evolution wird durch graduelle Änderung der Clusterparameter oder durch Kreation neuer Cluster angetrieben. Der Trend der Änderung der OC-Cluster wird zur Vorhersage eines möglicherweise bevorstehenden Fehlers verwendet.

Ein weiterer Aspekt des Einsatzes der OM-Cluster besteht darin, dass ihre relative Stabilität und die repetitiven Merkmalsmuster es ermöglichen, lokale Auftragungen zwischen dem K-dimensionalen (K-D) Merkmalsraum und dem zweidimensionalen Raum der ersten beiden Hauptkomponenten (PC's) zu definieren. Die Verwendung der K-D zu 2-D Transformation reduziert die Dimensionalität des Merkmalsraums, verringert die Menge insignifikanter Information und ermöglicht eine Visualisierung des Entscheidungsprozesses. Die mit jedem OM-Cluster assoziierten Kovarianzmatrices werden verwendet, die Auftragungen zu aktualisieren, indem die Merkmale in den OM-Clustern in ihre 2-D Bilder im Co-Domain-Raum der ersten beiden PC's umgewandelt werden. Demzufolge kann jedes der OM-Cluster im Merkmalsraum ein 2-D Gegenpart aufweisen, das viele sich entwickelnde 2-D OC-Cluster umfaßt.

Eine weitere Ausführungsform der Erfindung schafft ein Diagnose und Prognose Netzwerk (DPF) das relativ unabhängig vom betrachteten physikalischen Ausrüstungstyp ist. Viele der durch das DPF eingesetzten Modellierungs- und Abschätzungsverfahren beruhen auf unüberwachten Lernverfahren, welche die Notwendigkeit menschlicher Intervention herabsetzen. Die Prozeduren werden auch so ausgelegt, dass sie zeitweilig Parameter mit einer Überwachungserfahrung für eine verbesserte Diagnose/Prognose Genauigkeit hervorbringen. Das Netzwerk sieht auch den Einbau von Endverbraucher-Rückmeldungen vor, um die Diagnose/Prognose Genauigkeit zu steigern.

Das DPF verwendet ein Verfahren, um die Hauptkomponentenanalyse (PCA) basierte Dimensionalitätsreduktion mit einer unüberwachten Clustertechnik zu kombinieren. Zuerst wird eine erste Einzel-Hauptkomponententransformationsmatrix ("Rohbasis" genannt) aus Signal-/Merkmalsdaten konstruiert. Wie oben unter Bezugnahme auf den PdM-Agenten diskutiert, können derartige Signal-/Merkmalsdaten auch von einem oder mehreren Sensoren gesammelt werden, welche die Betriebsbedingungen einer speziellen Maschine überwachen. Das DPF verwendet dann die Kern-Dichte basierte unüberwachte Clustertechnik, um die Daten im Raum der beiden dominierenden PC's zu clustern, um verschiedene Ausrüstungs-"Betriebszustände" zu identifizieren. Die Datenpunkte individueller Cluster oder Zustände werden sodann unter Verwendung von Indexsätzen identifiziert. Eine PC-Transformationsmatrix wird sodann für jeden individuellen Cluster oder Zustand unter Verwendung des entsprechenden Indexsatzes neu berechnet. Dies führt zu einer anderen Zustandsbasis für ein distinktes Betriebszustands/Cluster. Die Diagnostikmaschine verwendet diese Basis zur Ausgabe von wichtigen Alarmen während zukünftiger Überwachung.

Vorausgesetzt, dass dieses Ausrüstungsverhalten aufgrund von Prozessen wie Einlaufen, Wartung und Abnutzung auftritt, wird das DPF so konfiguriert, dass es dieses nicht stationäre Verhalten effektiv verfolgen kann. Das DPF verwendet ein Cluster-Verfolgungsverfahren unter Verwendung eines optimalen exponentiellen Wartungsschema. Insbesondere verwendet es die folgenden beiden Strategien zur Verbesserung des Verhaltens der Diagnose-Maschine. Zuerst stellt die Onlinebestimmung eines optimalen exponentiellen Discountfaktors sicher, dass das Clusterüberwachen bei der Anpassung der Geschwindigkeit der Entwicklung des Ausrüstungsbetriebszustandverhaltens wirkt. Zweitens sieht das DPF vor, verschiedene exponentielle Discountingfaktoren für verschiedene Cluster zu erlauben, um das Verhalten der diagnostischen Maschine weiter zu verbessern. Der Discountingfaktor wird auf Basis einer objektiven Funktion optimiert, die eine generalisierte statistische Abstands (auch als Mahalanobis Abstand bezeichnet) Kostenfunktion im dominanten PC-Raum verwendet.

Das DPF kann als aus vier verschiedenen Verfahren bestehend betrachtet werden. Das erste ist die automatisierte Dimensionsreduktion, wie oben diskutiert. Das zweite ist eine multivariate und univariate Charakterisierung des sich entwickelnden Ausrüstungsverhaltens. Multivariate adaptive Clusterverfahren versuchen, natürlich inhärent unterschiedliche Betriebzustände und Verhalten distinkt zu charakterisieren. Im Gegensatz dazu versucht die univariate Signal-/Merkmalsumhüllungs-Technik, das sich entwickelnde Ausrüstungsverhalten durch separate Modellierung jedes vielversprechenden Signal/Merkmals zu repräsentieren. Das dritte Verfahren ist die Detektion abnormalen Verhaltens durch Verwendung einer Diagnose-Maschine, und das vierte Verfahren umfaßt eine Prognose-Maschine, welche die verbleibende Einsatzlebensdauer abschätzt.

Die Erfindung schafft auch ein Verfahren für die vorhergesagte Wartung einer Maschine, welches das Sammeln von Daten, die sich auf Betriebsweisen der Maschine beziehen, umfaßt. Mindestens einige der Daten werden in Merkmalsvektoren in einem ersten Merkmalsraum transformiert. Mindestens einige der Merkmalsvektoren werden standardisiert, wodurch standardisierte Merkmalsvektoren in einem standardisierten Merkmalsraum kreiert werden. Mindestens einige der standardisierten Merkmalsvektoren werden in zweidimensionale Merkmalsvektoren in einem zweidimensionalen Merkmalsraum transformiert. Mindestens einige der zweidimensionalen Merkmalsvektoren werden geclustert, abhängig von der Ähnlichkeit zwischen den zweidimensionalen Merkmalsvektoren. Dieses bildet mindestens einen zweidimensionalen Vektorcluster. Zusätzliche Daten, die sich auf die Betriebsweise der Maschine beziehen, werden dann gesammelt. Mindestens einige der zusätzlichen Daten werden in zusätzliche Merkmalsvektoren im ersten Merkmalsraum umgewandelt. Mindestens einige der zusätzlichen Merkmalsvektoren werden standardisiert, wodurch zusätzliche standardisierte Merkmalsvektoren im standardisierten Merkmalsraum kreiert werden. Mindestens einige der zusätzlichen standardisierten Merkmalsvektoren werden in zusätzliche zweidimensionale Merkmalsvektoren im zweidimensionalen Merkmalsraum transformiert. Mindestens einige der zusätzlichen zweidimensionalen Merkmalsvektoren werden hinsichtlich des mindestens zweidimensionalen Vektorclusters analysiert, um eine Wartungsvorhersageinformation für die Maschine zu liefern.

Die Erfindung schafft auch ein Verfahren für die vorhergesagte Wartung einer Maschine, welches das Sammeln von Merkmalsdaten für die Maschine während des Maschinenbetriebs umfaßt. Die Merkmalsdaten umfassen mehrere Merkmalsvektoren. Mindestens einige Merkmalsvektoren werden standardisiert, um Kompatibilität zwischen den standardisierten Merkmalsvektoren zu erleichtern. Mindestens einige standardisierten Merkmalsvektoren werden in entsprechende zweidimensionale Merkmalsvektoren transformiert. Mindestens einige der zweidimensionalen Merkmalsvektoren werden geclustert, abhängig von den Betriebszuständen der Maschine, wodurch viele zweidimensionale Betriebszustände Cluster gebildet werden. Zusätzliche Merkmalsdaten werden während des Maschinenbetriebs gesammelt. Die zusätzlichen Merkmalsdaten umfassen mehrere zusätzliche Merkmalsvektoren. Mindestens einige der zusätzlichen Merkmalsvektoren werden standardisiert, und mindestens einige der zusätzlichen standardisierten Merkmalsvektoren in entsprechende zusätzliche zweidimensionale Merkmalsvektoren transformiert. Ein Algorithmus wird auf mindestens einige der zusätzlichen zweidimensionalen Merkmalsvektoren angewendet, um einen Vergleich zwischen dem Betrieb der Maschine dann, als die Merkmalsdaten gesammelt wurden und dem Betrieb der Maschine, als die zusätzlichen Merkmalsdaten gesammelt wurden, zu erleichtern. Dies schafft eine Wartungsvorhersageinformation für die Maschine.

Die Maschine schafft ferner ein Verfahren zur Wartungsvorhersage für eine Maschine, welches das Sammeln von Merkmalsdaten für die Maschine, definieren von Merkmalsvektoren aus den Merkmalsdaten, Standardisieren der Merkmalsvektoren und Clustern der standardisierten Merkmalsvektoren auf Basis der Betriebszustände der Maschine umfaßt. Die standardisierten Merkmalsvektoren werden in entsprechende zweidimensionale Merkmalsvektoren transformiert, welche sodann, mindestens auf Basis der Betriebszustände der Maschine, geclustert werden. Das Verfahren umfaßt auch rekursive Analyse neuer Merkmalsdaten bezogen auf mindestens einige der Cluster, wodurch eine Wartungsvorhersageinformation für die Maschine geschaffen wird.

Nachfolgend wird die Erfindung anhand bevorzugter Ausführungsformen näher erläutert, auf die sie keinesfalls beschränkt ist, unter Bezugnahme auf die Zeichnung erläutert. Darin zeigt:
1 ein Flußdiagramm eines Abschnitts eines Verfahrens gemäß der Erfindung;
2 eine schematische Zeichnung der cluster-basierten Struktur des in 1 beschriebenen Verfahrens;
3 ein Flußdiagramm eines weiteren Abschnitts des in 1 beschriebenen Verfahrens;
4 eine schematische Zeichnung, der cluster-basierten Struktur des in 3 beschriebenen Verfahrens;
5 eine Tabelle der Resultate von Tests, die unter Verwendung des PdM-Agenten-Algorithmus gemäß der Erfindung durchgeführt wurden, mit Vorhersage eines Typ-1-Versagens;
6 eine Auftragung der Resultate von Test, durchgeführt unter Verwendung es PdM-Agent-Algorithmus gemäß der Erfindung, mit Vorhersage eines Typ-2-Versagens; und
7 ein Flußdiagramm, einer weiteren Ausführungsform eines erfindungsgemäßen Verfahrens.
Die 1 zeigt ein Flußdiagramm 10, eines Teils eines Verfahrens, das durch einen PdM-Agenten gemäß der Erfindung eingesetzt wird. Es bestehen zwei Ausführungsphasen im PdM-Agent-Algorithmus – eine Initialisierungsphase und eine Überwachungsphase. Beide Phasen basieren auf unüberwachtem Lernen. Die Initialisierungsphase, wie in 1 gezeigt, ist optional; nichtsdestoweniger kann ihre Durchführung eine positive Wirkung auf das Verhalten des Lernalgorithmus in der Überwachungsphase haben. Während der Initialisierungsphase werden Initialisierungsbetriebszustände identifiziert und ihre entsprechenden Parameter in einem Batchmodus berechnet. Sobald die Initialisierungsphase durchgeführt wurde, tritt der PdM-Agent in die Überwachungsphase ein, die unten beschrieben wird.
Vor den Initialisierungs- und Überwachungsphasen liegt eine Merkmalsextraktionsphase, wobei ein Satz Merkmale aus dem Zeitdomänesensorsignal extrahiert wird. Beispielsweise kann eine Maschine, wie eine Ventilator, Kompressor, Pumpe etc. einen oder mehrere Sensoren an sich befestigt haben, die so eingerichtet sind, daß sie Schwingungen beim Betrieb der Maschine überwachen. Um die Schwingungen zu überwachen, sollten ein oder mehrere Beschleunigungsmesser oder andere Vibrationsmeßvorrichtungen verwendet werden. Bemerkenswerterweise können, obwohl die hier gegebenen exemplarischen Erläuterungen Vibration zur Bestimmung von Maschinenmerkmalen beispielhaft erläutern, andere Typen von Maschinendaten verwendet werden. Beispielsweise kann ein Stromsensor verwendet werden, um Änderungen des von der Maschine während verschiedener Betriebsweise gezogenen Stroms zu messen. In ähnlicher Weise könnte ein Thermoelement oder eine andere Art Temperatursensor eingesetzt werden, um Änderungen in der Temperatur eines Abschnitt der Maschine zu detektieren. Die Maschinengeschwindigkeit oder das Drehmoment könnte ebenfalls gemessen werden, um Daten über die Betriebsweise der Maschine zu schaffen.
Abhängig vom Typ des eingesetzten Sensors oder Sensoren kann das Rohsignal selbst dazu, als Merkmal verwendet werden, demzufolge müsste kein Merkmalsextraktionsverfahren durchgeführt werden. Alternativ kann das Rohsignal in einem Merkmalsextraktionsschema verwendet werden, um die Daten in die geeignete Form zu bringen. Beispielsweise können, wie oben beschrieben, aus den Vibrationsdaten für eine sich drehende Maschine die Zeitdomänemerkmale, Frequenzdomänemerkmale, Energiemerkmale oder ein Geschwindigkeitsamplitudenspektrum extrahiert werden. Die Transformation der Rohdaten in einen Merkmalsvektor könnte die Anwendung einer statistischen Gleichung umfassen, wie beispielsweise die quadratische Mittelwert- (RMS) Bestimmung der Rohdaten oder Anwendung einer schnellen Fourier Transformation (FFT) auf die Daten. Die Konfiguration des Merkmalssatzes wird durchgeführt, wenn der PdM-Agent konfiguriert wird. Resultat der Merkmalsextraktionsphase ist ein K-dimensionaler Merkmalsvektor.
Während der Initialisierungsphase sammelt der PdM-Agent neue Daten, bis eine vorherbestimmte Anzahl Merkmalsvektoren, N, für die Agenteninitialisierung erreicht wird. Die untere Grenze für N wird aus der Minimalzahl unabhängiger Parameter für die Merkmalskovarianzmatrix abgeschätzt, d. h. die minimale Anzahl Schritte beträgt: Nmin = K(K – 1)/2. wobei K die Dimension des Merkmalsvektors ist. Wenn mindestens Nmin Datenablesungen gesammelt sind, werden sequentiell die nachfolgenden Aufgaben durchgeführt, wie im Flussdiagramm 10 in 1 dargestellt.
Der PdM-Agent kann sich in einer oder mehreren Steuerungen befinden, die Teil eines größeren Informationssystems zum Sammeln und Verarbeiten von Informationen über Ausrüstung und Verfahren in einer Fabrik oder anderen Anlage sind. Bei der in 1 dargestellten Ausführungsform umfaßt das Informationssystem eine Datenbank 12, zur Speicherung gesammelter Daten für Zugriff durch den PdM-Agenten. Bei Schritt 14 werden Daten gesammelt und Merkmale extrahiert, beispielsweise wie oben beschrieben. Bei Schritt 16 wird bestimmt, ob die vorherbestimmte Anzahl Merkmalsvektoren (N) erreicht wurde. Falls nicht, kehrt der Prozess in einer Schleife zurück, um weitere Daten zu sammeln und weitere Merkmale zu extrahieren. Wenn der Datenzähler N erreicht hat, fährt der Prozeß bei Schritt 18 fort.
In Schritt 18 findet die Merkmalsnormisierung und Dimensionsreduktion statt, wie in 1 gezeigt, diese können in einem Batchmodus durchgeführt werden. Die Merkmalsnormisierung kann mathematisch wie folgt repräsentiert werden: Man nehme an, dass (N) Observationen gesammelt sind und Y^R(k) ein zweidimensionaler Rohmerkmalsvektor ist. Um sicherzustellen, dass alle Merkmale in der gleichen Größenordnung in ihren Variationen sind, unabhängig von ihren verschiedenen physikalischen Bedeutungen, werden die Merkmalsvektoren wie folgt standardisiert: Y(k) = (Yi R (k) – Yi *)/σi, i = [1, K] (1) wobei
Y^* und σ sind die Vektoren der Mittleren und der Standardabweichung der einzelnen Merkmale, und Y(k) ist der standardisierte Merkmalsvektor.
Um die Dimension der Merkmalsvektoren zu reduzieren, wird eine Hauptkomponententransformation zur Extraktion der ersten beiden Hauptkomponenten der standardisierten Merkmalsvektoren angewendet. Diese Dimensionsreduktion erleichtert auch die Klassifizierung der Merkmalsvektoren in Clustern, entsprechend den während der Initialisierungsphase beobachteten Hauptbetriebszuständen. Die Anwendung einer Einzel-Wertezerlegung (SVD) auf die Kovarianzmatrix (S) führt zu: S = V·A·T' (4)
Die beiden ersten Spalten T⁽¹²⁾ der Transformationsmatrix T definieren eine Abbildung aus dem standardisierten Merkmalsvektorraum in den 2-D PC Raum: Y(k) = Y(k)·T(12) (5)wobei y(k) der standardisierte Merkmalsvektor im 2-D PC Raum ist.
Im Schritt 20 tritt Clustering auf Basis einer Ähnlichkeit zwischen den Merkmalsvektoren auf, beispielsweise auf Basis der Betriebszustände der Maschine. In einem derartigen Fall werden Betriebszustand (OM) Cluster identifiziert und OM-Cluster-Indizes generiert. Die standardisierten Merkmalsvektoren können gemäß irgendwelchen Kriterien geclustert werden, die wirksam sind, um die Diagnostik und/oder Prognose der beobachteten Maschine zu erleichtern. Clustering entsprechend einem Betriebszustand – wie des Anlaufens und des normalen oder Leerlauf Betriebszustands – 1 – kann besonders günstig sein, insofern als verschiedene Daten von einem Betriebszustand zum anderen erwartet werden, aber ähnliche Daten vom gleichen Betriebszustand zu unterschiedlichen Zeiten erwartet werden können. Dies ermöglicht einen Datenvergleich, welcher dazu eingesetzt werden kann, Maschinenanomalitäten vorherzusagen.
Der in Schritt 20 illustrierte Prozess identifiziert eine unbekannte Anzahl bestehender OM-Cluster und initialisiert jeden identifizierten OM-Clusterparameter. Dazu kann jede Anzahl Algorithmen angewendet werden. Beispielsweise kann ein Greedy Erwartungsmaximierungs-Clustering-Algorithmus angewendet werden, um die Anzahl Cluster entsprechend verschiedenen Betriebszuständen zu identifizieren. Der Greedy Erwartungsmaximierungs-Algorithmus kann auf eine Inkrement-Mischungsdichteabschätzung gestützt werden und eine Kombination einer globalen und einer lokalen Suche, immer dann, wenn eine zufällige neue Komponente in die Mischung eingeführt wird, einsetzen, um optimale Mischungen zu erhalten.
Ein weiterer einsetzbarer Algorithmus, ist ein Mounting-Clustering-Algorithmus. Der Mounting-Clustering-Algorithmus wird auf die (N) transformierten 2-D-Merkmalsdatenpunkte y(k) angewendet, k = [1, N], die in Schritt 18 erhalten werden. Das Resultat des Clusterinalgorithmus ist die Anzahl OM-Cluster, m, die mittlere und Kovarianzmatrix y^* _(j) und s_(j), und der Zugehörigkeitsvektor n_(i), j = [1, m] der 2-D-Merkmalsvektoren y(k), bezogen auf jeden OM-Cluster. Die Zugehörigkeitsvektoren n_(i) werden dazu verwendet, die Prototyp-OM-Cluster im standardisierten Merkmalsraum zu initialisieren. Demzufolge werden die für die OM-Cluster im standardisierten Merkmalsraum, die Merkmalsvektoren Y_(j), für jeden Betriebszustand und die Mittelwert- und Kovarianzmatrix y^* _(j) und s_(j) erhalten.
Die Anwendung dieses Algorithmus erleichtert die Standardisierungsverbesserung durch Anwendung der Ausdrücke (1)–(3) auf jeden Betriebszustand. Ein Grund für die Durchführung des Clusterings im PC-Raum, {y(k), k = [1, N]}, anstelle des Domänenraums, {Y(k), k = [1, N]}, ist, das Resultat zu visualisieren und die Bedeutung der identifizierten Cluster zu überprüfen. Der Mounting-Clustering- Algorithmus wird nur während der Initialisierungsphase angewendet. In der folgenden Überwachungsphase wird ein Entstehen der OM-Cluster und Wachsen der Anzahl derselben erlaubt, welches potentielle neue Betriebszustände reflektiert. Dies bedeutet, dass mit jedem neuen Merkmalsvektor die Anzahl der OM-Cluster (m) und ihre Mittelwert- und Kovarianzmatrices Y^* _(j), S_(j), j=[1, m], aktualisiert werden.
Die Transformationsmatrix T_(j) ⁽¹²⁾ eines speziellen Betriebszustandes mit ihrer einzigartigen Basis, definiert durch die ersten beiden PC-Komponenten, wird sodann aus den OM-Kovarianzmatrices S_(j) gemäß den Ausdrücken (4) und (5) abgeleitet. Die 2-D-Bilder Y_(j) der Merkmalsvektoren von Y_(j) werden durch eine PC-Transformation mit T_(j) ⁽¹²⁾ und Ausdruck 5 erhalten. Dies ist die in Schritt 20 gezeigte Hauptkomponentenanalyse (PCA) Transformation. Die Mittelwert und inverse Kovarianzmatrix y^* _(j) und s –1 / (j), die zu jedem der beiden 2-D-OM-Cluster gehören, können direkt aus y_(j), erhalten werden.
In Schritt 22 werden Betriebsbedingungs (OC) Cluster gebildet und die Mittelwert und Kovarianzmatrix aus jedem Merkmalsvektor bestimmt. Die Betriebsbedingungen, die dazu verwendet werden, die zusätzlichen Cluster zu bilden, können auf alternativen Betriebsbedingungen innerhalb eines individuellen Betriebszustands basiert werden. Demzufolge wird, falls während des Anlaufens verschiedene Betriebsbedingungen auftreten, die durch die Datensammlung detektiert werden, Daten, die mit einer speziellen Betriebsbedingung in Beziehung stehen, in ein OC-Cluster geclustert.
Es wird angenommen, dass jeder Betriebszustand mit einer Betriebsbedingung beginnt, welche durch ihre Mittelwert und inverse Kovarianzmatrix y^* _(j).OC(1) und s –1 / (j).OC(1) charakterisiert werden, die am Anfang identisch mit den entsprechenden OM-Clusterparametern sind, nämlich: y* (j).OC(1) = y* (j) s–1(j).OC(1) = s–1(j) (6)
Nach der Initialisierung aller identifizierten OM-Cluster werden die nachfolgenden Parameter bei Auftreten neuer Ablesungen aktualisiert:
OM-Cluster: y^*, S, y^* und s^–1
OC-Cluster: y^* _OC und s^* _OC
Die in 1 beschriebenen Schritte werden schematisch in 2 illustriert. Am Beginn des Diagramms werden die Merkmalsvektoren 24 standardisiert und in OM-Cluster 26, 28, 30 gruppiert, wobei der Cluster 30 der m-te Cluster ist. Die Cluster 26, 28, 30 befinden sich im Merkmalsraum, der ein K-dimensionaler Raum ist. Im unteren Abschnitt der 2 werden die standardisierten Merkmalsvektoren in den 2-D-Raum transformiert, welches zu 2-D-OM-Clustern 32, 34, 36 führt, wobei das Cluster 36 der m-te Cluster ist. Innerhalb der 2-D-OM-Cluster befinden sich die OC-Cluster 38, 40, 42, 44, 46 48. Wie in 2 gezeigt, müssen nicht alle OM-Cluster notwendigerweise die gleiche Anzahl OC-Cluster enthalten.
Die 1 und 2 beschreiben und illustrieren die Initialisierungsphase des PdM-Agenten. Auf ähnliche Weise beschreiben die 3 und 4 und illustrieren die Überwachungsphase des PdM-Agenten. 3 zeigt ein Flussdiagramm 50 der gleichen Datenbasis 12 wie die Initialisierungsphase, die in 1 gezeigt ist. Während ständig neue Merkmalsdaten gesammelt werden, tritt der PdM-Agent in die Überwachungsphase ein, in der alle Clusterparameter rekursiv aktualisiert werden, und ein bedingungsabhängiges Überwachen wird durch kontinuierliche Evaluation der Position des Merkmalsvektors hinsichtlich der OM- und OC-Cluster durchgeführt. Entscheidungen für möglicherweise anstehende und drastische Fehlerkonditionen werden ebenfalls automatisch generiert.
Wie oben bemerkt, ist die Initialisierungsphase optional, kann aber für das Schaffen von Anfangsclustern günstig sein, die mit den neuen Daten, wie in Schritt 14' gesammelt – verglichen werden könnten. In Schritt 52 wird der in Schritt 14' extrahierte Merkmalssatz normalisiert und dimensionsreduziert. Dies wird unter Bezug auf alle (w.r.t.) OM-Cluster, die in der Initialisierungsphase gebildet werden, durchgeführt. Falls die Initialisierungsphase ausgelassen wird, wird Schritt 52 der 3 immer noch durchgeführt, obwohl dann noch keine OM-Cluster gebildet worden sind. Demzufolge würde die Überwachungsphase die Bildung mindestens eines OM-Clusters benötigen, oder es könnte ein Cluster zum Zweck des Fortschreitens zu Schritt 54 angenommen werden. Beispielsweise wird angenommen, dass (m) OM-Cluster bereits identifiziert wurden. Der neue Rohmerkmalsvektor, Y^(R)(k+1) wird gemäß Ausdruck 1 standardisiert und auf jedes bestehende OM-Cluster unter Verwendung von (5) aufgetragen. Die Resultat sind (m) distinkte Bilder y_(j)(k+1) von Y^(R)(k+1) in den verschiedenen Räumen entsprechend den (m) OM-Clustern.
In Schritt 54 werden mehrere Berechnungen und/oder Bestimmungen durchgeführt. In diesem Schritt wird die Ähnlichkeit zwischen dem neuen Merkmalsvektor und jedes bestehenden Betriebszustandes evaluiert. Dies wird durchgeführt, indem der Mahalanobis-Abstand des neue Merkmalsvektors zu den (m) Clusterzentren der 2-D-OM-Cluster überprüft wird: zj = y(j)(k + 1) – y* (j) Dj(k + 1) = zj·s–1(j) ·zj ', j = [1, m] (7)
Angenommen, dass beispielsweise i_m der nächste OM-Cluster ist, nämlich: iM = arg minj(Dj(k + 1)) (8)
Die Signifikanz der Ähnlichkeit zwischen dem Bildvektor
und dem Cluster wird ferner validiert, indem die Bedingung: D(k + 1) < 11.829 (9)überprüft wird. Bedingung (9) wird aus der T² Hotelling's Statistik abgeleitet:
χ² _p,α ist (1 – α) Wert der Chi-Quadrat Verteilung mit p Feinheitsgraden und α ist die Wahrscheinlichkeit eines Fehlalarms, beispielsweise χ² _{2, 0.0027} = 11.8290, χ² _{3, 0.0027} = 14.1563, während χ² _{1, 0.0027} = 9 der wohlbekannten +/– 3 σ Grenzregel für den Fall einer Einzelausgabe entspricht.
Es gibt zwei potentielle Ergebnisse der in Gleichung 9 beschriebenen Bedingung, welche sodann entweder zu Schritt 56 oder Schritt 58 führt. Wenn die Gleichung 9 erfüllt ist, wird eine neue Ablesung Y^(R) (k+1) angenommen, um der Verteilung zu folgen, die mit dem i_M-ten OM-Cluster mit sehr hoher Wahrscheinlichkeit assoziiert ist. In diesem Falle fährt das Verfahren in Schritt 56 fort. Falls die Gleichung (9) nicht erfüllt wird, wird angenommen, dass der nächste bestehende Betriebszustand keine signifikanten Ähnlichkeiten mit der aktuellen Ablesung besitzt. Demzufolge fährt der Algorithmus in Schritt 58 fort, wo die aktuelle Ablesung zeitweilig als Ausreißer markiert wird, und die Möglichkeit, einen neuen Betriebszustandscluster zu kreieren, wird in Betracht gezogen.
Falls der Algorithmus in Schritt 56 fortfährt, wird der geeignete OM-Cluster aktualisiert. In Schritt 56 wird der i_M-te OM-Cluster als aktueller Betriebszustand auf Basis der Ähnlichkeit zwischen dem zugehörigen i_M-ten OM-Cluster und dem Merkmalsvektor Y^(R)(k+1) identifiziert. Demzufolge werden die Parameter im i_M-ten OM-Cluster rekursiv unter Verwendung des standardisierten Merkmalsvektors
und seines 2-D-Bildes
aktualisiert:
In Schritt 60 wird die Ähnlichkeit zwischen dem 2-D-Bild des Merkmalsvektors aus dem i_M-ten OM-Cluster
und der Mittelwert der (p_t) OC-Cluster y * / (j).OC(t) t = [1, p_t] überprüft. Die Ausdrücke (7)–(9) werden angewendet, um den nächsten OC-Cluster zu bestimmen, außer dass nun mit
und y * / (j).OC(t) und den entsprechenden Mahalanobis Abständen (d), gearbeitet wird. Unter der Annahme, dass i_C der nächste OC auf Basis des Ausdrucks (8) ist und der entsprechende Mahalanobis Abstand
durch die Gleichung (9) begrenzt wird, wird angenommen, dass
der Verteilung des i_C-ten OCs mit hoher Wahrscheinlichkeit folgt. In diesem Falle werden,
die mittlere und inverse Kovarianzmatrix, die den i_C-ten OC definieren, gemäß den Ausdrücken (15) und (16) aktualisiert. Die aktuellen und vorhergehenden Werte des OC-Clusterzentrums
werden im nächsten Schritt verwendet, um ein Echtzeitmodell der Clusterdynamik zu aktualisieren, um unmittelbar bevorstehende Versagen vorherzusagen.
Falls die Gleichung (9) bei Schritt 60 erfüllt wird, fährt der Algorithmus in Schritt 62 fort, wo ein autoregressives Modell des
OC-Clusters aktualisiert wird. Der Zweck dieses Modell besteht darin, die Dynamik des speziellen Clusters über die Zeit zu verfolgen, um es dem PdM-Agenten zu ermöglichen, die Wahrscheinlichkeit einer Bewegung des OC-Clusters in Richtung der Grenze seines entsprechenden OM-Clusters vorherzusagen. Dieser Ereignistyp konstituiert einen möglichen drastischen Fehler. Demzufolge wird die Dynamik der OC-Cluster verwendet, um unmittelbar bevorstehende Versagen vorherzusagen. Die Clusterzentrumsdynamik wird durch die lineare Gleichung eingefangen:
wobei
das neueste Clustercenter aus dem i_C-ten OC-Cluster ist und der Vektorθ aus dem vorhergehenden Werten des i_C-ten OC-Zentrums besteht. Der Kalman-Filter-Algorithmus wird angewendet, um die mittlere quadratische Lösung φ(t) des dynamischen Systems abzuschätzen:
wobei ξ(t) das Gauss'sche weiße Rauschen repräsentiert:
Der Vektor der Modellparameter φ für jeden OC-Cluster wird innerhalb des PdM-Agenten für spätere Aktualisierungen aufbewahrt. Vorhersage für mehrere Schritte für das kürzlich aktualisierte OC-Clustercenter werden durchgeführt, um die Wahrscheinlichkeit für einen speziellen OC-Cluster zu bestimmen, dass er sich in Richtung der Grenze des ihn umschließenden OM-Clusters bewegt – was bevorstehendem Versagen entspricht. Allgemein werden die zweidimensionalen Merkmalsvektoren gegenüber den zweidimensionalen Merkmalsclustern analysiert, um eine Wartungsinformationsvorhersage für die Maschine zu liefern.
Falls die vorhergesagte Trajektorie des
OC-Cluster sich der Grenze des i_m-ten OM-Clusters nähert, wird angenommen, dass dies eine Anzeige dafür ist, dass unmittelbar anstehende Änderungen zu einem signifikant anderem Zustand führen können, demzufolge zu fehlerhaften Bedingungen – d. h. einem Typ 1 (anstehenden) Fehler. Dies wird nachstehend unter Bezugnahme auf 4 diskutiert. Falls der Abstand d(i_C) nicht durch den Ausdruck (10) begrenzt ist, wird ein neues OC auf Basis von
kreiert, um das Auftreten eines potentiell neuen OC-Clusters zu berücksichtigen.
Wieder zurückkehrend zu Schritt 60 in 3 wird dann, wenn die Gleichung (9) nicht erfüllt ist, der Algorithmus zu Schritt 64 fortschreiten, wo ein neues OC-Cluster initialisiert wird. Falls die Gleichung (9) nicht erfüllt ist, bedeutet dies, dass der standardisierte Merkmalsvektor Y(j+1) zu keinem der bestehenden OM-Cluster gehört und vorübergehend als Ausreißer markiert. Wenn spätere neue Ablesungen in diese Kategorie fallen, ist dies ein Zeichen dafür, dass ein neues OM auftaucht und die Ablesungen werden dazu verwendet, ein neues OM-Cluster gemäß den Ausdrücken (1)–(6) zu initialisieren. Das konsekutive Auftreten neuer OC-Cluster zeigt an, dass die Dynamik des Überwachungsprozesses dramatisch und schnell Änderungen erfahren hat. Demzufolge wird dieser als ein Typ 2 (drastischer) Fehler betrachtet.
Die in 3 beschriebenen Schritte werden schematisch in 4 dargestellt. An der Spitze des Diagramms werden neu gesammelte Merkmalsvektoren 66 standardisiert und mit bestehenden OM-Clustern 26', 28' und 30' im Merkmalsraum verglichen. Wie oben diskutiert, können einige neue Merkmalsvektoren 66 nicht zu irgendeinem bestehenden OM-Cluster 26', 28', 30' gehören, wobei diese dann als Ausreißer 68, 70, 72 markiert werden. Falls das Auftreten neuer OM-Cluster nacheinander erfolgt, wie bei den Ausreißern 68, 70, 72, wird dies als ein Typ 2 Fehler, wie in 4 gezeigt, betrachtet.
Diese neuen Merkmalsvektoren, die zu einem bestehenden OM-Cluster gehören, werden im 2-D-Raum aufgetragen, wie oben beschrieben und in 4 gezeigt. Innerhalb eines vorgegebenen OM-Clusters kann der neue Merkmalsvektor auch innerhalb eines bestehenden OC-Clusters aufgetragen werden. Diese Auftragung kann zur Bewegung des OC-Clusters führen und, abhängig von dem Typ der Bewegung einer Anomalität oder Fehler in der Maschine anzeigen. Beispielsweise hat die Auftragung der neuen Merkmalsvektoren zu einer Bewegung des OC-Clusters 38' in Richtung der Grenze des OM-Clusters 32' geführt. Bei Erreichen der Grenze wird ein anstehender Fehler angezeigt. Umgekehrt führte die Auftragung der neuen Merkmalsvektoren auch zu einer Bewegung des OC-Clusters 48'; diese Bewegung ist aber auf die bestehenden Grenzen des OM-Clusters 36' beschränkt. Demzufolge wird diese Bewegung als ein normaler Maschinenzustand betrachtet. Das Ergebnis des PdM-Agenten-Algorithmus kann dem Anlagenbodenpersonal und anderen Entscheidungsträgern über graphische Anzeigen oder andere Ausgabekonfigurationen mitgeteilt werden, welche die Interpretation der Information vereinfachen.
5 und 6 illustrieren die Resultate von Tests unter Verwendung des PdM-Agenten-Algorithmus, und wie dieser eine Vorhersageinformation über bevorstehende Maschinenanomalitäten oder Versagen liefert. Beispielsweise zeigt 5 einen OM-Cluster 65, der durch Anwendung des PdM-Algorithmus auf aus Lagern einer betriebenen Maschine gesammelte Schwingungsdaten generiert wurde. Innerhalb des OM-Clusters 65 bestehen drei unterschiedliche OC-Cluster 67, 69, 71. Die Linie 73 illustriert die vorhergesagte Verschiebung des Zentrums des OC-Clusters 71. Wie in 5 gezeigt, bewegt sich das vorhergesagte Zentrum in Richtung der Grenze des OM-Clusters 65 und schließlich aus diesem heraus. Die Bewegung in Richtung der Grenze des OM-Clusters ist eine Anzeige dafür, dass ein unmittelbar bevorstehender Typ1 Fehler vorliegt und wahrscheinlich ein Versagen auftritt. Diese Vorhersage tritt geraume Zeit vor dem tatsächlichen Versagen auf, wodurch Präventionsmaßnahmen vor dem aktuellen Komponentenversagen erleichtert werden.
Ähnlich zeigt 6 durch Anwendung des PdM-Agenten-Algorithmus auf Schwingungsdaten generierte Datenpunkte. Entlang der Ordinate des Graphen (OM-Zuordnung) befinden sich die mit verschiedenen OM-Clustern assoziierten Zahlen. Die meisten der Datenpunkte liegen auf relativ langen horizontalen Linien, was angibt, dass sie in eines der OM-Cluster, die aus den Daten generiert wurden, passen. Einige der Datenpunkte bilden eine viel kürzere Linie, dies zeigt aber an, dass diese Punkte nicht zu irgendeinem OM-Cluster gehören – s. beispielsweise OM-Zuordnungen 7-12. Wie die Punkte 68, 70, 72 in 4 sind die Punkte in diesen OM-Zuordnungen Ausreißer und zeigen einen anstehenden Typ 2 (drastischen) Fehler an. Tatsächlich sagt der PdM-Agent einen drastischen Fehler entlang der Linie voraus, an der die OM-Zuordnung 12 wäre. Diese Vorhersage tritt wiederum vor jeglichem tatsächlichen Versagen auf, wodurch eine Präventionskorrektur des Problems ermöglicht wird.
7 zeigt eine weitere Ausführungsform eines erfindungsgemäßen Verfahrens. Insbesondere zeigt die 7 ein Flussdiagramm 74 der Basiselemente eines Diagnostik- und Prognosegerüsts (DPF), das, wie der oben beschriebene PdM-Agent, für die Wartungsvorhersage einer Maschine verwendbar ist. Wie beim PdM-Agenten sind die Eingaben in das DPF Merkmale oder Rohsignale – siehe Block 76. Im weiteren Sinne nimmt das DPF zwei Wege: einen Diagnoseweg und einen Prognoseweg. Der Diagnoseweg wird durch die Diagnosemaschine 78 angetrieben, die mehrere Verfahren umfaßt.
Um eine Verwechslung mit dem oben beschriebenen PdM-Agenten zu vermeiden, wird das DPF nun unter Verwendung geringfügig unterschiedlicher Bezeichnungen für die Vektoren, Mittelwert und Kovarianzmatrices, beschrieben. DPF verwendet ein Clusterverfahren im zweidimensionalen Hauptkomponentenraum, um potentiell unterschiedliche Ausrüstungs-Betriebsweisen zu detektieren und zu charakterisieren. Es kann beispielsweise Clusterbildung aus Kern-Dichte-Abschätzung stützen, als auch Clustern auf Basis eines Gauss'schen Mischmodells. Sobald Clusterbildung durchgeführt wird, wird jeder Cluster (i) unter Verwendung eines mittleren Vektors (μ_i) und einer Kovarianzmatrix (Σ_i) charakterisiert, die ein zwei Tupel (μ_i, Σ_i) bilden.
Wie beim PdM-Agenten verwendet das DPF die Rohdaten oder Merkmale und führt eine Dimensionsreduktion aus einem Merkmalsraum in einen 2-D-Raum durch, siehe Schritt 80. Zusätzlich kann auch der Schritt 82 durchgeführt werden, wie beim PdM-Agenten. Allgemein verwendet der Diagnoseweg drei Analyseverfahren: (a) Diagnose auf Basis von Klassifikation (genannt
), ein multivariantes Multibasisklassifizierungssystem, (b) Diagnose auf Basis der Merkmals/Signal Umhüllenden (genannt
), ein univariates Umhüllungssystem, und (c) Diagnose, basierend auf der Geschwindigkeitsschwelle (genannt
).
Diese drei Domänen tragen zum Gesamtdiagnoseresultat bei. Das Diagnoseresultat ist eine Zahl, genann „Ernsthaftigkeitseinschätzung", S_R, die durch einen Wahl-Algorithmus, wie folgt, berechnet wird: r_c bezeichne den Beitrag von
zu S_R (0 ≤ r_c ≤ 1), r_spc bezeichne den Beitrag von
zu S_R (0 ≤ r_scp ≤ 1), und r_v bezeichne den Beitrag von
zu S_R (0 ≤ r_v ≤ 1), dann wird S_R wie folgt berechnet: SR = wcrc + wspcrspc + wvrv, 0 ≤ SR ≤ 1wobei w_i(0 ≤ w_i ≤ 1) die jeder der drei Diagnoseentscheidungsdomänen zugeordneten Gewichtungen sind. In Abwesenheit jeglicher Kenntnis, welche Domäne bessere Diagnose liefern könnten, können alle w_i ^s = als gleich gesetzt werden, hier auf ein Drittel (1/3). Diese drei Analyseverfahren, wie in 7 gezeigt, sind in den Blöcken 84, 86, 88 dargestellt.
Bei der auf der Klassifizierung basierenden Diagnostik, die in Block 84 gezeigt ist, ordnet das DPF einen neuen Merkmalsvektor bestehenden Clustern auf Basis der kleinsten generalisierten statistischen Distanz (auch als Mahalanobisabstand bezeichnet) zu:
Die Klassifizierung wird nach Dimensionsreduktion im zweidimensionalen PC-Raum durchgeführt. Das DPF verwendet ein exponentiell gewichtetes beweglichen Durchschnitt bildendes Verfahren für rekursive Abschätzung der Mittelwerte und Kovarianzmatrices. Für das Merkmal (j) unter Verwendung der neuen Beobachtung (x_j) sind die rekursiven Abschätzungsausdrücke (verwendet zur Konstruktion der Merkmalsumhüllenden): μ ^j(new) = αμ ^j(old) + (1 – α)xj(new) (20) σ ^2j(new) = ασ ^2j(old) + (1 – α)(xj(new) – μ ^j(old))T(xj(new) – μ ^j(old)) (21)
Für den vollständigen Merkmalsvektor (X) sind die rekursiven Abschätzungsausdrücke (zum Aktualisieren der PC Basis): μ ^(new) = αμ ^(old) + (1 – α)X(new) (22) Σ ^(new) = αΣ ^(old) + (1 – α)(X(new) – μ ^(old))T(X(new) – μ ^(old)) (23)
Wie der PdM-Agent bestimmt die Diagnose auf Basis der Klassifizierung, ob ein vorgegebener Merkmalsvektor oder Datenpunkt sich innerhalb eines bestehenden Clusters, C_i befindet, oder ob es ein Ausreißer ist. Ein Kriterium, einen Punkt als Ausreißer zu bezeichnen ist:
Dies setzt voraus, dass X_new sich nicht innerhalb der Q % (beispielsweise ≥ 99%) Wahrscheinlichkeitskontur von N(μ_j, Σ_j) befindet, sondern immer noch näher am Cluster (j) als an irgendeinem anderen Cluster in den Termini der generalisierten statistischen Abstandes, wobei der Datenpunkt gegenüber dem Cluster (j) als Ausreißer bezeichnet wird.
Drei verschiedene Fälle werden hier für Diagnosezwecke betrachtet:

(i) Punkt X_new gehört zum Cluster C_i: Falls dieses Kriterium erfüllt ist, wird der Punkt als innerhalb der Normalverhaltensgrenzen betrachtet und das Diagnoseresultat wird als normal betrachtet (r_c = 0);
(ii) Falls Punkt X_new ein Ausreißer von C_i ist: hier ist der Punkt außerhalb der normalen Verhaltensgrenzen und demzufolge ist es wahrscheinlich, dass das Verhalten der Ausrüstung abnormal (r_c = 0.5) ist; und
(iii) (m) aufeinanderfolgende Punkte sind Ausreißer: hier ist das System mit hoher Wahrscheinlichkeit abnormal und demzufolge wird der höchste Ernsthaftigkeitsgrad in
zugeordnet (r_c = 1). Typischerweise wird m = 3 ausgewählt.

Die Signalumhüllende, bei Block 86 gezeigt, ist ein grenzwertbasiertes System und verwendet Diagnose auf Basis von Univariat Signalumhüllungen. Für jedes Merkmal/Signal werden Signalumhüllende rekursiv unter Verwendung eines ±kσ Grenzwertes konstruiert, wobei (k) ein vorhergesagter Wert auf Basis der erwünschten Umhüllenden ist. Die tatsächlichen Ausdrücke basieren auf den oben gezeigten Gleichungen (20)–(23). Ein neuer Merkmalspunkt (x_j) wird als Ausreißer betrachtet, falls:
Falls unter den (n) Merkmalen (n₁) Merkmale über die ±kσ Grenzen hinaus fallen, wird der Wert des Schwerwiegens auf r_spc = n₁/n gesetzt.
Zusätzlich zur Klassifizierungs- und Signalumhüllenden umfaßt der Diagnoseweg auch die Bestimmung von Geschwindigkeitsschwellen. Standardisierte Geschwindigkeit innerhalb individueller Cluster wird auf Basis konsekutiver Merkmalsvektoreinträge wie folgt angenommen. Falls (X₁) und (X₂) die letzten aufeinanderfolgenden Merkmalsvektoren in (Rⁿ) sind, gesammelt zu den Zeitpunkten (t₁) und (t₂), wird die standardisierte Geschwindigkeit wie folgt berechnet:
wobei Z der standardisierte Merkmalsvektor, erhalten durch die Standardisierung jedes Elements von X unter Verwendung der Formel:
Zum Einsatz von Geschwindigkeitsschwellen im Diagnoseabschnitt des DPF wird r_v der Wert von 1 zugeordnet, falls V > V_th oder sonst r_v auf 0 gesetzt. Typischerweise wird V_th auf 5 gesetzt.
Die Ausgabe 90 aus der Diagnosemaschine 78 kommuniziert mit einem Entscheidungsunterstützungssystem (DSS) 92. Das DSS 92 verwendet Diagnose/Prognoseresultate und empfiehlt notwendige Aktionen für die Wartung.
Ein DSS, wie das DSS 92, kann Computer mit vorprogrammierten Algorithmen umfassen, die so konfiguriert sind, dass sie bestimmte Ausgaben auf Basis der vom DPF empfangenen Informationen zurückliefern. Wie beim PdM-Agenten, können die Ausgaben auf Basis der DPF-Informationen in Form graphischer Anzeigen oder andere Verfahren sein, die dazu dienen, das Boden- oder anderes Entscheidungspersonal anzurufen.
Wie in 7 gezeigt, verwendet eine Prognosemaschine 96 Algorithmen ähnlich der Diagnosemaschine 78, wobei ähnliche Prozesse mit dem (') Symbol bezeichnet werden. Ein Unterschied der Prognosemaschine besteht darin, dass die Eingaben auf vorhergesagten Signalen beruhen – siehe Block 94. Im DPF berechnet der Prognosemodul eine Schwereeinschätzung, wie das Diagnosemodul. Diese Schwereeinschätzung beruht nur auf der Klassifikation und Merkmalsumhüllenden Verfahren und umfaßt nicht das Geschwindigkeitsschwellenverfahren.
Für die Vorhersage von Signalen wird jedes Merkmal/Signal als eine Zeitserie (x_t) betrachtet. Eine univariate Zeitserienvorhersagemethode wird dazu verwendet, die Werte von x_t+1, x_t+2, x_t+3 und x_t+4 vorherzusagen. Bei einer Ausführungsform wird ein autoregressives Zeitserienmodell der Ordnung 7, AR(7) auf (x_t) angepasst und für die Vorhersage verwendet. Wie bei der Ausgabe 90 aus der Diagnosemaschine 78 ist die Ausgabe 98 der Prognosemaschine 96 mit dem DSS 92 verbunden.
Zusätzlich sind beide Ausgaben mit einem Endverbraucherrückkopplungssystem 100 verbunden. Bei einer technischen Schwierigkeit der Erstwickelung von Diagnose- und Prognosealgorithmen ist es pragmatisch anzunehmen, dass die meisten DPFs keine 100% Genauigkeit bei der Diagnose oder Prognose erzielen werden. Demzufolge umfaßt das aktuelle DPF das Rückmeldesystem 100, das die Berücksichtigung von Anwenderrückmeldungen für das klassifizierungsbasierte Diagnosesystem erlaubt. Das Rückmeldesystem 100 kann das Anrufen von Bodenpersonal ermöglichen, um beispielsweise manuelle Informationen in das System zur Abhilfe bekannter unkorrekter Entscheidungen einzugeben. Ein derartiges System kann sowohl mit dem PdM als mit dem DPF eingesetzt werden und schafft mindestens ein Verfahren, um die Integration der gelieferten Informationen sicherzustellen.
Während die Erfindung anhand von Ausführungsformen beschrieben und erläutert wurde, sind diese dargestellten und beschriebenen Ausführungsformen keinesfalls alle möglichen Ausführungsformen der Erfindung. Die in der Beschreibung verwendeten Worte sollen lediglich beschreibend und nicht limitierend verstanden werden und selbstverständlich können verschiedenartigste Änderungen ohne Abweichung vom Gedanken und Umfang der Erfindung durchgeführt werden, wie dem Fachmann ersichtlich.

10: Flussdiagramm
12: Datenbank
14: Schritt
14': Schritt
16: Schritt
18: Schritt
22: Schritt
24: Merkmalsvektoren
26: OM-Cluster
26': OM-Cluster
28: OM-Cluster
28': OM-Cluster
30: OM-Cluster
30': OM-Cluster
32: 2-D-OM-Cluster
32': OM-Cluster
34: 2-D-OM-Cluster
36: 2-D-OM-Cluster
36': OM-Cluster
38': OC-Cluster
42: OC-Cluster
44: OC-Cluster
46: OC-Cluster
48: OC-Cluster
48': OC-Cluster
50: Flussdiagram
52: Schritt
54: Schritt
56: Schritt
58: Schritt
60: Schritt
65: OM-Cluster
66: Merkmalsvektoren
67: OC-Cluster
68: Ausreißer
69: OC-Cluster
70: Ausreißer
71: OC-Cluster
72: Ausreißer
73: Linie
74: Flussdiagramm
76: Block
78: Diagnosemaschine
84: Block
86: Block
88: Block
90: Ausgabe
92: DSS
94: Block
96: Prognosemaschine
98: Ausgabe
100: Endverbraucherrückkopplungssystem

Claims

Verfahren zur Wartungsvorhersage einer Maschine, mit – Sammeln von Daten über den Maschinenbetrieb; – Transformieren mindestens einiger Daten in Merkmalsvektoren in einem ersten Merkmalsraum; – Standardisieren mindestens einiger der Merkmalsvektoren, wodurch standardisierte Merkmalsvektoren in einem standardisierten Merkmalsraum kreiert werden, – Transformieren mindestens einiger standardisierter Merkmalsvektoren in zweidimensionale Merkmalsvektoren in einem zweidimensionalen Merkmalsraum; – Clustern mindestens einiger zweidimensionaler Merkmalsvektoren auf Basis der Ähnlichkeit zwischen den zweidimensionalen Merkmalsvektoren unter Bildung mindestens eines zweidimensionalen Vektorclusters, – Sammeln zusätzlicher Daten über den Maschinenbetrieb; – Transformieren mindestens einiger der zusätzlichen Daten in zusätzliche Merkmalsvektoren im ersten Merkmalsraum; – Standardisieren mindestens einiger zusätzlicher Merkmalsvektoren, unter Schaffung zusätzlicher standardisierter Merkmalsvektoren im standardisierten Merkmalsraum; – Transformieren mindestens einiger zusätzlicher standardisierter Merkmalsvektoren in zusätzliche zweidimensionale Merkmalsvektoren im zweidimensionalen Merkmalsraum; und – Analysieren mindestens einiger zusätzlicher zweidimensionaler Merkmalsvektoren hinsichtlich mindestens eines zweidimensionalen Vektorclusters für eine Wartungsvorhersageinformation für die Maschine.
Verfahren nach Anspruch 1, wobei das Clustern mindestens einiger zweidimensionaler Merkmalsvektoren das Ausbilden eines Clusters auf Basis eines Betriebzustands der Maschine umfasst sowie das Ausbilden eines Clusters im Betriebszustandscluster auf Basis der Betriebsbedingungen der Maschine, wobei die Betriebsweise auftritt, wenn die Maschine sich im Betriebszustand befindet.
Verfahren nach Anspruch 2, wobei das Analysieren mindestens einiger zusätzlicher zweidimensionaler Merkmalsvektoren das Aktualisieren des Betriebsbedingungsclusters umfasst, um Bewegung des Betriebsbedingungsclusters in Richtung einer Grenze des Betriebszustandsclusters zu bestimmen, wodurch Bestimmung einer zukünftigen Anomalie im Maschinenbetrieb erleichtert wird.
Verfahren nach Anspruch 1, mit Clustern mindestens einiger standardisierter Merkmalsvektoren auf Basis einer Ähnlichkeit zwischen den standardisierten Merkmalsvektoren, zu mindestens einen standardisierten Vektorcluster.
Verfahren nach Anspruch 4, wobei das Clustern mindestens einiger standardisierter Merkmalsvektoren für eine Wartungsvorhersage Information für die Maschine, das Ausbilden eines Clusters auf Basis eines Betriebszustands der Maschine und das Analysieren mindestens einiger zusätzlicher standardisierter Merkmalsvektoren gegenüber mindestes einem standardisierten Vektorcluster umfasst,
Verfahren nach Anspruch 5, wobei das Analysieren mindestens einiger der zusätzlichen standardisierten Merkmalsvektoren das Bestimmen, ob die zusätzlichen standardisierten Merkmalsvektoren, die analysiert wurden, in irgendeinen der mindestens einen standardisierten Vektorcluster passen, wodurch eine Bestimmung, ob ein neues Betriebszustandscluster gebildet werden sollte, erleichtert wird, umfaßt.
Verfahren nach Anspruch 1, wobei: mindestens einige Merkmalsvektoren unter Verwendung von Vektoren für ein statistisches Mittel der gesammelten Daten und Vektoren für eine statistische Standardabweichung von den gesammelten Daten standardisiert werden, und die Transformation mindestens einiger standardisierter Merkmalsvektoren in entsprechende zweidimensionale Merkmalsvektoren das Extrahieren der ersten zwei Hauptkomponenten jedes standardisierten Merkmalsvektors umfasst, um eine Auftragung aus dem standardisierten Merkmalsraum auf den zweidimensionalen Merkmalsraum zu definieren.
Verfahren nach Anspruch 1, wobei das Analysieren mindestens einiger zusätzlicher standardisierter Merkmalsvektoren das Anwenden mindestens eines klassifikationsbasierten Systems oder eines grenzwertbasierten Systems umfasst.
Verfahren nach Anspruch 8, wobei das klassifikationsbasierte System die Bestimmung umfasst, ob jeder zusätzliche zweidimensionalen Merkmalsvektoren innerhalb irgendeines der mindestens einen zweidimensionalen Vektorcluster liegt und das grenzwertbasierte System das Setzen oberer und unterer Grenzwerte und Bestimmen, ob jeder zusätzliche zweidimensionale Merkmalsvektore in den oberen und unteren Grenzen liegt, umfasst.
Verfahren nach Anspruch 9, wobei: Analysieren mindestens einiger zusätzlicher standardisierter Merkmalsvektoren das Anwenden des klassifikationsbasierten Systems, des grenzwertbasierten Systems und eines geschwindigkeitsbasierten Systems umfasst, das geschwindigkeitsbasierte System eine Bestimmung einer entsprechenden Geschwindigkeit für jeden zusätzlichen zweidimensionalen Merkmalsvektor und einen Vergleich jeder entsprechenden Geschwindigkeit mit der vorherbestimmten Geschwindigkeit umfasst, und die Anwendung jedes Systems ein entsprechendes Diagnoseresultat produziert, dem ein Gewichtungswert zugeordnet wird.
Verfahren zur Wartungsvorhersage für eine Maschine mit: – Sammeln von Merkmalsdaten für die Maschine während des Maschinenbetriebs, die mehrere Merkmalsvektoren umfassen; – Standardisieren mindestens einiger Merkmalsvektoren, zur Erleichterung der Kompatibilität zwischen den standardisierten Merkmalsvektoren; – Transformieren mindestens einiger standardisierter Merkmalsvektoren in entsprechende zweidimensionale Merkmalsvektoren; – Clustern mindestens einiger zweidimensionaler Merkmalsvektoren auf Basis der Betriebszustände der Maschine, unter Bilden mehrerer zweidimensionaler Betriebszustandscluster; – Sammeln zusätzlicher Merkmalsdaten während des Maschinenbetriebs, die zusätzliche Merkmalsvektoren umfassen; – Standardisieren mindestens einiger zusätzlicher Merkmalsvektoren; – Transformieren mindestens einiger zusätzlicher standardisierter Merkmalsvektoren in entsprechende zusätzliche zweidimensionale Merkmalsvektoren; und – Anwenden eines Algorithmus auf mindestens einige zusätzliche zweidimensionale Merkmalsvektoren zur Erleichterung eines Vergleichs zwischen dem Betrieb der Maschine beim Sammeln der Merkmalsdaten und dem Betrieb der Maschine beim Sammeln zusätzlicher Merkmalsdaten, wodurch eine Wartungsvorhersageinformation für die Maschine geschaffen wird.
Verfahren nach Anspruch 11, mit: – Berechnen eines statistischen Mittels für die Merkmalsdaten; und – Berechnen einer statistischen Standardabweichung für die Merkmalsdaten, wodurch jeweils Vektoren für die Mittelwert- und Standardabweichung der Merkmalsdaten kreiert werden; und – wobei die Standardisierung mindestens einiger Merkmalsvektoren die Anwendung der Vektoren für die Mittelwert- und Standardabweichungen der Merkmalsdaten auf die Merkmalsvektoren umfasst, um die standardisierten Merkmalsvektoren zu bilden, und – Transformieren mindestens einiger standardisierter Merkmalsvektoren in entsprechende zweidimensionale Merkmalsvektoren, das Einsatz einer Rotationstransformation umfasst, die mindestens einige standardisierte Merkmalsvektoren mit einer Basismatrix zur Berechnung von Hauptkomponenten der standardisierten Merkmalsvektoren multipliziert.
Verfahren nach Anspruch 11, wobei das Anwenden eines Algorithmus auf mindestens einige zusätzliche standardisierte Merkmalsvektoren das Anwenden mindestens eines klassifikationsbasierten Algorithmus oder eines grenzwertbasierten Algorithmus umfasst.
Verfahren nach Anspruch 13, wobei der klassifikationsbasierte Algorithmus das Bestimmen, ob jeder zusätzliche zweidimensionale Merkmalsvektor innerhalb irgendeines der mindestens zweidimensionalen Vektorcluster liegt, und der grenzwertbasierte Algorithmus das Setzen oberer und unterer Grenzen und Bestimmen, ob jeder zusätzliche zweidimensionale Merkmalsvektor innerhalb der oberen und unteren Grenzen liegt, umfasst.
Verfahren nach Anspruch 14, wobei die Anwendung eines Algorithmus auf mindestens einige zusätzliche standardisierte Merkmalsvektoren das Anwenden des klassifikationsbasierten Algorithmus, des grenzwertbasierten Algorithmus und eines geschwindigkeitsbasierten Algorithmus umfasst, wobei der geschwindigkeitsbasierte Algorithmus eine Bestimmung einer entsprechenden Geschwindigkeit für jeden zusätzlichen zweidimensionalen Merkmalsvektor und einen Vergleich jeder entsprechenden Geschwindigkeit mit einer vorherbestimmten Geschwindigkeit umfasst, und wobei die Anwendung jedes Systems ein entsprechendes Diagnoseresultat liefert, dem ein Gewichtungswert zugeordnet wird.
Verfahren nach Anspruch 11, wobei das Clustern mindestens einiger zweidimensionaler Merkmalsvektoren das Ausbilden eines Clusters auf Basis des Betriebszustands der Maschine umfasst und ferner das Ausbilden eines Clusters innerhalb des Betriebszustandsclusters auf Basis einer Betriebsbedingung der Maschine, wobei die Betriebsbedingung auftritt, während die Maschine sich im Betriebszustand befindet.
Verfahren nach Anspruch 16, wobei das Anwenden eines Algorithmus auf mindestens einige zusätzliche zweidimensionale Merkmalsvektoren das Aktualisieren der Betriebsbedingungscluster umfasst, um eine Bewegung des Betriebsbedingungsclusters in Richtung einer Grenze des Betriebszustandsclusters zu bestimmen, wodurch die Bestimmung einer zukünftigen Anomalität im Maschinenbetrieb erleichtert wird.
Verfahren nach Anspruch 11, mit Clustern mindestens einiger standardisierter Merkmalsvektoren auf Basis der Ähnlichkeit zwischen den standardisierten Merkmalsvektoren, wodurch zumindest ein standardisiertes Vektorcluster gebildet wird.
Verfahren nach Anspruch 18, wobei das Clustern mindestens einiger standardisierter Merkmalsvektoren das Ausbilden eines Clusters auf Basis des Betriebszustands der Maschine erfolgt, wobei das Verfahren ferner das Analysieren mindestens einiger zusätzlicher standardisierter Merkmalsvektoren hinsichtlich des mindestens einem standardisierten Vektorclusters für eine Wartungsvorhersageinformation für die Maschine umfasst.
Verfahren nach Anspruch 19, wobei das Analysieren mindestens einiger zusätzlicher standardisierter Merkmalsvektoren das Bestimmen, ob die analysierten zusätzlichen standardisierten Merkmalsvektoren in irgendeines der mindestens einen standardisierten Vektorcluster passen, zur Erleichterung der Bestimmung, ob ein neuer Betriebszustandscluster gebildet werden sollte.
Verfahren für die Wartungsvorhersage einer Maschine mit: – Sammeln von Merkmalsdaten für die Maschine; – Definieren von Merkmalsvektoren aus den Merkmalsdaten; – Standardisieren der Merkmalsvektoren; – Clustern standardisierter Merkmalsvektoren auf Basis der Betriebszustände der Maschine; – Transformieren der standardisierten Merkmalsvektoren in entsprechende zweidimensionale Merkmalsvektoren; – Clustern der zweidimensionalen Merkmalsvektoren basierend auf mindestens den Betriebszustände der Maschine; und – rekursive Analyse neuer Merkmalsdaten hinsichtlich mindestens einiger Cluster unter Schaffung einer Wartungsvorhersageinformation für die Maschine.
Verfahren nach Anspruch 21, wobei das Clustern der zweidimensionalen Merkmalsvektoren ein erstes Clustern auf Basis der Maschinenbetriebszustände und ein zweites Clustern auf Basis der Betriebsdingungen der Maschine umfasst, wobei die Betriebsbedingungen in den Betriebszuständen auftreten.
Verfahren nach Anspruch 21, wobei das rekursive Analysieren neuer Merkmalsdaten die Verwendung der neuen Merkmalsdaten zur Verfolgung der Bewegung der Betriebsbedingungscluster umfasst, wodurch Information über eine Maschinenanomalie vom ersten Typ geliefert wird.
Verfahren nach Anspruch 21, wobei das rekursive Analysieren neuer Merkmalsdaten Verwenden der neuen Merkmalsdaten, um festzustellen, ob neue Betriebszustandscluster gebildet werden sollten, umfasst, wodurch Information über eine Maschinenanomalie vom zweiten Typ geliefert wird.
Verfahren nach Anspruch 21, mit Berechnen standardisierter Geschwindigkeit für die standardisierten Merkmalsvektoren, wobei das rekursive Analysieren neuer Merkmalsdaten das Anwenden von: klassifikationsbasierter Analyse oder grenzwertbasierter Analyse oder geschwindigkeitsbasierter Analyse umfasst.
Verfahren nach Anspruch 25, wobei das rekursive Analysieren neuer Merkmalsdaten das Anwenden der klassifikationsbasierten Analyse, der grenzwertbasierten Analyse und der geschwindigkeitsbasierten Analyse umfasst, wobei jede derselben ein entsprechendes Diagnose-Resultat produziert, dem ein Gewichtungswert zugeordnet wird.