用于气动系统中泄漏检测的机器学习方法与流程

1.本发明属于技术系统的状态监测和故障检测领域。特别地，本发明涉及一种用于气动系统中连续状态监测和异常检测、特别是泄漏或其他故障检测的方法和系统。


背景技术：

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


技术实现要素：

3.基于此，本技术的目的是提供一种可供气动系统的操作员用于异常诊断的方法。
4.该目的通过所附的专利权利要求书来解决，特别是通过用于连续状态监测的方法、状态监测单元以及通过用于执行状态监测的计算机程序来解决。可以在从属权利要求和以下描述中找到具有特征的本发明的其他有利实施例。
5.根据第一方面，该目的通过一种用于对气动系统进行连续状态监测、特别是用于异常检测(诸如泄漏检测)的方法来解决。该方法包括在推理阶段中执行的以下方法步骤：
[0006]-提供经训练的正常状态模型作为一类模型，该模型已在训练阶段训练中利用代表气动系统的正常状态的正常状态数据进行了训练；
[0007]-通过一组传感器连续地采集气动系统的传感器数据；
[0008]-从所采集的传感器数据中提取特征；
[0009]-使用距离度量(distance metric)(例如，欧几里得范数、和范数、最大范数)来确定所提取的特征与正常状态模型的学习特征的偏差；
[0010]-根据所确定的偏差计算异常分数；和
[0011]-输出所计算的异常分数。
[0012]
该计算机执行程序可以用作诊断系统并且在后台执行，从而操作员仅需在发生泄漏或其他异常情况时做出反应，以便启动适当的故障排除手段。特别是，该方法基于根据传感器数据识别特征，这些数据用于训练可以用于评估气动系统的未来状态的正常状态模型。在随后的操作模式中确定的特征与经训练的正常状态的特征的偏差越大，故障状态的概率就越大。这被转化为异常分数，从而气动系统的操作员可以因此做出反应。
[0013]
下面更详细地解释本发明的术语。
[0014]
正常状态模型描述了气动系统的正常状态。在正常状态下，没有异常、泄漏或其他故障，生产过程运行良好。“生产过程(production process)”被理解为是指生产周期的重复，因此是气动系统的运行状态。在该上下文中，周期或生产周期描述了气动执行器返回其
起点的运动。运动例如是气缸活塞的线性移位或执行器的旋转运动。
[0015]
气动系统可以具有一个以上的操作状态。例如，气动系统可以在不同的压力水平下操作，其中每个压力水平表征一个操作状态。在这种情况下，必须在训练阶段期间针对每个操作状态学习气动系统的正常状态。
[0016]
正常状态可以通过气动系统的特性来表示。这些特征基于正常状态的测量状态数据，诸如压力、压力曲线、流量、流量曲线或时间戳。一类模型学习这些特征并且基于这些特征定义正常状态。为了学习正常状态，在训练期间理想地使用若干个整生产周期的所测量的正常状态数据。
[0017]
例如，气动系统可以是单个气动执行器(或致动器，actuator)或多个执行器。多个执行器可以彼此独立地操作。多个执行器可以布置在阀岛上，该阀岛可以一次控制多个阀。在一些应用中，多个执行器也可以操作为使得它们具有接触点或相互依赖或依赖于公共阀进行操作。
[0018]
气动执行器的示例是夹具，另一个示例是气动张紧器(夹持器)。气动张紧器可以例如以四个特征来表征，即分别用于打开和关闭夹钳(climp)的反应和处理时间。这里，张紧器的反应和处理时间不是直接测量的，而是根据易于访问的状态数据提取的。夹钳的生产周期包括打开和关闭。相关联的反应和处理时间以及生产周期的长度可以在正常状态下被分配一个数值。与此数值的偏差可以表示异常。
[0019]
实验表明，正常状态的特性很大程度上可以取决于阀和执行器之间的节流阀的设置。因此，正常状态模型可以特定于执行器。在这种情况下，节流阀和/或另一个合适的控制器可以用于调节供应管线的供应压力，从而导致在其他恒定分量的情况下不同的行程时间和/或反应时间。
[0020]
如果存在异常，则气动系统将不能在正常状态下操作。异常可以导致延迟、能量损失、生产力干扰、气动系统部件的故障、停产或类似情况。异常的原因可能是泄漏、滚针轴承破裂和/或系统中的摩擦增加。
[0021]
在本发明的优选实施例中，正常状态模型是统计模型和/或机器学习模型。
[0022]
在统计模型中，假定正常状态的特性的概率，其中所述概率可以基于经验值和/或建模。正常状态的特性是预定义的。当新事件发生时，可以调整特性的参数化。例如，新事件是将新执行器连接到现有的气动系统。
[0023]
机器学习模型基于训练数据生成统计正常状态模型。在此过程中，学习模型确定了表征正常状态本身的特征。以迭代的方式，生成正常状态模型，估计量化正常状态模型的偏差的错误概率，并且优化模型，直到例如错误概率不再显著提高。机器学习模型可以使用深度学习和/或神经网络进行训练。
[0024]
在该上下文中，术语“一类模型”是指仅从正常状态的数据生成的状态模型。统计模型中指定的正常状态的特征被量化(学习特征)，并且确定在哪些偏差内状态数据仍可归因于正常状态。
[0025]
在训练期间，机器学习模型从正常状态的状态数据中生成特征并且学习它们的特性。作为“一类模型”，学习模型仅利用正常状态的状态数据进行训练，并且在生产过程中区分与正常状态相关的状态数据和其他状态数据，即未被确定的其余状态(异常)的状态数据。与其他机器学习模型不同，正常状态的没有适当标记的反例被用于训练。这样做的益处
是，训练不需要表示具有异常的状态的数据。当气动系统投入使用时，此类具有异常的状态数据通常尚不可用。
[0026]
训练的目标是使模型学习准确识别气动系统的正常状态，以便将与正常状态的偏差描述为生产过程中的异常。为此，优化目标函数，从而机器学习模型接受尽可能多的正常状态的状态数据和尽可能少的具有异常的状态的数据。在生产过程中，一个度量标准指定状态数据与正常状态模型的距离，或者状态数据属于正常状态的概率。另一个度量标准是这个距离或概率的阈值。如果状态数据低于阈值，则将状态数据接受为属于正常状态。
[0027]
david tax讨论了一类模型的不同方法及其优缺点(tax david martinus johannes，一类分类：在没有反例的情况下进行概念学习。代尔夫特理工大学：论文，2001，isbn：90-75691-05-x)。据此，可以使用例如以下一种或多种方法来实现一类模型：
[0028]-密度估计，该密度估计估计正常状态数据的密度并且设置密度分布的极限。极限值可以基于某个分布(例如，泊松分布或高斯分布)。超出极限的状态数据被归类为不属于正常状态；
[0029]-边界法，该边界法在最佳地表征正常状态的特征的正常状态的数据周围拟合最小的可能体积。边界值可以直接从体积的外部区域得出。边界法的示例是支持向量数据描述(“svdd”)，其使用最小的可能超球面来将正常状态数据与错误状态数据分开。边界法例如在以下被更详细地描述：ruff,l.、vandermeulen,r.、goernitz,n.、deecke,l.、siddiqui,s.a.、binder,a.、m
ü
ller；克洛夫特，m..(2018)。深度一类分类。第35届关于机器学习的国际会议的论文集，机器学习研究论文集中80:4393-4402，可从http://proceedings.mlr.press/v80/ruff18a.html获得。也可以使用其他体积，诸如边界框的体积；
[0030]-重建法，该重建法对正常状态数据的聚类特性及其在子空间中的分布进行假定。假定异常状态的状态数据不满足这些假定。重建法的一个示例是k均值法。这里，正常状态数据按特征分组，其中每组由呈中心形式的“原型”表示。如果状态数据与最近中心的偏差太大，则将该状态分类为不属于正常状态。
[0031]
在另一个实施例中，可以利用正常状态的状态数据和包含正常状态数据和故障数据的混合状态数据来训练模型。为此，例如可以考虑方法“孤立森林(isolation forest)”或“一类支持向量机”。
[0032]
传感器数据可以由气动系统内和/或上的传感器收集，并且可以量化气动系统的典型测量变量。例如，可以使用以下传感器中的一种或多种：
[0033]-流量计；
[0034]-压力传感器；
[0035]-温度传感器；
[0036]-电磁阀传感器(“电磁阀传感器”)，其测量压缩空气的运动的方向；
[0037]-捕获时间戳；
[0038]-测量气动系统的执行器的位置的接近传感器；
[0039]-用于执行器的位移测量的线性可变差动变压器(“lvdt”)；
[0040]-限位开关，该限位开关用于检测执行器何时到达某个位置；
[0041]-麦克风；和/或
[0042]-结构声拾音器。
[0043]
对于有关传感器及其在气动系统中和/或上的安装的更多详细信息，请参阅张坤波的多执行器气动系统的故障检测和诊断，石溪大学，论文，2011。
[0044]
在推理阶段中，执行上述过程步骤。推理阶段可以在气动系统的操作状态期间连续运行。替代地或附加地，推理阶段也可以仅在某些时间被调用，例如在运行状态中断之后调用。
[0045]
此外，特征的提取包括将纯测量点转换为可解释的物理量。例如，可以从两个测量的时间戳中提取某个过程的持续时间和/或行程时间。然而，并不总是需要提取特征。在某些情况下，传感器数据也可以直接用于下一个过程步骤，即：使用距离度量确定所提取的特征与正常状态模型的学习特征的偏差。在某些情况下，仅需要从某些传感器数据中提取特征。特征提取也可能涉及逻辑、比较和/或算术运算。特征可以是n维向量。
[0046]
距离度量量化了所提取的特征与学习特征的距离。典型的距离度量是欧几里得范数、和范数或最大范数。也可以使用距离度量的权重和/或距离度量的组合。在配置阶段中，可以执行待应用的距离度量的确定，例如通过用户接口上的输入。
[0047]
输出根据距离度量计算的异常分数，从而气动系统或者还有控制系统的操作员可以在异常的情况下采取适当的行动。异常分数可以以多种方式输出。例如，操作员可能会接收推送消息、邮件或其他消息。输出可以以图形和/或量化值的形式呈现。
[0048]
异常分数给出了关于部分和/或整个气动系统的状态的基于概率的说明。例如，可以为特定执行器计算特定异常分数。然而，也可以针对阀岛计算特定异常分数。在某些情况下，“零”可能意味着气动系统正在正常状态下操作，即：没有错误。异常分数越高，与气动系统的所学习的正常状态的偏差就越大。异常分数可以作为预警系统，其已经显示出与正常状态的小偏差。此外，用于计算异常分数的算法可以被参数化。因此，例如，可以根据应用调整异常分数的灵敏度以及用于计算异常分数的训练和平滑间隔。在某些情况下，异常分数可以随着时间的推移作为连续信号输出。这对于趋势检测可能特别有用。异常分数也可以作为离散信号输出，例如以具有平均值、中间结果、统计参数、训练数据和/或状态数据的仪表板(dashboard)的形式输出。
[0049]
在本发明的另一个优选实施例中，所计算和输出的异常分数被用于异常检测、特别是泄漏检测，和/或用于气动系统的运行时间监测。此外，正常状态数据可以包括压力信号和/或流量信号和/或麦克风/体声信号和/或阀切换时间和/或来自限位开关的信号和/或连续位置信号和/或另外的阀相关时间信号和/或其他模拟/数字测量信号。术语“测量信号”和“传感器数据”在这里可以互换使用。
[0050]
在第一实施例中，该方法可以被被动地使用，例如作为生产过程中控制器的一部分，因此向生产过程提供反馈。例如，该方法可以在可编程逻辑控制器(plc)中或在现场总线节点上实施。在本发明的第二实施例中，该方法可以用作推荐系统而不影响对过程的直接反馈，并且仅用于异常的早期检测以及警告和/或推荐的发布。该方法还可以被设计为具有对过程进行反馈的推荐系统。
[0051]
有利地，上述过程可以直接在现场总线节点和/或边缘装置中执行。此外，可以在中央计算机架构和/或云中执行部分过程或整个过程。该过程可以在持久存储器中使用，从而即使在电源故障或其他中断之后也可以执行该过程。
[0052]
实验表明，正常状态的特性很大程度上可以取决于阀和执行器之间的节流阀的设置。因此，正常状态模型可以特定于执行器。因此，可以在现场总线节点中应用多个正常状态模型。正常状态模型的数量对应于执行器的数量。
[0053]
在本发明的另一有利实施例中，可以通过基于tcp/ip的网络协议、特别是通过mqtt协议或opc ua协议，将异常分数转发给所选择的其他网络节点。为此，可以在气动系统的现场总线节点上设置代理节点，该代理节点充当中介以将所计算的异常分数从执行异常检测过程的监测单元发送到所选择的网络节点。替代地或附加地，异常分数和/或状态数据可以被转发到可编程逻辑控制器(plc)和/或智能装置(例如平板电脑)和/或云。
[0054]
有利地，可以确定生产力分数，尤其是当自动检测过程周期时，以便评估周期持续时间如何在更长的时间范围内发展。如果周期持续时间增加并因此降低生产力，则可以发出生产力警告消息，例如以警告气动机器或设备的操作员。
[0055]
在本发明的另一个实施例中，正常状态的表示或建模可以通过边界框法或通过k均值法或通过另一种合适的一类学习方法来完成。边界框法是基于上述的边界法。这里，训练的不是超球面，而是n维框，该n维框作为生产过程中偏离正常状态的数据的边界。n维框围绕正常状态的数据进行拟合，以使得其体积尽可能小，同时尽可能最佳地表示正常状态。
[0056]
边界法的其他一类学习方法例如是最近邻法或k中心法。
[0057]
利用k均值法或k均值聚类，将正常状态的特征分组到子空间中。每个子空间可以由原型或中心表示，使得中心和正常状态数据之间的差异最小。其他一类学习重建方法包括学习向量量化方法和自组织映射方法。
[0058]
在本发明的另一有利实施例中，可以将归一化函数应用于所确定的偏差。其结果可以是异常分数。这特别是用于改进对异常分数的进一步处理，例如通过操作员和/或控制系统。特别是，sigmoid函数(例如逻辑函数)可以用作归一化函数。sigmoid函数的拐点(转折点)和/或斜率(梯度)能够被参数化和/或sigmoid函数可以在训练阶段中线性地重新调整，使得异常分数的图形表示是连续的。理想地，这可以导致异常分数通过坐标原点，从而为异常分数、特别是距离值“零”输出函数值“零”，并且因此可以被特别好地解释。在本发明的优选实施例中，可以规定，为了确定sigmoid函数的参数化(拐点和/或斜率)，计算关于训练数据点到所学习的正常状态的距离的统计量。这可以作为训练过程的最后步骤来执行。
[0059]
此外，可以规定，当超过异常分数的可配置阈值时，向气动系统的操作者发出警报。例如，这可以通过警告消息(例如，发送到移动终端)来实现。此外，可以通过可配置的阈值为异常分数值分配交通灯颜色。例如，可以指定当超过异常分数阈值0.3时，交通灯从绿色跳到黄色。具有以下语义的交通灯表示也是可以想到的：正常状态、推荐的功能检查、推荐的维护、需要的维护、颜色变化时向用户发出警告。也可以实现当异常分数超过某个值时异常分数的其他可视化和/或可听(sounding)。
[0060]
可以为整个气动系统全局输出异常分数。替代地或附加地，也可以针对气动系统的某些子组和/或功能单元、诸如针对阀岛上的所有气动张紧器，本地输出异常分数，以便简化异常的定位。这涉及处理来自不同传感器的大量传感器信号，其有利于异常检测和纠正的效率和可扩展性。
[0061]
对于手动和/或自动执行的故障排除，可以考虑各种问题及其补救措施。如果尽管在气动系统中可能没有检测到故障，但显示故障异常分数，则可能已经利用瞬态阶段(或启
动阶段)的状态数据而不是正常状态的状态数据训练了一类模型，瞬态阶段(或启动阶段)可能偏离正常状态。在这种情况下，可以推荐在瞬态阶段已经完成之后重新训练一类模型。替代地或附加地，训练数据可能不完全代表正常状态，例如由于多种操作状态。在这种情况下，可以推荐利用包含所有操作状态的扩展间隔重新训练一类模型。缺少操作状态的后期培训也是可以的。
[0062]
如果尽管气动系统中存在异常但是显示低的异常分数，则训练数据可能包含统计相关的误差分量。在这种情况下，推荐利用正常状态数据在没有故障的情况下或利用统计上不相关的故障情况分量重新训练一类模型。
[0063]
此外，异常分数的敏感性可能无法达到期望的结果。在这种情况下，如果是由于长期短期设置，则应重新调整异常分数的参数化和/或应调整平滑间隔。
[0064]
故障排除可以使用状态数据进行，或者可以完全基于状态数据进行。
[0065]
在优选实施例中，该方法可以通过元参数来控制。元参数可以代表模型的参数化并且特别是包括确定k均值中心的数量和/或边界框的数量，和/或用于边界框的边界的计算规则，和/或所提取的特征的权重，和/或用于特征提取的其他参数。
[0066]
在本发明的另一个优选实施例中，元参数可以包括传感器的参数化并且因此确定例如待采集哪些传感器数据、何时和/或多长时间待采集传感器数据，和/或指定周期长度。此外，元参数可以提供距离度量的参数化、异常分数计算的参数化和/或输出的参数化。附加地或替代地，可以提供一种从测量信号反向确定元参数的方法。
[0067]
有利地，使用相同的预处理方法对训练阶段中的训练数据和推理阶段中的生产数据并且尤其是传感器数据进行预处理。这有助于数据的可比性。例如，如果用于特征提取的时间窗口由自动模式识别确定，则可以在训练和推理阶段以相同的方式完成。
[0068]
预处理方法可以包括对传感器数据和/或正常状态数据执行模式识别算法。这可以用于检测传感器数据中代表过程周期的重复发生模式。在该上下文中，所检测的过程周期可以被用作时间窗口的参数化。此外，特别地，模式识别算法的结果可以用于计算在其中执行特征提取的时间窗口。时间窗口可以配置为不重叠的(即连续的)或重叠的。特别地，可以为待提取特征的某些阶段定义时间窗口。如果没有进行特征提取，例如如果传感器信息直接流入正常状态模型，则无需定义时间窗口。
[0069]
时间窗口长度可以指定为周期单位数或时间单位的静态值，诸如10秒。如果自动检测周期，则周期长度也可以是动态的。在这种情况下，例如，可以计算平均值作为该时间窗口长度的特征。这里，时间窗口长度不应与训练数据集长度混淆。训练数据集可以包括多个时间窗口，以便以有意义的方式训练统计模型。然后可以从完整的训练数据集中提取特征。训练数据集可以再次划分为许多时间窗口(非重叠的或重叠的)。例如，可以由气动系统的操作员根据经验通过菜单或者在考虑测量数据(周期过程长度)之后确定时间窗口。
[0070]
替代地或累积地，时间窗口可以通过重复发生模式的自动检测、例如通过自相关以算法方式被确定。此外，可以应用试错过程来优化窗口选择和/或传感器数据的选择。传感器数据的选择也可以基于经验值，该经验值可以通过人机接口以用户输入的形式输入或者从存储器读取。时间窗口长度可以等于或不同于周期长度。然而，由于气动系统的自动化(生产)过程通常是周期过程，因此这通常是有用的。
[0071]
此外，预处理方法之一并且特别是模式识别算法可以包括自相关。
[0072]
上述方法还可以包括降维方法(例如，主成分分析，“pca”)，并且该降维方法可以特别是在数据预处理步骤中应用于原始数据和/或应用于所提取的特征。
[0073]
所计算的异常分数可以优选地经受低通滤波，由此低通滤波可以是可参数化的。
[0074]
在本发明的优选实施例中，可以在用户接口(或用户界面，user interface)的输入字段上记录元参数、特别是灵敏度参数，并且灵敏度参数可以表征在什么条件下并且特别是多快将所提取的特征和学习特征之间的差异作为偏差处理。
[0075]
有利地，所提取的特征可以包括统计特性并且特别是包括传感器数据的平均值、最小值、最大值、差异、分位数，尤其是四分位数、偏度和/或峰度和/或它们的导数、频率分析的特性(例如，通过傅里叶分析)或随时间变化的其他选择的特性。
[0076]
此外，在采集传感器数据之后，该方法可以对所采集的传感器数据执行预处理算法，该算法将数据转换为不同的格式和/或过滤掉离群数据。
[0077]
优选地，在采集传感器数据之后，该方法可以执行模式识别算法以检测传感器数据中的重复发生模式(例如，通过自相关)，该模式代表过程周期，并且所采集的过程周期可以用作时间窗口的参数化。
[0078]
例如，可以提供一对一的分配，其将所检测的过程周期长度分配给用于提取特征的时间窗口。然而，仅过程周期的某些子部分可能是有意义的，诸如车身构造中的夹持过程：这里的过程周期包括车身零件的夹持。这通常需要不到一秒的时间。随后的焊接过程大约需要30秒，并且随后的释放在焊接零件进入下一个生产步骤之前不到一秒。因此，整个夹持过程还包括30秒的焊接时间，在特征提取期间不必在所有情况下都考虑到这一点。
[0079]
上面基于该方法描述了该目的的解决方案。其中提到的特征、优点或替代实施例同样适用于其他要求保护的主题，反之亦然。换言之，基于设备的主题权利要求(其例如针对状态监测单元或计算机程序)也可以进一步形成有结合方法描述或要求保护的特征，反之亦然。在该上下文中，该方法的相应功能特征由系统或产品的相应代表性模块、特别是由硬件模块或微处理器模块形成，反之亦然。要求保护的设备因此被配置为执行上述方法。上述方法的本发明的有利实施例也可以在状态监测单元中实施。这些实施例在此不再单独赘述。
[0080]
根据第二方面，本发明涉及一种用于气动系统的连续状态监测并且特别是用于早期故障检测的状态监测单元，其中状态监测单元适于执行上述方法之一，并且包括：
[0081]-到存储器的接口，在存储器中，将经训练的正常状态模型存储为一类模型，该模型已在训练阶段中利用正常状态数据进行了训练并且代表气动系统的正常状态；
[0082]-数据接口，该数据接口用于通过一组传感器连续地采集气动系统的传感器数据；
[0083]-提取器，该提取器用于从所采集的传感器数据中提取特征；
[0084]-微分器，该微分器用于使用距离度量(例如，欧几里得范数、和范数、最大范数)来确定所提取的特征与正常状态模型的学习特征的偏差；
[0085]-评分单元，该评分单元用于根据所确定的偏差计算异常分数；和
[0086]-输出单元，该输出单元用于输出所计算的异常分数。
[0087]
根据第三方面，该问题通过一种包括指令的计算机程序来解决，当计算机程序由计算机执行时，所述指令使计算机程序执行根据上述方法权利要求中任一项的方法。
[0088]
在以下附图的详细描述中，将基于附图讨论不应被限制性地理解的实施例的示例
以及它们的特征和进一步的优点。
附图说明
[0089]
图1示出了气动系统的一部分、特别是具有大量执行器(或致动器，actuator)的阀岛的示意图；
[0090]
图2是连续状态监测过程的流程图的示例；
[0091]
图3示出了具有连续状态监测的示例性气动系统的信号流程图的示意性表示的示例；
[0092]
图4a是使用边界框方法确定距离的示意性示例；
[0093]
图4b是使用k均值法(k-means method)确定距离的示意性示例；
[0094]
图5是根据本发明的归一化函数的示意性表示。
具体实施方式
[0095]
下面，结合附图通过实施例更详细地描述本发明。
[0096]
本发明的保护范围由权利要求书给出，并且不受说明书中解释的或附图所示的特征的限制。
[0097]
本发明涉及一种用于监测气动系统的状态、特别是用于检测诸如泄漏之类的异常的方法和装置。
[0098]
图1示出了具有状态监测单元114的气动系统100的概览图。气动系统100包括阀岛102。能够想到气动系统100可以包括其他部件或多个阀岛102。气动系统100的其它部件可以包括控制器104、终端106和通信接口108。
[0099]
阀岛102包括阀v1、v2、v3。此外，多个执行器a1、...、a6位于阀岛上。执行器a1、...、a6连接到阀v1、...、v3并且由这些阀控制。例如，执行器a1可以是张紧器(夹持器)。与张紧器相连的阀v1可以使张紧器(执行器a1)打开和关闭。此外，数字输入/输出集线器112位于阀岛102上并且通过信号线s1连接到执行器a1。信号线s2将阀v1连接到冲程(stroke)112。相应的信号线从执行器a2、...、a6和阀v2、...v3引向用于数字输入和输出112的冲程。为了清楚起见，此处省略更详细的说明。应注意，信号线s1、s2在此显示为导线。然而，这些信号线也可以分别由无线通信接口来代替。
[0100]
阀岛102的冲程(集线器)112还连接到现场总线节点110。现场总线节点110代表阀岛102的数据中心，并且包括状态监测单元114。状态监测单元114(下文也简称为“监测单元114”)可以在现场总线节点110的持久存储器116(例如，闪存)中使用。状态监测单元114包括例如模型及其参数、训练和推理算法、训练数据、状态数据、元参数和配置参数(未显示)。此外，现场总线节点具有非持久存储器(例如ram)。这里，例如，可以存储历史状态数据和相关联的异常分数。
[0101]
监测单元114在气动系统100的训练和操作状态(即，在推理期间)通过冲程112接收传感器数据。示出了执行器a1上的示例性传感器m1(例如限位开关)以及用于检测阀v1上的时间戳m2的传感器。传感器m1例如测量执行器a1已到达预定位置的时间。传感器m2例如测量阀v1被打开或关闭的时间。根据该传感器数据，监测单元使用上述一类模型计算异常分数。这可以通过通信接口108与气动系统的其他部件和/或阀岛进行通信和/或显示在终
端106上。
[0102]
通信接口108例如可以是分布式系统的通信接口，诸如opc统一架构(opc ua)。该接口可以用于与其他现场总线节点和/或it数据池进行通信。附加地或替代地，通信接口可以被设计为机器对机器的通信接口并且用于例如通过消息队列遥测传输(mqtt)协议传输消息。这在图1中利用参考符号为mqtt代理(broker)显示。
[0103]
现场总线节点110还连接到控制器、诸如plc 104和终端106。终端106可以包括用于由操作员输入的用户接口。附加地或替代地，终端可以用于显示106由监控单元114提供的异常分数。
[0104]
在本发明的优选实施例中，状态监测单元114包括三个接口：到传感器m的第一接口；到存储器116的第二接口，在储存器116中存储经训练的一类模型；以及第三接口，该第三接口可以是人机接口320或终端106并且用于输入和输出数据。在简单的实施例中，状态监测单元114可以包括提取器304、微分器310和评分单元318。当然，存储器116也可以形成为内部存储器，使得可以将经训练的一类模型内部和本地存储在现场总线节点110中。
[0105]
图2是在推理阶段中执行的步骤202-212的连续状态监测方法200的流程图的示例。方法200可以在气动系统100的监测单元114中运行，或者监测单元114可以启动相应的步骤。
[0106]
在第一步骤202中，提供经训练的正常状态模型。正常状态模型被训练为一类模型并且具有气动系统100的正常状态的状态数据。在正常状态下，气动系统100无错误地运行。正常状态数据代表这种情况。如果执行器a1是张紧器，则可以使用正常状态来准确指定完成一个生产周期所花费的时间。
[0107]
在步骤204中，气动系统100的传感器数据通过一组传感器被连续地采集。该组传感器至少包括上述的传感器m1和m2。此外，这些类型或其他类型的传感器中的若干传感器(例如，流量传感器、压力传感器、麦克风、结构声拾音器)可以收集传感器数据。
[0108]
此外，在步骤206中，从连续采集的传感器数据中提取特征。通过进行提取，物理上可解释的量，这些特征，从纯测量数据点得出。例如，所测量的时间戳被分配与特定过程相关联的持续时间的特性。
[0109]
随后是步骤208，该步骤208通过距离度量来确定所提取的特征与正常状态的学习特征的偏差。例如，距离度量可以是欧几里得范数、和范数或最大范数。
[0110]
根据所确定的这些偏差，在步骤210中计算异常分数。结合图3更详细地描述该计算。
[0111]
在步骤212中输出异常分数。例如，可以通过气动系统的终端106进行输出。异常分数也可以通过通信接口108排他地或附加地传送到其他参与者。附加地或替代地，异常分数可以例如作为控制变量传送给控制器104。如果需要，这可以调整其操纵变量。此外，异常分数和相关联的状态数据可以存储在现场总线节点110的非易失性存储器116中。
[0112]
图3示出了包括示例性连续状态监测气动系统的相关联信号处理部件的信号流程图300的示意性表示的示例。特别地，框310表示微分器，该微分器用于确定异常分数的计算所基于的偏差。输入302由连续记录(采集)的传感器信号组成。例如，这些信号包括阀切换时间和/或来自执行器(例如气缸)的限位开关的信号。根据这些传感器信号，如框304中所示，通过提取器304来提取特征，即导出提供关于气动系统的运行的信息的量。在当前情况
下，这可以包括执行器特征“反应时间延长”、“行程时间延长”、“反应时间回缩”和“行程时间回缩”和/或执行器的可能延迟。
[0113]
可以对所提取的特征进行归一化以简化它们在n维空间中的表示。如果从传感器数据导出的特征包含待一起进一步处理的不同物理量和/或量值(例如，压力和时间)，则这是特别有利的。
[0114]
在框308中，距离度量可以被确定为配置阶段中的可选步骤，例如，通过在由微分器310应用或待由微分器310应用的人机接口上的数据收集进行确定。
[0115]
在代表微分器310的框310中，确定所提取的特征与学习特征的偏差。学习特征是指在训练期间通过正常状态数据导出的特征。可以通过边界框法311或通过k均值法312来确定偏差。还可以想到，如果有足够的计算能力，则两种方法都可以用于更稳健的结果。
[0116]
在边界框法311中，确定所提取的特征是否位于由边界框界定的空间内，或者是否要假定边界值违反(boundary value violation)。在后一种情况下，确定所提取的特征和边界框之间的距离，否则距离为零(参见图4a的解释)。在k均值法中，确定特征到最近的聚类中心的距离(参见图4b的解释)。
[0117]
所确定的距离通过归一化函数314映射到异常分数的任意区间(例如，从“零”到“一”)。结果由低通滤波器316平滑化，并且对应的异常分数作为评分单元318的输出而被提供。异常分数最终由输出单元320输出。
[0118]
图4a和图4b以示例性方式示出了确定所提取的特征与气动系统的正常状态的距离。图4a示出了使用边界框法来确定偏差。边界框(所示的矩形)表示正常状态的学习特征所属的空间。如果所提取的特征位于边界框内，则距离为零。如果所提取的特征位于边界框之外，则确定其与边界框的距离。该距离由虚线表示。为此，可以使用各种距离度量、加权距离度量或距离度量的组合。距离度量例如是欧几里得范数、最大范数或和范数。
[0119]
图4b示出了使用k均值法来确定偏差。“聚类中心”表示对正常状态的学习特征数据进行分组的k均值聚类的中心。正常状态的学习特征数据的分组由图4b中的聚类轮廓说明。所提取的特征(“测试数据”)到学习特征的最近中心的距离在k均值法内(虚线)确定。
[0120]
基于由边界框法或k均值法确定的距离，一类模型确定异常分数，该异常分数通过输出单元320输出给操作员。
[0121]
对于图4a和图4b，应该注意，选择的二维表示仅用于说明的目的，并且特征可以是更高维(n维)的对象。
[0122]
图5是根据本发明的归一化函数的示意性图。归一化函数是sigmoid函数。在当前情况下，对sigmoid函数进行了重新调整，从而可以为零距离分配零异常分数。曲线图c1-c3示出了sigmoid函数的参数化对异常分数的影响以及其如何表示测量偏差(x轴上的“距离”)。偏差被映射到异常分数0...1，这有助于它们的可解释性，并且因此对可能的异常做出适当的反应。
[0123]
特别是，在当前情况下，sigmoid函数的拐点和斜率被参数化。从sigmoid曲线c1开始，增加拐点意味着沿着x轴的正方向移位。这使得模型不太敏感，因为较高的偏差或距离现在由较低的异常分数表示。
[0124]
此外，如由曲线c3示例性所示，sigmoid曲线c1的斜率的增加导致偏差或距离的较小差异造成异常分数的较大差异。根据气动系统的误差容限，可以选择并参数化归一化曲
线。
[0125]
最后，应该注意的是，本发明的描述和实施例原则上不应被理解为对本发明的任何特定物理实现的限制。结合本发明的各个实施例解释和示出的所有特征可以在根据本发明的主题中以不同的组合来提供，以便同时实现它们的有利效果。
[0126]
本发明的保护范围由权利要求书给出，并且不受说明书中解释的或附图所示的特征的限制。
[0127]
对于本领域技术人员而言特别显而易见的是，本发明不仅可以应用于所提及的传感器数据，而且还可以应用于至少部分地影响气动系统的运行状态的其他计量记录的变量。此外，状态监测单元的部件可以实现为分布在若干个物理产品上。