DE102021200438A1 - Computer-implemented method and system for classifying an operating state of a technical component and training method - Google Patents

Computer-implemented method and system for classifying an operating state of a technical component and training method Download PDF

Info

Publication number
DE102021200438A1
DE102021200438A1 DE102021200438.5A DE102021200438A DE102021200438A1 DE 102021200438 A1 DE102021200438 A1 DE 102021200438A1 DE 102021200438 A DE102021200438 A DE 102021200438A DE 102021200438 A1 DE102021200438 A1 DE 102021200438A1
Authority
DE
Germany
Prior art keywords
class
operating state
representing
sensor data
computer
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.)
Pending
Application number
DE102021200438.5A
Other languages
German (de)
Inventor
Christina Nicolaou
Ahmad Mansour
Max Schellenberg
Philipp Jung
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Priority to DE102021200438.5A priority Critical patent/DE102021200438A1/en
Publication of DE102021200438A1 publication Critical patent/DE102021200438A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Acoustics & Sound (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren zum Bereitstellen eines Algorithmus zur Klassifikation eines Betriebszustands (BZ) einer technischen Komponente (TK), umfassend ein Berechnen (S3) eines Score-Werts (SC) der vorgegebenen Mehrzahl von Merkmalen (M1-M8) der die erste Klasse (K1) repräsentierenden Sensordaten (D) und der die weitere Klasse (K2) repräsentierenden Sensordaten (D) unter Verwendung eines Silhouettenkoeffizients, welcher ein Ähnlichkeitsmaß von Merkmalswerten der unterschiedlichen Klassen zueinander angibt, und eine Auswahl (S4) zumindest eines der vorgegebenen Mehrzahl von Merkmalen (M1-M8) unter Verwendung des berechneten Score-Werts (SC). Ferner betrifft die Erfindung ein computerimplementiertes Verfahren und System zur Klassifikation eines Betriebszustands (BZ) einer technischen Komponente, ein Computerprogramm sowie einen computerlesbaren Datenträger.The invention relates to a computer-implemented method for providing an algorithm for classifying an operating state (BZ) of a technical component (TK), comprising calculating (S3) a score value (SC) of the predetermined plurality of features (M1-M8) of the first Class (K1) representing sensor data (D) and the further class (K2) representing sensor data (D) using a silhouette coefficient, which indicates a degree of similarity of feature values of the different classes to one another, and a selection (S4) of at least one of the predetermined plurality of Features (M1-M8) using the calculated score value (SC). The invention also relates to a computer-implemented method and system for classifying an operating state (OP) of a technical component, a computer program and a computer-readable data carrier.

Description

Die Erfindung betrifft ein computerimplementiertes Verfahren zum Bereitstellen eines Algorithmus zur Klassifikation eines Betriebszustands einer technischen Komponente.The invention relates to a computer-implemented method for providing an algorithm for classifying an operating state of a technical component.

Die Erfindung betrifft des Weiteren ein computerimplementiertes Verfahren zur Klassifikation eines Betriebszustands einer technischen Komponente.The invention also relates to a computer-implemented method for classifying an operating state of a technical component.

Die Erfindung betrifft ferner ein System zur Klassifikation eines Betriebszustands einer technischen Komponente.The invention also relates to a system for classifying an operating state of a technical component.

Mit steigender Anzahl an Machine Learning (ML) Algorithmen in verschiedenen Anwendungen steigt auch die Herausforderung für eine schnelle und einfache Umsetzung der ML Algorithmen für neue Anwendungen bzw. Usecases. Insbesondere für Anwendungen, bei denen der Algorithmus auf einem lokalen, stark ressourcenbeschränkten Gerät (z.B. IoT-Device, -Gateway) lauffähig sein soll, ist die Umsetzung sehr aufwändig.With an increasing number of machine learning (ML) algorithms in different applications, the challenge for a quick and easy implementation of the ML algorithms for new applications or use cases also increases. The implementation is very complex, especially for applications in which the algorithm should be able to run on a local device with severely limited resources (e.g. IoT device, gateway).

Die DE 102010025851 A1 betrifft ein Verfahren und ein System zur Klassifikation eines Wälzlagerzustands. Hierbei wird während eines Betriebszustands eines Wälzlagers ein Körperschallzustandssignal des Wälzlagers gemessen. Unter Verwendung des gemessenen Körperschallzustandssignals werden Zustandsmerkmale, welche den Betriebszustand des Wälzlagers beschreiben, bestimmt. Unter Verwendung der Zustandsmerkmale und einer trainierbaren bzw. trainierten Abbildungsvorschrift, welche ein Zustandsverhalten eines Wälzlagers beschreibt, wird der Betriebszustand des Wälzlagers klassifiziert.the DE 102010025851 A1 relates to a method and a system for classifying a rolling bearing condition. In this case, a structure-borne noise state signal of the roller bearing is measured during an operating state of a roller bearing. State characteristics which describe the operating state of the roller bearing are determined using the measured structure-borne noise state signal. The operating state of the roller bearing is classified using the state characteristics and a trainable or trained mapping rule, which describes a state behavior of a roller bearing.

Für das Training der trainierbaren Abbildungsvorschrift werden unter Verwendung einer Abbildungsmodellvorschrift, welche ein Zustandsverhalten eines Wälzlagers, insbesondere eines geschädigten Wälzlagers, beschreibt (Schadensmodell), für vorgebbare geschädigte Zustände des Wälzlagers, Körperschallmodellsignale und daraus die Zustandsmerkmale ermittelt (Merkmalsextraktion). Unter Verwendung der Zustandsmerkmale und der vorgebbaren geschädigten Zustände wird die trainierbare Abbildungsvorschrift trainiert.For the training of the trainable mapping rule, using a mapping model rule, which describes a state behavior of a roller bearing, in particular a damaged roller bearing (damage model), for predetermined damaged states of the roller bearing, structure-borne noise model signals and from them the state characteristics are determined (characteristic extraction). The trainable mapping specification is trained using the status characteristics and the predefinable damaged statuses.

Typischerweise werden hierbei Datensätze gesammelt, von einem Data Scientist offline analysiert, Algorithmen für die Anwendung festgelegt, und anschließend auf einem Gateway oder Mikrokontroller implementiert. Die Wiederholung dieses Zyklus für jede neue Anwendung führt zu einem erheblichen Aufwand. Dies beschränkt die Übertragbarkeit der Algorithmen und verursacht damit hohe Kosten und Zeitaufwände, welche die Umsetzung der ML Algorithmen begrenzen.Typically, data sets are collected, analyzed offline by a data scientist, algorithms are defined for the application, and then implemented on a gateway or microcontroller. Repeating this cycle for each new application introduces significant overhead. This limits the transferability of the algorithms and thus causes high costs and time, which limits the implementation of the ML algorithms.

Der Erfindung liegt somit die Aufgabe zugrunde, ein verbessertes Verfahren und System zur Klassifikation eines Betriebszustands einer technischen Komponente sowie ein entsprechendes Trainingsverfahren vorzusehen.The invention is therefore based on the object of providing an improved method and system for classifying an operating state of a technical component and a corresponding training method.

Die Aufgabe wird mit einem computerimplementierten Verfahren zum Bereitstellen eines Algorithmus zur Klassifikation eines Betriebszustands einer technischen Komponente mit den Merkmalen des Patentanspruchs 1 gelöst.The object is achieved with a computer-implemented method for providing an algorithm for classifying an operating state of a technical component with the features of patent claim 1.

Die Aufgabe wird darüber hinaus mit einem computerimplementierten Verfahren zur Klassifikation eines Betriebszustands einer technischen Komponente mit den Merkmalen des Patentanspruchs 12 gelöst.The object is also achieved with a computer-implemented method for classifying an operating state of a technical component with the features of patent claim 12.

Des Weiteren wird die Aufgabe mit einem System zur Klassifikation eines Betriebszustands einer technischen Komponente mit den Merkmalen des Patentanspruchs 14 gelöst.Furthermore, the object is achieved with a system for classifying an operating state of a technical component with the features of patent claim 14 .

Ferner wird die Aufgabe mit einem Computerprogramm mit den Merkmalen des Patentanspruchs 15 und einem computerlesbaren Datenträger mit den Merkmalen des Patentanspruchs 16 gelöst.Furthermore, the object is achieved with a computer program having the features of patent claim 15 and a computer-readable data carrier having the features of patent claim 16 .

Offenbarung der ErfindungDisclosure of Invention

Die vorliegende Erfindung schafft ein computerimplementiertes Verfahren zum Bereitstellen eines Algorithmus zur Klassifikation eines Betriebszustands einer technischen Komponente.The present invention creates a computer-implemented method for providing an algorithm for classifying an operating state of a technical component.

Das Verfahren umfasst ein Empfangen eines ersten Datensatzes von, eine erste Klasse repräsentierenden, einem ersten Betriebszustand einer technischen Komponente zugehörigen Sensordaten und eines zweiten Datensatzes von, eine weitere Klasse repräsentierenden, einem zweiten Betriebszustand einer technischen Komponente zugehörigen Sensordaten.The method includes receiving a first data set of sensor data representing a first class and associated with a first operating state of a technical component and a second data set of sensor data representing a further class and associated with a second operating state of a technical component.

Ferner umfasst das Verfahren ein Berechnen einer vorgegebenen Mehrzahl von Merkmalen der die erste Klasse repräsentierenden Sensordaten und der die weitere Klasse repräsentierenden Sensordaten.The method also includes calculating a predetermined plurality of features of the sensor data representing the first class and of the sensor data representing the further class.

Das Verfahren umfasst überdies ein Berechnen eines Score-Werts der vorgegebenen Mehrzahl von Merkmalen der die erste Klasse repräsentierenden Sensordaten und der die weitere Klasse repräsentierenden Sensordaten unter Verwendung eines Silhouettenkoeffizients, welcher ein Ähnlichkeitsmaß von Merkmalswerten der unterschiedlichen Klassen zueinander angibt.The method also includes calculating a score value for the predetermined plurality of features of the sensor data representing the first class and the sensor data representing the further class using a silhouette coefficient, which is a measure of similarity of characteristic values of the different classes to each other.

Das Verfahren umfasst darüber eine Auswahl zumindest eines der vorgegebenen Mehrzahl von Merkmalen unter Verwendung des berechneten Score-Werts.The method also includes a selection of at least one of the predetermined plurality of features using the calculated score value.

Die vorliegende Erfindung schafft des Weiteren ein computerimplementiertes Verfahren zur Klassifikation eines Betriebszustands einer technischen Komponente.The present invention also provides a computer-implemented method for classifying an operating state of a technical component.

Das Verfahren umfasst ein Bereitstellen von Sensordaten einer technischen Komponente. Das Verfahren umfasst ein Klassifizieren eines ersten Betriebszustands oder eines zweiten Betriebszustands der technischen Komponente durch einen Algorithmus unter Verwendung mindestens eines vorberechneten Merkmals der die erste Klasse repräsentierenden Sensordaten und der die weitere Klasse repräsentierenden Sensordaten.The method includes providing sensor data from a technical component. The method includes classifying a first operating state or a second operating state of the technical component by an algorithm using at least one precalculated feature of the sensor data representing the first class and the sensor data representing the further class.

Das Verfahren umfasst ein Ausgeben eines den ersten Betriebszustand oder einen zweiten Betriebszustand der technischen Komponente oder eines zwischen dem ersten Betriebszustand und dem zweiten Betriebszustand liegenden weiteren Betriebszustand repräsentierenden Klassifikationsergebnisses.The method includes outputting a classification result representing the first operating state or a second operating state of the technical component or another operating state lying between the first operating state and the second operating state.

Die vorliegende Erfindung schafft des Weiteren ein System zur Klassifikation eines Betriebszustands einer technischen Komponente.The present invention also creates a system for classifying an operating state of a technical component.

Das System umfasst zumindest einen Sensor zum Bereitstellen von Informationen des Betriebszustands der technischen Komponente aufweisenden Sensordaten.The system comprises at least one sensor for providing sensor data containing information on the operating state of the technical component.

Ferner umfasst das System eine Recheneinrichtung zum Klassifizieren eines ersten Betriebszustands oder eines zweiten Betriebszustands der technischen Komponente unter Verwendung mindestens eines vorberechneten Merkmals der die erste Klasse repräsentierenden Sensordaten und der die weitere Klasse repräsentierenden Sensordaten, wobei die Recheneinrichtung dazu eingerichtet ist, ein den ersten Betriebszustand oder einen zweiten Betriebszustand der technischen Komponente repräsentierendes Klassifikationsergebnis auszugeben.The system also includes a computing device for classifying a first operating state or a second operating state of the technical component using at least one precalculated feature of the sensor data representing the first class and the sensor data representing the further class, with the computing device being set up to classify the first operating state or to output a classification result representing a second operating state of the technical component.

Die vorliegende Erfindung schafft ferner ein Computerprogramm mit Programmcode, um zumindest eines der erfindungsgemäßen Verfahren durchzuführen, wenn das Computerprogramm auf einem Computer ausgeführt wird sowie einen computerlesbaren Datenträger mit Programmcode eines Computerprogramms, um zumindest eines der erfindungsgemäßen Verfahren durchzuführen, wenn das Computerprogramm auf einem Computer ausgeführt wird.The present invention also provides a computer program with program code to carry out at least one of the methods according to the invention when the computer program is run on a computer, and a computer-readable data carrier with program code of a computer program to carry out at least one of the methods according to the invention when the computer program is run on a computer becomes.

Eine Idee der vorliegenden Erfindung ist es, Muster und quantitative Abweichungen zwischen angelernten Mustern in Sensorsignalen zu erkennen, um einen Prozess zu überwachen oder den Maschinen-/Komponentenzustand zu beurteilen.An idea of the present invention is to recognize patterns and quantitative deviations between learned patterns in sensor signals in order to monitor a process or to assess the machine/component condition.

Das Vorgehen basiert auf einem Konfigurations- bzw. Trainingsprinzip, bei dem nur einige wenige Eingaben vom Anwender gebraucht werden. Der Anwender ist üblicherweise der Betreiber einer Maschine.The procedure is based on a configuration or training principle in which only a few entries are required from the user. The user is usually the operator of a machine.

Danach werden die Merkmale automatisch online (nicht im post-processing) in einer einmaligen Einlernphase bewertet und selektiert. Eine Online-Beurteilung des Prozesses bzw. Zustandes der Maschine wird im Weiteren automatisch mit Hilfe dieser Merkmale und dem daraus gebildeten Modell durchgeführt.The features are then automatically evaluated and selected online (not in post-processing) in a one-time learning phase. An online assessment of the process or condition of the machine is then carried out automatically with the help of these features and the model created from them.

Dieses Vorgehen beschränkt sich nicht nur auf Mustererkennung in Sensorsignalen, sondern kann auf unterschiedliche Arten von Daten, die eine Interaktion mit dem Anwender ermöglichen (Bilder, Bewegungsabläufe, Sprache, Vitalparameter...), angewendet werden. Die hier aufgeführte Erklärung mit Sensoren in industriellen Applikationen dient nur als anschauliches Beispiel.This approach is not limited to pattern recognition in sensor signals, but can be applied to different types of data that enable interaction with the user (images, movement sequences, speech, vital parameters...). The explanation given here with sensors in industrial applications only serves as an illustrative example.

Vorteilhafte Ausführungsformen und Weiterbildungen ergeben sich aus den Unteransprüchen sowie aus der Beschreibung unter Bezugnahme auf die Figuren.Advantageous embodiments and developments result from the dependent claims and from the description with reference to the figures.

Gemäß einer bevorzugten Weiterbildung ist vorgesehen, dass das Berechnen des Score-Werts der vorgegebenen Mehrzahl von Merkmalen der die erste Klasse repräsentierenden Sensordaten und der die weitere Klasse repräsentierenden Sensordaten unter Verwendung eines mittleren Abstands von Merkmalswerten der ersten Klasse zu einem Zentralwert der ersten Klasse und eines mittleren Abstands von Merkmalswerten der ersten Klasse zu einem Zentralwert der zumindest einen weiteren Klasse und unter Verwendung eines mittleren Abstands von Merkmalswerten der weiteren Klasse zu einem Zentralwert der weiteren Klasse und eines mittleren Abstands von Merkmalswerten der weiteren Klasse zu einem Zentralwert der nächstgelegenen ersten Klasse durchgeführt wird.According to a preferred development, it is provided that the calculation of the score value of the predetermined plurality of features of the sensor data representing the first class and the sensor data representing the further class using an average distance of feature values of the first class to a central value of the first class and a average distance of feature values of the first class to a central value of the at least one further class and using a mean distance of feature values of the further class to a central value of the further class and a mean distance of characteristic values of the further class to a central value of the closest first class .

Somit ist in vorteilhafter Weise eine exakte Abstandsberechnung der Merkmalswerte der jeweiligen Klassen zueinander möglich.An exact calculation of the distance between the feature values of the respective classes in relation to one another is thus possible in an advantageous manner.

Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass mindestens ein Merkmal der vorgegebenen Mehrzahl von Merkmalen mit einem extremen, insbesondere einem höchsten oder geringsten, Score-Wert ausgewählt wird, wobei der Score-Wert, insbesondere ein Silhouettenkoeffizient, ein Ähnlichkeitsmaß des Merkmals der ersten Klasse im Vergleich zur weiteren Klasse angibt.According to a further preferred development, it is provided that at least one flag times the predetermined plurality of features with an extreme, in particular a highest or lowest, score value is selected, the score value, in particular a silhouette coefficient, indicating a measure of similarity of the feature of the first class in comparison to the further class.

Somit kann in vorteilhafter Weise das ausgewählte Merkmal (die ausgewählten Merkmale) für die Operation bzw. Inferenz des Algorithmus verwendet werden, welches die genaueste bzw. bestmögliche Klassifikation der in den Sensordaten enthaltenen Klassen ermöglicht.The selected feature (the selected features) can thus advantageously be used for the operation or inference of the algorithm which enables the most precise or best possible classification of the classes contained in the sensor data.

Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass die vorgegebene Mehrzahl von Merkmalen der die erste Klasse repräsentierenden Sensordaten und der die weitere Klasse repräsentierenden Sensordaten in einem Zeit- und/oder Frequenzbereich berechnet werden.According to a further preferred development, it is provided that the predefined plurality of features of the sensor data representing the first class and of the sensor data representing the further class are calculated in a time and/or frequency range.

Die vorgegebene Mehrzahl von Merkmalen kann beispielsweise einen Mittelwert, eine Standardabweichung, eine Schiefe und/oder eine Wölbung des Zeit- und/oder Frequenzbereichs umfassen. Alternativ können hierfür auch andere statistische oder nicht-statistische Werte verwendet werden.The predetermined plurality of features can include, for example, a mean value, a standard deviation, a skewness and/or a curvature of the time and/or frequency range. Alternatively, other statistical or non-statistical values can also be used for this.

Anhand der vorstehend genannten Merkmale kann in vorteilhafter Weise mindestens ein entsprechendes Merkmal selektiert werden, dass eine bestmögliche Unterscheidung der den Sensordaten enthaltenen Klassen ermöglicht.On the basis of the features mentioned above, at least one corresponding feature can advantageously be selected that enables the best possible differentiation between the classes contained in the sensor data.

Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass die technische Komponente ein Werkzeug, eine mechanische und/oder elektrische Komponente eines technischen Systems, insbesondere einer Maschine, ist und wobei der Betriebszustand einen aktiven und einen inaktiven Zustand und/oder einen normalen und einen abnormalen Zustand aufweist. Das erfindungsgemäße Verfahren ist somit innerhalb eines breiten Spektrums technischer Anwendungen verwendbar.According to a further preferred development, it is provided that the technical component is a tool, a mechanical and/or electrical component of a technical system, in particular a machine, and the operating state has an active and an inactive state and/or a normal and an abnormal state having. The method according to the invention can therefore be used within a broad spectrum of technical applications.

Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass der Score-Wert der vorgegebenen Mehrzahl von Merkmalen der die erste Klasse repräsentierenden Sensordaten und der die weitere Klasse repräsentierenden Sensordaten durch Bildung der Summe aus einem ersten Quotienten und mindestens einem weiteren Quotienten berechnet wird, wobei der erste Quotient eine Eigenschaft der ersten Klasse repräsentiert, und wobei der weitere Quotient eine Eigenschaft der weiteren Klasse repräsentiert.According to a further preferred development, it is provided that the score value of the predetermined plurality of characteristics of the sensor data representing the first class and the sensor data representing the further class is calculated by forming the sum of a first quotient and at least one further quotient, with the first Quotient represents a property of the first class and the further quotient represents a property of the further class.

Die Anzahl der Quotienten entspricht dabei der Anzahl der vorhandenen Klassen.The number of quotients corresponds to the number of existing classes.

Durch Vorsehen des Score-Werts kann eine quantitative Beurteilung der vorgegebenen Mehrzahl von Merkmalen ermöglicht werden.By providing the score value, a quantitative assessment of the predetermined plurality of features can be made possible.

Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass der erste Quotient der mittlere Abstand von Merkmalswerten der ersten Klasse zu einem Zentralwerteiner weiteren nächstgelegenen Klasse abzüglich dem mittleren Abstand von Merkmalswerten der ersten Klasse zu einem Zentralwert der ersten Klasse, dividiert durch einen Maximalwert des mittleren Abstands von Merkmalswerten der ersten Klasse zu einem Zentralwert der weiteren nächstgelegenen Klasse und des mittleren Abstands von Merkmalswerten der ersten Klasse zu einem Zentralwert der ersten Klasse ist.According to a further preferred development, it is provided that the first quotient is the mean distance between feature values in the first class and a central value in another, closest class, minus the mean distance between feature values in the first class and a mean value in the first class, divided by a maximum value of the mean distance from feature values of the first class to a mean value of the further closest class and the mean distance of feature values of the first class to a mean value of the first class.

Sofern mehr als zwei Klassen vorhanden sind wird für die Berechnung des Score-Werts die jeweils nächstgelegene Klasse verwendet.If there are more than two classes, the closest class is used to calculate the score.

Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass der weitere Quotient der mittlere Abstand von Merkmalswerten der weiteren nächstgelegenen Klasse zu einem Zentralwert der ersten Klasse abzüglich des mittleren Abstands von Merkmalswerten der weiteren nächstgelegenen Klasse zu einem Zentralwert der weiteren nächstgelegenen Klasse von Merkmalswerten der weiteren nächstgelegenen Klasse zu einem Zentralwert der weiteren nächstgelegenen Klasse und des mittleren Abstands von Merkmalswerten der weiteren nächstgelegenen Klasse zu einem Zentralwert der ersten Klasse ist.According to a further preferred development, it is provided that the additional quotient is the average distance of feature values of the additional closest class to a central value of the first class minus the average distance of feature values of the additional closest class to a central value of the additional closest class of attribute values of the additional closest class to a central value of the further closest class and the average distance of feature values of the further closest class to a central value of the first class.

Somit kann in vorteilhafter Weise eine exakte Unterscheidung bzw. Differenzierung zwischen den in den Sensordaten enthaltenen Klassen durchgeführt werden.An exact distinction or differentiation between the classes contained in the sensor data can thus be carried out in an advantageous manner.

Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass die Sensordaten durch einen Körperschallsensor, einen Beschleunigungssensor, einen Ultraschallsensor, einen Luftschallsensor und/oder einen Vibrationssensor bereitgestellt werden.According to a further preferred development, it is provided that the sensor data is provided by a structure-borne noise sensor, an acceleration sensor, an ultrasonic sensor, an airborne noise sensor and/or a vibration sensor.

Die Erfindung ist somit unter Verwendung einer Vielzahl alternativer Sensoren bzw. in einer Vielzahl technischer Kontexte anwendbar.The invention can thus be used using a large number of alternative sensors or in a large number of technical contexts.

Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass die berechneten Merkmale der die erste Klasse repräsentierenden Sensordaten und der die weitere Klasse repräsentierenden Sensordaten gegen einen Referenzwert jeder der vorgegebenen Mehrzahl von Merkmalen normiert werden.According to a further preferred development, it is provided that the calculated features of the sensor data representing the first class and of the sensor data representing the further class are normalized against a reference value of each of the predefined plurality of features.

Durch die Normierung sind die berechneten statistischen Merkmale zueinander in Relation gesetzt bzw. miteinander vergleichbar.Due to the normalization, the calculated statistical characteristics are set in relation to one another or are comparable with one another.

Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass der Zentralwert der ersten Klasse aus dem Mittelwert der Merkmale der ersten Klasse und der Zentralwert der weiteren Klasse aus dem Mittelwert der Merkmale der weiteren Klasse berechnet werden.According to a further preferred development it is provided that the central value of the first class is calculated from the mean value of the features of the first class and the central value of the further class is calculated from the mean value of the features of the further class.

Der Score-Wert kann somit in vorteilhafter Weise unter Verwendung der Zentralwerte anstatt individueller Merkmalswerte berechnet werden, was eine effektive Reduzierung des Berechnungsaufwands bedeutet.The score value can thus advantageously be calculated using the central values instead of individual feature values, which means an effective reduction in the calculation effort.

Gemäß einer weiteren bevorzugten Weiterbildung ist vorgesehen, dass zum Klassifizieren eines ersten Betriebszustands oder eines zweiten Betriebszustands der technischen Komponente mindestens ein ausgewähltes Merkmal einer berechneten vorgegebenen Mehrzahl von Merkmalen mit einem extremen, insbesondere einem höchsten oder geringsten, Score-Wert verwendet wird, wobei der Score-Wert, insbesondere ein Silhouettenkoeffizient, ein Ähnlichkeitsmaß des Merkmals der ersten Klasse im Vergleich zur weiteren Klasse angibt.According to a further preferred development, it is provided that at least one selected feature of a calculated predetermined plurality of features with an extreme, in particular a highest or lowest, score value is used to classify a first operating state or a second operating state of the technical component, the score value, in particular a silhouette coefficient, indicates a measure of similarity of the feature of the first class compared to the further class.

Somit kann in vorteilhafter Weise das ausgewählte Merkmal für die Operation bzw. Inferenz des Algorithmus verwendet werden, welches die genaueste bzw. bestmögliche Klassifikation der in den Sensordaten enthaltenen Klassen ermöglicht.The selected feature can thus advantageously be used for the operation or inference of the algorithm, which allows for the most precise or best possible classification of the classes contained in the sensor data.

Die beschriebenen Ausgestaltungen und Weiterbildungen lassen sich beliebig miteinander kombinieren.The configurations and developments described can be combined with one another as desired.

Weitere mögliche Ausgestaltungen, Weiterbildungen und Implementierungen der Erfindung umfassen auch nicht explizit genannte Kombinationen von zuvor oder im Folgenden bezüglich der Ausführungsbeispiele beschriebenen Merkmale der Erfindung.Further possible refinements, developments and implementations of the invention also include combinations of features of the invention described above or below with regard to the exemplary embodiments that are not explicitly mentioned.

Figurenlistecharacter list

Die beiliegenden Zeichnungen sollen ein weiteres Verständnis der Ausführungsformen der Erfindung vermitteln. Sie veranschaulichen Ausführungsformen und dienen im Zusammenhang mit der Beschreibung der Erklärung von Prinzipien und Konzepten der Erfindung.The accompanying drawings are provided to provide a further understanding of embodiments of the invention. They illustrate embodiments and, together with the description, serve to explain principles and concepts of the invention.

Andere Ausführungsformen und viele der genannten Vorteile ergeben sich im Hinblick auf die Zeichnungen. Die dargestellten Elemente der Zeichnungen sind nicht notwendigerweise maßstabsgetreu zueinander gezeigt.Other embodiments and many of the foregoing advantages will become apparent by reference to the drawings. The illustrated elements of the drawings are not necessarily shown to scale with respect to one another.

Es zeigen:

  • 1 ein Ablaufdiagramm eines computerimplementierten Verfahrens zum Bereitstellen eines Algorithmus zur Klassifikation eines Betriebszustands einer technischen Komponente gemäß einer bevorzugten Ausführungsform der Erfindung;
  • 2 einen Teilaspekt des computerimplementierten Verfahrens zum Bereitstellen des Algorithmus zur Klassifikation des Betriebszustands der technischen Komponente gemäß der bevorzugten Ausführungsform der Erfindung;
  • 3 einen Teilaspekt des computerimplementierten Verfahrens zum Bereitstellen des Algorithmus zur Klassifikation des Betriebszustands der technischen Komponente gemäß der bevorzugten Ausführungsform der Erfindung;
  • 4 einen Teilaspekt des computerimplementierten Verfahrens zum Bereitstellen des Algorithmus zur Klassifikation des Betriebszustands der technischen Komponente gemäß der bevorzugten Ausführungsform der Erfindung;
  • 5 einen Teilaspekt des computerimplementierten Verfahrens zum Bereitstellen des Algorithmus zur Klassifikation des Betriebszustands der technischen Komponente gemäß der bevorzugten Ausführungsform der Erfindung;
  • 6 einen Teilaspekt des computerimplementierten Verfahrens zum Bereitstellen des Algorithmus zur Klassifikation des Betriebszustands der technischen Komponente gemäß der bevorzugten Ausführungsform der Erfindung;
  • 7 ein Ablaufdiagramm eines computerimplementierten Verfahrens zur Klassifikation eines Betriebszustands einer technischen Komponente gemäß einer bevorzugten Ausführungsform der Erfindung; und
  • 8 eine schematische Darstellung eines Systems zur Klassifikation eines Betriebszustands einer technischen Komponente gemäß einer bevorzugten Ausführungsform der Erfindung.
Show it:
  • 1 a flow chart of a computer-implemented method for providing an algorithm for the classification of an operating state of a technical component according to a preferred embodiment of the invention;
  • 2 a partial aspect of the computer-implemented method for providing the algorithm for classification of the operating state of the technical component according to the preferred embodiment of the invention;
  • 3 a partial aspect of the computer-implemented method for providing the algorithm for classification of the operating state of the technical component according to the preferred embodiment of the invention;
  • 4 a partial aspect of the computer-implemented method for providing the algorithm for classification of the operating state of the technical component according to the preferred embodiment of the invention;
  • 5 a partial aspect of the computer-implemented method for providing the algorithm for classification of the operating state of the technical component according to the preferred embodiment of the invention;
  • 6 a partial aspect of the computer-implemented method for providing the algorithm for classification of the operating state of the technical component according to the preferred embodiment of the invention;
  • 7 a flow chart of a computer-implemented method for the classification of an operating state of a technical component according to a preferred embodiment of the invention; and
  • 8th a schematic representation of a system for the classification of an operating state of a technical component according to a preferred embodiment of the invention.

In den Figuren der Zeichnungen bezeichnen gleiche Bezugszeichen gleiche oder funktionsgleiche Elemente, Bauteile oder Komponenten, soweit nichts Gegenteiliges angegeben ist.In the figures of the drawings, the same reference symbols designate the same or functionally identical elements, parts or components, unless otherwise stated.

1 zeigt ein Ablaufdiagramm eines computerimplementierten Verfahrens zum Bereitstellen eines Algorithmus zur Klassifikation eines Betriebszustands einer technischen Komponente gemäß einer bevorzugten Ausführungsform der Erfindung. 1 shows a flow chart of a computer-implemented method for providing an algorithm for the classification of an operating state of a technical component according to a preferred embodiment of the invention.

Das Verfahren umfasst ein Empfangen S1 eines ersten Datensatzes DS1 von, eine erste Klasse K1 repräsentierenden, einem ersten Betriebszustand BZ1 einer technischen Komponente TK zugehörigen Sensordaten D und eines weiteren Datensatzes DS2 von, eine weitere Klasse K2 repräsentierenden, einem zweiten Betriebszustand BZ2 einer technischen Komponente TK zugehörigen Sensordaten D.The method includes receiving S1 a first data record DS1 from a first operating state representing a first class K1 BZ1 sensor data D associated with a technical component TK and a further data set DS2 of sensor data D associated with a second operating state BZ2 of a technical component TK representing a further class K2.

Das Verfahren umfasst ferner ein Berechnen S2 einer vorgegebenen Mehrzahl von Merkmalen M1-M8 der die erste Klasse K1 repräsentierenden Sensordaten D und der die weitere Klasse K2 repräsentierenden Sensordaten D. Die Merkmale sind eine reduzierte, informative Form der Sensordaten.The method also includes calculating S2 a predetermined plurality of features M1-M8 of the sensor data D representing the first class K1 and the sensor data D representing the further class K2. The features are a reduced, informative form of the sensor data.

Die Merkmale M1-M8 werden dabei vor dem Berechnungsschritt S2 gegen einen ersten Wert jedes Merkmals M1-M8 normiert.Before the calculation step S2, the features M1-M8 are normalized against a first value of each feature M1-M8.

Darüber hinaus umfasst das Verfahren ein Berechnen S3 eines Score-Werts SC der vorgegebenen Mehrzahl von Merkmalen M1-M8 der die erste Klasse K1 repräsentierenden Sensordaten D und der die weitere Klasse K2 repräsentierenden Sensordaten D unter Verwendung eines mittleren Abstands D11 von Merkmalswerten MW der ersten Klasse K1 zu einem Zentralwert Z1 der ersten Klasse K1 und eines mittleren Abstands D12 von Merkmalswerten MW der ersten Klasse K1 zu einem Zentralwert Z2 der nächstgelegenen weiteren Klasse K2.The method also includes calculating S3 a score value SC of the predetermined plurality of features M1-M8 of the sensor data D representing the first class K1 and the sensor data D representing the further class K2 using an average distance D11 of feature values MW of the first class K1 to a central value Z1 of the first class K1 and an average distance D12 of feature values MW of the first class K1 to a central value Z2 of the nearest further class K2.

Die Berechnung des Score-Werts SC der vorgegebenen Mehrzahl von Merkmalen M1-M8 der die erste Klasse K1 repräsentierenden Sensordaten D und der die weitere Klasse K2 repräsentierenden Sensordaten D erfolgt ferner unter Verwendung eines mittleren Abstands D22 von Merkmalswerten MW der weiteren Klasse K2 zu einem Zentralwert Z2 der weiteren Klasse K2 und eines mittleren Abstands D21 von Merkmalswerten MW der weiteren Klasse K2 zu einem Zentralwert Z1 der nächstgelegenen ersten Klasse K1.The calculation of the score value SC of the predetermined plurality of features M1-M8 of the sensor data D representing the first class K1 and the sensor data D representing the further class K2 also takes place using an average distance D22 of feature values MW of the further class K2 to a central value Z2 of the further class K2 and an average distance D21 of feature values MW of the further class K2 to a central value Z1 of the nearest first class K1.

Ferner umfasst das Verfahren eine Auswahl S4 zumindest eines der vorgegebenen Mehrzahl von Merkmalen M1-M8 unter Verwendung des berechneten Score-Werts SC. Alternativ können beispielsweise die besten x Merkmale ausgewählt werden.The method also includes a selection S4 of at least one of the predefined plurality of features M1-M8 using the calculated score value SC. Alternatively, for example, the best x features can be selected.

Die technische Komponente TK ist ein Werkzeug, eine mechanische und/oder elektrische Komponente TK eines technischen Systems, insbesondere einer Maschine. Der Betriebszustand BZ weist einen aktiven und einen inaktiven Zustand und/oder einen normalen und einen abnormalen Zustand auf.The technical component TK is a tool, a mechanical and/or electrical component TK of a technical system, in particular a machine. The operating state BZ has an active and an inactive state and/or a normal and an abnormal state.

2 zeigt einen Teilaspekt des computerimplementierten Verfahrens zum Bereitstellen des Algorithmus zur Klassifikation des Betriebszustands der technischen Komponente gemäß der bevorzugten Ausführungsform der Erfindung. 2 shows a partial aspect of the computer-implemented method for providing the algorithm for classification of the operating state of the technical component according to the preferred embodiment of the invention.

Es werden eine Mehrzahl von Merkmalen M1-M8 berechnet. Merkmal M1 ist dabei ein Mittelwert, Merkmal M2 eine Standardabweichung, Merkmal M3 eine Schiefe und Merkmal M4 eine Wölbung des Zeitbereichs. Merkmal M5 ist ein Mittelwert, Merkmal M6 eine Standardabweichung, Merkmal M7 eine Schiefe und Merkmal M8 eine Wölbung des Frequenzbereichs.A plurality of features M1-M8 are calculated. Feature M1 is a mean value, feature M2 is a standard deviation, feature M3 is a skewness and feature M4 is a curvature of the time range. Feature M5 is a mean value, feature M6 is a standard deviation, feature M7 is a skewness and feature M8 is a curvature of the frequency domain.

Das Merkmal der vorgegebenen Mehrzahl von Merkmalen M1-M8 mit einem extremen, insbesondere einem höchsten oder geringsten, Score-Wert SC wird ausgewählt. Der Score-Wert SC, insbesondere ein Silhouettenkoeffizient, gibt ein Ähnlichkeitsmaß des statistischen Merkmals der ersten Klasse K1 im Vergleich zur weiteren Klasse K2 an.The feature of the predetermined plurality of features M1-M8 with an extreme, in particular a highest or lowest, score value SC is selected. The score value SC, in particular a silhouette coefficient, specifies a measure of similarity of the statistical feature of the first class K1 in comparison to the further class K2.

Die vorgegebene Mehrzahl von Merkmalen M1-M8 der die erste Klasse K1 repräsentierenden Sensordaten D und der die weitere Klasse K2 repräsentierenden Sensordaten D werden in einem Zeit- und/oder Frequenzbereich berechnet.The predetermined plurality of features M1-M8 of the sensor data D representing the first class K1 and of the sensor data D representing the further class K2 are calculated in a time and/or frequency range.

Die Merkmale M1-M8 sind gegen einen ersten Wert jedes Merkmals M1-M8 normiert. Zusätzlich werden die Zentren bzw. Zentralwerte Z1, Z2 der Cluster bzw. Klassen aus dem Mittelwert der Merkmale berechnet.The features M1-M8 are normalized against a first value of each feature M1-M8. In addition, the centers or central values Z1, Z2 of the clusters or classes are calculated from the mean of the features.

Man kann anhand dieser Merkmale sehen, dass z.B. die Standardabweichung im Frequenzbereich ein gutes Clustering zeigt. Das heißt, die Klassen K1 und K2 sind gut trennbar. Auf der anderen Seite zeigen die Schiefe und die Wölbung im Frequenzbereich ein schlechtes Clustering, da sich die Merkmalswerte beider Klassen K1, K2 überschneiden.One can see from these features that e.g. the standard deviation in the frequency domain shows good clustering. This means that the classes K1 and K2 are easily separable. On the other hand, the skewness and buckling in the frequency domain show poor clustering because the feature values of both classes K1, K2 overlap.

3 zeigt einen Teilaspekt des computerimplementierten Verfahrens zum Bereitstellen des Algorithmus zur Klassifikation des Betriebszustands der technischen Komponente gemäß der bevorzugten Ausführungsform der Erfindung. 3 shows a partial aspect of the computer-implemented method for providing the algorithm for classification of the operating state of the technical component according to the preferred embodiment of the invention.

Der Score-Wert SC der vorgegebenen Mehrzahl von Merkmalen M1-M8 der die erste Klasse K1 repräsentierenden Sensordaten D und der die weitere Klasse K2 repräsentierenden Sensordaten D wird durch Bildung der Summe aus einem ersten Quotienten und einem weiteren Quotienten berechnet. Der erste Quotient repräsentiert dabei eine Eigenschaft der ersten Klasse K1 und der weitere Quotient repräsentiert eine Eigenschaft der weiteren Klasse K2.The score value SC of the predetermined plurality of features M1-M8 of the sensor data D representing the first class K1 and the sensor data D representing the further class K2 is calculated by forming the sum of a first quotient and a further quotient. The first quotient represents a property of the first class K1 and the other quotient represents a property of the other class K2.

Der erste Quotient ist der mittlere Abstand D12 von Merkmalswerten MW der ersten Klasse K1 zu einem Zentralwert Z2 der weiteren Klasse K2 abzüglich dem mittleren Abstand D11 von Merkmalswerten MW der ersten Klasse K1 zu einem Zentralwert Z1 der ersten Klasse K1, dividiert durch einen Maximalwert des mittleren Abstands D12 von Merkmalswerten MW der ersten Klasse K1 zu einem Zentralwert Z2 der weiteren Klasse K2 und des mittleren Abstands D11 von Merkmalswerten MW der ersten Klasse K1 zu einem Zentralwert Z1 der ersten Klasse K1.The first quotient is the average distance D12 from feature values MW of the first class K1 to a central value Z2 of the further class K2 minus the average distance D11 from feature values MW of the first class K1 to a central value Z1 of the first class K1, divided by a maximum value of the average distance D12 of feature values MW of the first class K1 to a central value Z2 of the further class K2 and of the average distance D11 of characteristic values MW of the first class K1 to a central value Z1 of the first class K1 .

Der weitere Quotient ist der mittlere Abstand D21 von Merkmalswerten MW der weiteren Klasse K2 zu einem Zentralwert Z1 der ersten Klasse K1 abzüglich des mittleren Abstands D22 von Merkmalswerten MW der weiteren Klasse K2 zu einem Zentralwert Z2 der weiteren Klasse K2, dividiert durch einen Maximalwert des mittleren Abstands D21 von Merkmalswerten MW der weiteren Klasse K2 zu einem Zentralwert Z1 der ersten Klasse K1 und des mittleren Abstands D22 von Merkmalswerten MW der weiteren Klasse K2 zu einem Zentralwert Z2 der weiteren Klasse K2.The further quotient is the mean distance D21 of feature values MW of the further class K2 to a central value Z1 of the first class K1 minus the mean distance D22 of feature values MW of the further class K2 to a central value Z2 of the further class K2, divided by a maximum value of the mean distance D21 from feature values MW of the further class K2 to a central value Z1 of the first class K1 and the average distance D22 of feature values MW of the further class K2 to a central value Z2 of the further class K2.

Alternativ können beispielsweise mehr als zwei Datensätze, zwei Klassen und/oder zwei technische Komponenten vorhanden sein.Alternatively, for example, more than two data sets, two classes and/or two technical components can be present.

Ferner alternativ können durch die Abstandsberechnung beispielsweise Zustände zwischen zwei vorgegebenen Klassen bestimmt werden.Furthermore, as an alternative, for example, states between two predefined classes can be determined by calculating the distance.

4 zeigt einen Teilaspekt des computerimplementierten Verfahrens zum Bereitstellen des Algorithmus zur Klassifikation des Betriebszustands der technischen Komponente gemäß der bevorzugten Ausführungsform der Erfindung. 4 shows a partial aspect of the computer-implemented method for providing the algorithm for classification of the operating state of the technical component according to the preferred embodiment of the invention.

Das Merkmal der vorgegebenen Mehrzahl von Merkmalen M1-M8 mit einem höchsten Score-Wert SC wird ausgewählt. Alternativ kann beispielsweise das Merkmal der vorgegebenen Mehrzahl von Merkmalen M1-M8 mit einem geringsten Score-Wert SC wird ausgewählt werden.The feature of the predetermined plurality of features M1-M8 with a highest score value SC is selected. Alternatively, for example, the feature of the predetermined plurality of features M1-M8 with a lowest score SC is selected.

Der Score-Wert SC, insbesondere ein Silhouettenkoeffizient, gibt ein Ähnlichkeitsmaß des Merkmals der ersten Klasse K1 im Vergleich zur weiteren Klasse K2 an.The score value SC, in particular a silhouette coefficient, indicates a measure of similarity of the feature of the first class K1 in comparison to the further class K2.

5 zeigt einen Teilaspekt des computerimplementierten Verfahrens zum Bereitstellen des Algorithmus zur Klassifikation des Betriebszustands der technischen Komponente gemäß der bevorzugten Ausführungsform der Erfindung. 5 shows a partial aspect of the computer-implemented method for providing the algorithm for classification of the operating state of the technical component according to the preferred embodiment of the invention.

Im Operationsmodus des Algorithmus wird nur das ausgewählte Merkmal berechnet und die Klasse K1, K2 als Wahrscheinlichkeit geschätzt.In the operating mode of the algorithm, only the selected feature is calculated and the class K1, K2 is estimated as a probability.

Wenn Merkmal > Zentralwert Z2 der Klasse K2, dann wird Klasse 2 ermittelt. Wenn Merkmal < Zentralwert Z1 der Klasse K1, dann wird Klasse 1 ermittelt.If characteristic > central value Z2 of class K2, then class 2 is determined. If characteristic < central value Z1 of class K1, then class 1 is determined.

Eine Wahrscheinlichkeit für ein Ermitteln von Klasse 2 ist z.B. W = 1 - D22 / A, wobei A ein Abstand zwischen dem Zentralwert Z1 der ersten Klasse K1 und dem Zentralwert Z2 der zweiten Klasse K2 ist.For example, a probability of determining class 2 is W=1-D22/A, where A is a distance between the central value Z1 of the first class K1 and the central value Z2 of the second class K2.

6 zeigt einen Teilaspekt des computerimplementierten Verfahrens zum Bereitstellen des Algorithmus zur Klassifikation des Betriebszustands der technischen Komponente gemäß der bevorzugten Ausführungsform der Erfindung. 6 shows a partial aspect of the computer-implemented method for providing the algorithm for classification of the operating state of the technical component according to the preferred embodiment of the invention.

Die Wahrscheinlichkeitswerte W1, W2 und W3 geben dabei die Wahrscheinlichkeit einer Klassifizierung eines Merkmals M zur ersten Klasse K1 oder der weiteren Klasse K2 an.The probability values W1, W2 and W3 indicate the probability of a classification of a feature M to the first class K1 or the further class K2.

7 zeigt ein Ablaufdiagramm eines computerimplementierten Verfahrens zur Klassifikation eines Betriebszustands einer technischen Komponente gemäß einer bevorzugten Ausführungsform der Erfindung. 7 shows a flowchart of a computer-implemented method for classifying an operating state of a technical component according to a preferred embodiment of the invention.

Das Verfahren umfasst ein Bereitstellen S1' von Sensordaten D einer technischen Komponente TK.The method includes providing S1' sensor data D of a technical component TK.

Ferner umfasst das Verfahren ein Klassifizieren S2' eines ersten Betriebszustands BZ1 oder eines zweiten Betriebszustands BZ2 der technischen Komponente TK durch einen Algorithmus unter Verwendung mindestens eines ausgewählten Merkmals der die erste Klasse K1 repräsentierenden Sensordaten D und der die weitere Klasse K2 repräsentierenden Sensordaten D.The method also includes classifying S2' a first operating state BZ1 or a second operating state BZ2 of the technical component TK by an algorithm using at least one selected feature of the sensor data D representing the first class K1 and the sensor data D representing the further class K2.

Das Verfahren umfasst darüber hinaus ein Ausgeben S3' eines den ersten Betriebszustand BZ1 oder den zweiten Betriebszustand BZ2 der technischen Komponente TK repräsentierenden Klassifikationsergebnisses.The method also includes outputting S3' of a classification result representing the first operating state BZ1 or the second operating state BZ2 of the technical component TK.

Alternativ oder zusätzlich kann beispielsweise ein zwischen dem ersten Betriebszustand BZ1 und dem zweiten Betriebszustand BZ2 liegender weiterer Betriebszustand klassifiziert werden.Alternatively or additionally, for example, a further operating state lying between the first operating state BZ1 and the second operating state BZ2 can be classified.

Zum Klassifizieren S2' eines ersten Betriebszustands BZ1 oder eines zweiten Betriebszustands BZ2 der technischen Komponente TK wird das Merkmal einer berechneten vorgegebenen Mehrzahl von Merkmalen M1-M8 mit einem extremen, insbesondere einem höchsten oder geringsten, Score-Wert SC verwendet, wobei der Score-Wert SC, insbesondere ein Silhouettenkoeffizient, ein Ähnlichkeitsmaß des Merkmals der ersten Klasse K1 im Vergleich zur weiteren Klasse K2 angibt.To classify S2' a first operating state BZ1 or a second operating state BZ2 of the technical component TK, the feature of a calculated predetermined plurality of features M1-M8 with an extreme, in particular a highest or lowest, score value SC is used, the score value SC, in particular a silhouette coefficient, indicates a measure of similarity of the feature of the first class K1 compared to the further class K2.

8 zeigt eine schematische Darstellung eines Systems 1 zur Klassifikation eines Betriebszustands einer technischen Komponente gemäß einer bevorzugten Ausführungsform der Erfindung. 8th shows a schematic representation of a system 1 for the classification of an operating state of a technical component according to a preferred embodiment of the invention.

Das System 1 umfasst zumindest einen Sensor 12 zum Bereitstellen von Sensordaten D einer technischen Komponente TK.The system 1 includes at least one sensor 12 for providing sensor data D of a technical component TK.

Ferner umfasst das System eine Recheneinrichtung 14 zum Klassifizieren S2' eines ersten Betriebszustands BZ1 oder eines zweiten Betriebszustands BZ2 der technischen Komponente TK unter Verwendung eines vorberechneten Merkmals M1-M8 der die erste Klasse K1 repräsentierenden Sensordaten D und der die weitere Klasse K2 repräsentierenden Sensordaten D, wobei die Recheneinrichtung 14 dazu eingerichtet ist, ein den ersten Betriebszustand BZ1 oder den zweiten Betriebszustand BZ2 der technischen Komponente TK repräsentierenden Klassifikationsergebnis auszugeben.The system also includes a computing device 14 for classifying S2' a first operating state BZ1 or a second operating state BZ2 of the technical component TK using a precalculated feature M1-M8 of the sensor data D representing the first class K1 and the sensor data D representing the further class K2, the computing device 14 being set up to output a classification result representing the first operating state BZ1 or the second operating state BZ2 of the technical component TK.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent Literature Cited

  • DE 102010025851 A1 [0005]DE 102010025851 A1 [0005]

Claims (16)

Computerimplementiertes Verfahren zum Bereitstellen eines Algorithmus zur Merkmalsselektion & Klassifikation eines Betriebszustands (BZ) einer technischen Komponente (TK), mit den Schritten: Empfangen (S1) eines ersten Datensatzes (DS1) von, eine erste Klasse (K1) repräsentierenden, einer technischen Komponente (TK) oder einem ersten Betriebszustand (BZ1) der technischen Komponente (TK) zugehörigen Sensordaten (D) und zumindest eines weiteren Datensatzes (DS2) von, zumindest eine weitere Klasse (K2) repräsentierenden, einer technischen Komponente (TK) oder einem zweiten Betriebszustand (BZ2) der technischen Komponente (TK) zugehörigen Sensordaten (D); Berechnen (S2) einer vorgegebenen Mehrzahl von Merkmalen (M1-M8) der die erste Klasse (K1) repräsentierenden Sensordaten (D) und der die zumindest eine weitere Klasse (K2) repräsentierenden Sensordaten (D); Berechnen (S3) eines Score-Werts (SC) der vorgegebenen Mehrzahl von Merkmalen (M1-M8) der die erste Klasse (K1) repräsentierenden Sensordaten (D) und der die weitere Klasse (K2) repräsentierenden Sensordaten (D) unter Verwendung eines Silhouettenkoeffizients, welcher ein Ähnlichkeitsmaß von Merkmalswerten der unterschiedlichen Klassen zueinander angibt; und Auswahl (S4) zumindest eines der vorgegebenen Mehrzahl von Merkmalen (M1-M8) unter Verwendung des berechneten Score-Werts (SC).Computer-implemented method for providing an algorithm for feature selection & classification of an operating state (BZ) of a technical component (TC), with the steps: Receiving (S1) a first data set (DS1) of sensor data (D) representing a first class (K1) and associated with a technical component (TK) or a first operating state (BZ1) of the technical component (TK) and at least one further data set ( DS2) of sensor data (D) representing at least one further class (K2) and associated with a technical component (TK) or a second operating state (BZ2) of the technical component (TK); calculating (S2) a predetermined plurality of features (M1-M8) of the sensor data (D) representing the first class (K1) and of the sensor data (D) representing the at least one further class (K2); Calculating (S3) a score value (SC) for the predetermined plurality of features (M1-M8) of the sensor data (D) representing the first class (K1) and the sensor data (D) representing the further class (K2) using a silhouette coefficient , which indicates a degree of similarity of feature values of the different classes to one another; and Selection (S4) of at least one of the predetermined plurality of features (M1-M8) using the calculated score value (SC). Computerimplementiertes Verfahren nach Anspruch 1, wobei das Berechnen (S3) des Score-Werts (SC) der vorgegebenen Mehrzahl von Merkmalen (M1-M8) der die erste Klasse (K1) repräsentierenden Sensordaten (D) und der die weitere Klasse (K2) repräsentierenden Sensordaten (D) unter Verwendung eines mittleren Abstands (D11) von Merkmalswerten (MW) der ersten Klasse (K1) zu einem Zentralwert (Z1) der ersten Klasse (K1) und eines mittleren Abstands (D12) von Merkmalswerten (MW) der ersten Klasse (K1) zu einem Zentralwert (Z2) einer nächstgelegenen Klasse (K2) und unter Verwendung eines mittleren Abstands (D22) von Merkmalswerten (MW) der weiteren Klasse (K2) zu einem Zentralwert (Z2) der weiteren Klasse (K2) und eines mittleren Abstands (D21) von Merkmalswerten (MW) der weiteren Klasse (K2) zu einem Zentralwert (Z1) der ersten Klasse (K1) durchgeführt wird.Computer-implemented method claim 1 , wherein the calculation (S3) of the score value (SC) of the predetermined plurality of features (M1-M8) of the sensor data (D) representing the first class (K1) and of the sensor data (D) representing the further class (K2) under Use of an average distance (D11) of feature values (MW) of the first class (K1) to a central value (Z1) of the first class (K1) and an average distance (D12) of feature values (MW) of the first class (K1) to a Central value (Z2) of a closest class (K2) and using a mean distance (D22) of feature values (MW) of the further class (K2) to a central value (Z2) of the further class (K2) and a mean distance (D21) of Characteristic values (MW) of the further class (K2) to a central value (Z1) of the first class (K1) is carried out. Computerimplementiertes Verfahren nach Anspruch 1 oder 2, wobei das Merkmal der vorgegebenen Mehrzahl von Merkmalen (M1-M8) ein statistisches Merkmal, ein Merkmal aus dem Zeitbereich oder ein Merkmal aus dem Frequenzbereich ist, und wobei das Merkmal mit einem extremen, insbesondere einem höchsten oder geringsten, Score-Wert (SC) ausgewählt wird, wobei der Score-Wert (SC), insbesondere des Silhouettenkoeffizient, ein Ähnlichkeitsmaß des Merkmals der ersten Klasse (K1) im Vergleich zur zumindest einen weiteren Klasse (K2) angibt.Computer-implemented method claim 1 or 2 , wherein the feature of the predetermined plurality of features (M1-M8) is a statistical feature, a feature from the time domain or a feature from the frequency domain, and wherein the feature with an extreme, in particular a highest or lowest, score value (SC ) is selected, the score value (SC), in particular the silhouette coefficient, indicating a degree of similarity of the feature of the first class (K1) compared to at least one further class (K2). Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei die vorgegebene Mehrzahl von Merkmalen (M1-M8) der die erste Klasse (K1) repräsentierenden Sensordaten (D) und der die zumindest einen weitere Klasse (K2) repräsentierenden Sensordaten (D) in einem Zeit- und/oder Frequenzbereich berechnet werden.Computer-implemented method according to one of the preceding claims, wherein the predetermined plurality of features (M1-M8) of the first class (K1) representing sensor data (D) and the at least one further class (K2) representing sensor data (D) in a time and/or frequency range are calculated. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei die technische Komponente (TK) ein Werkzeug, eine mechanische und/oder elektrische Komponente (TK) eines technischen Systems, insbesondere einer Maschine, ist und wobei der Betriebszustand (BZ) einen aktiven und einen inaktiven Zustand und/oder einen normalen und einen abnormalen Zustand aufweist.Computer-implemented method according to one of the preceding claims, wherein the technical component (TK) is a tool, a mechanical and/or electrical component (TK) of a technical system, in particular a machine, and the operating state (BZ) has an active and an inactive state and/or has a normal and an abnormal condition. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei der Score-Wert (SC) der vorgegebenen Mehrzahl von Merkmalen (M1-M8) der die erste Klasse (K1) repräsentierenden Sensordaten (D) und der die zumindest eine weitere Klasse (K2) repräsentierenden Sensordaten (D) durch Bildung der Summe aus einem ersten Quotienten und zumindest einem weiteren Quotienten berechnet wird, wobei der erste Quotient eine Eigenschaft der ersten Klasse (K1) repräsentiert, und wobei der weitere Quotient eine Eigenschaft der zumindest einen weiteren Klasse (K2) repräsentiert.Computer-implemented method according to one of the preceding claims, wherein the score value (SC) of the predetermined plurality of features (M1-M8) of the sensor data (D) representing the first class (K1) and of the sensor data representing the at least one further class (K2). (D) is calculated by forming the sum of a first quotient and at least one further quotient, the first quotient representing a property of the first class (K1) and the further quotient representing a property of the at least one further class (K2). Computerimplementiertes Verfahren nach Anspruch 6, wobei der erste Quotient der mittlere Abstand (D12) von Merkmalswerten (MW) der ersten Klasse (K1) zu einem Zentralwert (Z2) der zumindest einen weiteren Klasse (K2) abzüglich dem mittleren Abstand (D11) von Merkmalswerten (MW) der ersten Klasse (K1) zu einem Zentralwert (Z1) der ersten Klasse (K1), dividiert durch einen Maximalwert des mittleren Abstands (D12) von Merkmalswerten (MW) der ersten Klasse (K1) zu einem Zentralwert (Z2) der zumindest einen weiteren nächstgelegenen Klasse (K2) und des mittleren Abstands (D11) von Merkmalswerten (MW) der ersten Klasse (K1) zu einem Zentralwert (Z1) der ersten Klasse (K1) ist.Computer-implemented method claim 6 , where the first quotient is the mean distance (D12) of feature values (MW) of the first class (K1) to a central value (Z2) of the at least one other class (K2) minus the mean distance (D11) of feature values (MW) of the first Class (K1) to a central value (Z1) of the first class (K1), divided by a maximum value of the mean distance (D12) of feature values (MW) of the first class (K1) to a central value (Z2) of the at least one further closest class (K2) and the average distance (D11) of feature values (MW) of the first class (K1) to a central value (Z1) of the first class (K1). Computerimplementiertes Verfahren nach Anspruch 6 oder 7, wobei der weitere Quotient der mittlere (D21) Abstand von Merkmalswerten (MW) der zumindest einen weiteren Klasse (K2) zu einem Zentralwert (Z1) der ersten Klasse (K1) abzüglich des mittleren Abstands (D22) von Merkmalswerten (MW) der zumindest einen weiteren Klasse (K2) zu einem Zentralwert (Z2) der zumindest einen weiteren Klasse (K2), dividiert durch einen Maximalwert des mittleren Abstands (D21) von Merkmalswerten (MW) der zumindest einen weiteren Klasse (K2) zu einem Zentralwert (Z1) der ersten Klasse (K1) und des mittleren Abstands (D22) von Merkmalswerten (MW) der zumindest einen weiteren Klasse (K2) zu einem Zentralwert (Z2) der weiteren Klasse (K2) ist.Computer-implemented method claim 6 or 7 , where the further quotient is the mean (D21) distance of characteristic values (MV) the at least one further class (K2) to a central value (Z1) of the first class (K1) minus the mean distance (D22) of feature values (MW) of the at least one further class (K2) to a central value (Z2) of the at least one further Class (K2), divided by a maximum value of the mean distance (D21) of feature values (MW) of the at least one other class (K2) to a central value (Z1) of the first class (K1) and of the mean distance (D22) of feature values ( MW) of at least one further class (K2) to a central value (Z2) of the further class (K2). Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei die Sensordaten (D) durch einen Körperschallsensor, einen Beschleunigungssensor, einen Ultraschallsensor, einen Luftschallsensor und/oder einen Vibrationssensor bereitgestellt werden.Computer-implemented method according to one of the preceding claims, wherein the sensor data (D) are provided by a structure-borne noise sensor, an acceleration sensor, an ultrasonic sensor, an airborne noise sensor and/or a vibration sensor. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei die berechneten Merkmale (M1-M8) der die erste Klasse (K1) repräsentierenden Sensordaten (D) und der die zumindest eine weitere Klasse (K2) repräsentierenden Sensordaten (D) gegen einen Referenzwert jedes der vorgegebenen Mehrzahl von Merkmalen (M1-M8) normiert werden.Computer-implemented method according to one of the preceding claims, wherein the calculated features (M1-M8) of the first class (K1) representing sensor data (D) and the at least one further class (K2) representing sensor data (D) against a reference value of each of the specified Majority of features (M1-M8) are normalized. Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei der Zentralwert (Z1) der ersten Klasse (K1) aus dem Mittelwert der Merkmale (M1-M8) der ersten Klasse (K1) und der Zentralwert (Z2) der zumindest einen weiteren Klasse (K2) aus dem Mittelwert der Merkmale (M1-M8) der zumindest einen weiteren Klasse (K2) berechnet werden.Computer-implemented method according to one of the preceding claims, wherein the central value (Z1) of the first class (K1) from the mean value of the features (M1-M8) of the first class (K1) and the central value (Z2) of the at least one further class (K2) be calculated from the mean value of the features (M1-M8) of the at least one further class (K2). Computerimplementiertes Verfahren zur Klassifikation eines Betriebszustands (BZ) einer technischen Komponente (TK), mit den Schritten: Bereitstellen (S1') von Sensordaten (D) einer technischen Komponente (TK); Klassifizieren (S2') eines ersten Betriebszustands (BZ1) oder eines zweiten Betriebszustands (BZ2) der technischen Komponente (TK) durch einen Algorithmus unter Verwendung eines vorberechneten Merkmals (M1-M8) der die erste Klasse (K1) repräsentierenden Sensordaten (D) und der die zumindest eine weitere Klasse (K2) repräsentierenden Sensordaten (D); und Ausgeben (S3') eines den ersten Betriebszustand (BZ1) oder den zweiten Betriebszustand (BZ2) der technischen Komponente (TK) oder eines zwischen dem ersten Betriebszustand (BZ1) und dem zweiten Betriebszustand (BZ2) liegenden weiteren Betriebszustand repräsentierenden Klassifikationsergebnisses.Computer-implemented method for classifying an operating state (BZ) of a technical component (TC), with the steps: Providing (S1') sensor data (D) of a technical component (TK); Classifying (S2') a first operating state (BZ1) or a second operating state (BZ2) of the technical component (TK) by an algorithm using a pre-calculated feature (M1-M8) of the first class (K1) representing sensor data (D) and the sensor data (D) representing the at least one further class (K2); and Outputting (S3') a classification result representing the first operating state (BZ1) or the second operating state (BZ2) of the technical component (TK) or another operating state lying between the first operating state (BZ1) and the second operating state (BZ2). Computerimplementiertes Verfahren nach Anspruch 12, wobei zum Klassifizieren (S2') eines ersten Betriebszustands (BZ1) oder eines zweiten Betriebszustands (BZ2) der technischen Komponente (TK) das Merkmal (M1-M8) einer berechneten vorgegebenen Mehrzahl von Merkmalen (M1-M8) mit einem extremen, insbesondere einem höchsten oder geringsten, Score-Wert (SC) verwendet wird, wobei der Score-Wert (SC), insbesondere ein Silhouettenkoeffizient, ein Ähnlichkeitsmaß des Merkmals (M1-M8) der ersten Klasse (K1) im Vergleich zur zumindest einen weiteren Klasse (K2) angibt.Computer-implemented method claim 12 , wherein for classifying (S2') a first operating state (BZ1) or a second operating state (BZ2) of the technical component (TK) the feature (M1-M8) of a calculated predetermined plurality of features (M1-M8) with an extreme, in particular a highest or lowest score value (SC) is used, the score value (SC), in particular a silhouette coefficient, a measure of similarity of the feature (M1-M8) of the first class (K1) in comparison to at least one further class ( K2) indicates. System (1) zur Klassifikation eines Betriebszustands (BZ) einer technischen Komponente (TK), aufweisend: zumindest einen Sensor (12) zum Bereitstellen von Sensordaten (D) einer technischen Komponente (TK); und einer Recheneinrichtung (14) zum Klassifizieren (S2') eines ersten Betriebszustands (BZ1) oder eines zweiten Betriebszustands (BZ2) der technischen Komponente (TK) unter Verwendung eines vorberechneten Merkmals (M1-M8) der die erste Klasse (K1) repräsentierenden Sensordaten (D) und der die zumindest einen weitere Klasse (K2) repräsentierenden Sensordaten (D), wobei die Recheneinrichtung (14) dazu eingerichtet ist, ein den ersten Betriebszustand (BZ1) oder den zweiten Betriebszustand (BZ2) der technischen Komponente (TK) repräsentierenden Klassifikationsergebnis auszugeben.System (1) for the classification of an operating state (BZ) of a technical component (TK), having: at least one sensor (12) for providing sensor data (D) of a technical component (TK); and a computing device (14) for classifying (S2') a first operating state (BZ1) or a second operating state (BZ2) of the technical component (TK) using a precalculated feature (M1-M8) of the first class (K1) representing sensor data ( D) and the sensor data (D) representing the at least one further class (K2), the computing device (14) being set up to generate a classification result representing the first operating state (BZ1) or the second operating state (BZ2) of the technical component (TK). to spend Computerprogramm mit Programmcode, um zumindest eines der Verfahren nach einem der Ansprüche 1 bis 13 durchzuführen, wenn das Computerprogramm auf einem Computer ausgeführt wird.Computer program with program code for at least one of the methods according to one of Claims 1 until 13 to be performed when the computer program is run on a computer. Computerlesbarer Datenträger mit Programmcode eines Computerprogramms, um zumindest eines der Verfahren nach einem der Ansprüche 1 bis 13 durchzuführen, wenn das Computerprogramm auf einem Computer ausgeführt wird.Computer-readable data carrier with program code of a computer program to at least one of the methods according to one of Claims 1 until 13 to be performed when the computer program is run on a computer.
DE102021200438.5A 2021-01-19 2021-01-19 Computer-implemented method and system for classifying an operating state of a technical component and training method Pending DE102021200438A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102021200438.5A DE102021200438A1 (en) 2021-01-19 2021-01-19 Computer-implemented method and system for classifying an operating state of a technical component and training method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102021200438.5A DE102021200438A1 (en) 2021-01-19 2021-01-19 Computer-implemented method and system for classifying an operating state of a technical component and training method

Publications (1)

Publication Number Publication Date
DE102021200438A1 true DE102021200438A1 (en) 2022-07-21

Family

ID=82218114

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021200438.5A Pending DE102021200438A1 (en) 2021-01-19 2021-01-19 Computer-implemented method and system for classifying an operating state of a technical component and training method

Country Status (1)

Country Link
DE (1) DE102021200438A1 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004063388A1 (en) 2004-12-23 2006-07-13 Medav Gmbh Adaptive classification process used in the quality assessment of manufactured products uses quality vector and adaptive limits
EP2166491A1 (en) 2008-09-19 2010-03-24 Siemens Aktiengesellschaft Method for computer-supported learning by a control of a technical system based on timelines
DE102010025851A1 (en) 2010-07-01 2012-01-05 Schaeffler Technologies Gmbh & Co. Kg A method of training a rolling bearing state classification system and a rolling bearing state classification system and a rolling bearing state classification system
DE102016224207A1 (en) 2016-12-06 2018-06-07 Siemens Aktiengesellschaft Method and control device for controlling a technical system
DE102019100721A1 (en) 2018-01-23 2019-07-25 Computational Systems Inc. Vibration analysis systems and methods

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004063388A1 (en) 2004-12-23 2006-07-13 Medav Gmbh Adaptive classification process used in the quality assessment of manufactured products uses quality vector and adaptive limits
EP2166491A1 (en) 2008-09-19 2010-03-24 Siemens Aktiengesellschaft Method for computer-supported learning by a control of a technical system based on timelines
DE102010025851A1 (en) 2010-07-01 2012-01-05 Schaeffler Technologies Gmbh & Co. Kg A method of training a rolling bearing state classification system and a rolling bearing state classification system and a rolling bearing state classification system
DE102016224207A1 (en) 2016-12-06 2018-06-07 Siemens Aktiengesellschaft Method and control device for controlling a technical system
DE102019100721A1 (en) 2018-01-23 2019-07-25 Computational Systems Inc. Vibration analysis systems and methods

Similar Documents

Publication Publication Date Title
DE19643918C1 (en) Statistical sample sequence classification method for time series data e.g. stock market
DE69718714T2 (en) Fault detection during the operation of electrical equipment
DE102019107363B4 (en) Method and system for determining a property of a machine, in particular a machine tool, without measuring the property and method for determining an expected quality condition of a component manufactured with a machine
DE112020006911T5 (en) Data generation device, machine learning system and machining state estimation device
DE102018109819A1 (en) Method for obtaining information from X-ray computed tomography data for optimizing the injection molding process of short fiber reinforced plastic parts
EP2854045B1 (en) Method and system for the evaluation of recorded measured values of a system
DE19636074C2 (en) Learning-capable image processing system for classification
DE102006043684A1 (en) Method for processing an intensity image of a microscope
DE102021200438A1 (en) Computer-implemented method and system for classifying an operating state of a technical component and training method
DE102020207449B4 (en) Method, computer program and device for processing signals
DE102010046867A1 (en) Method for classifying patterns in image data sets
DE102021207613A1 (en) Process for quality assurance of a system
DE102019213019B4 (en) METHOD AND DEVICE FOR ANALYZING A PROCESS
DE102018211513A1 (en) Method and device for determining a collision probability of a vehicle with an object
DE102023103743A1 (en) METHOD AND SYSTEM FOR PREDICTING A PROCESS SEQUENCE FOR A VEHICLE MANUFACTURING PROCESS
EP3671576A1 (en) Method and device for determining segments in received time series data of a system component
DE10222072A1 (en) Automatic diagnostic method for dynamic systems involves processing input data in probability network, feeding at least one system characterizing parameter into computation of diagnosis result
DE102021121957A1 (en) Method for specifying a manufacturing process for a pressed component, computer program and electronically readable data carrier
DE102020203135A1 (en) Procedure for quality assurance of an example-based system
DE102019220615A1 (en) Method and device for recognizing and classifying objects
WO2018091160A1 (en) Functional monitoring of a sensor device of a motor vehicle
DE102023101427A1 (en) Method for processing semi-finished products, processing device, computer program and computer-readable storage medium
WO2022069182A1 (en) Quality assurance method for an example-based system
DE102021131082A1 (en) Method and AI system for providing a crack formation probability of a deep-drawn component
DE102019107545A1 (en) Method for validating a controller

Legal Events

Date Code Title Description
R163 Identified publications notified
R012 Request for examination validly filed