DE102021116520A1 - Process for quality monitoring of electric drives - Google Patents
Process for quality monitoring of electric drives Download PDFInfo
- Publication number
- DE102021116520A1 DE102021116520A1 DE102021116520.2A DE102021116520A DE102021116520A1 DE 102021116520 A1 DE102021116520 A1 DE 102021116520A1 DE 102021116520 A DE102021116520 A DE 102021116520A DE 102021116520 A1 DE102021116520 A1 DE 102021116520A1
- Authority
- DE
- Germany
- Prior art keywords
- drives
- measured value
- variant
- value data
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000012544 monitoring process Methods 0.000 title claims abstract description 10
- 238000013461 design Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000005094 computer simulation Methods 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 230000013707 sensory perception of sound Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011511 automated evaluation Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
- G07C3/143—Finished product quality control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Automation & Control Theory (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zur Qualitätsüberwachung von elektrischen Antrieben, wobei Vibrationen und/oder Geräusche elektrischer Antriebe im Rahmen eines Testbetriebes (12) gemessen und aus den Messwerten Messwertdaten generiert werden, wobei die Messwertdaten mittels elektronischer Datenverarbeitung ausgewertet werden. Das Verfahren wird auf elektrische Antriebe unterschiedlicher Varianten angewendet, wobei sich die elektrischen Antriebe unterschiedlicher Varianten konstruktiv voneinander unterscheiden und elektrische Antriebe derselben Variante baugleich sind, wobei für die einzelnen Varianten spezifische Eigenschaften der Messwertdaten definiert werden und die Auswertung der Messwertdaten in Bezug auf diese Eigenschaften erfolgt.Bei der Durchführung des Verfahrens mit elektrischen Antrieben wenigstens einer bestimmten Variante werden Erfahrungsdaten (26), die bei der Durchführung des Verfahrens mit Antrieben wenigstens einer anderen Variante, insbesondere mit Antrieben einer Mehrzahl anderer Varianten, gewonnenen worden sind, genutzt, um ein Variantenmodell auszuwählen, zu erzeugen und/oder anzupassen, das Zusammenhänge zwischen dem Verhalten der Messwertdaten von Antrieben unterschiedlicher Varianten beschreibt und dadurch eine computerunterstützte Vorhersage (32) des Verhaltens der Messwertdaten der Antriebe der bestimmten Variante ermöglicht.The invention relates to a method for monitoring the quality of electric drives, with vibrations and/or noises of electric drives being measured during a test operation (12) and measured value data being generated from the measured values, with the measured value data being evaluated using electronic data processing. The method is applied to electric drives of different variants, with the electric drives of different variants having different designs and electric drives of the same variant being structurally identical, with specific properties of the measured value data being defined for the individual variants and the measured value data being evaluated in relation to these properties When the method is carried out with electrical drives of at least one specific variant, experience data (26) obtained when the method is carried out with drives of at least one other variant, in particular with drives of a plurality of other variants, is used to select a variant model , to generate and/or adapt, which describes the relationships between the behavior of the measured value data from drives of different variants and thereby a computer-aided prediction (32) of the behavior of the measured value data the drives of the specific variant allows.
Description
Die Erfindung betrifft ein Verfahren zur Qualitätsüberwachung von elektrischen Antrieben nach dem Oberbegriff des Anspruchs 1.The invention relates to a method for monitoring the quality of electric drives according to the preamble of claim 1.
Aus dem Stand der Technik sind Verfahren zur Qualitätsüberwachung von elektrischen Antrieben bekannt, bei denen Vibrationen und/oder Geräusche elektrischer Antriebe im Rahmen eines Testbetriebes gemessen und aus den Messwerten Messwertdaten generiert werden. Die Generierung der Messwertdaten erfolgt dabei insbesondere automatisiert mit einer entsprechenden Datenverarbeitungseinrichtung. Bei dieser kann es sich um einen Computer und/oder einen eingebetteten Computer, der beispielsweise Bestandteil einer Messeinrichtung sein kann, handeln.Methods for monitoring the quality of electric drives are known from the prior art, in which vibrations and/or noises of electric drives are measured as part of a test operation and measured value data are generated from the measured values. The generation of the measured value data takes place in particular in an automated manner with a corresponding data processing device. This can be a computer and/or an embedded computer, which can be part of a measuring device, for example.
Derartige Verfahren beruhen auf der Erkenntnis, dass baugleiche elektrische Antriebe, die sich konstruktiv nicht voneinander unterscheiden, während eines Testbetriebes ein hinreichend ähnliches Verhalten im Hinblick auf ihre Vibrationen und/oder Geräusche aufweisen, um Rückschlüsse auf die Qualität derartiger Antriebe zu ermöglichen. Insbesondere ist es möglich, Mängel der in Rede stehenden Antriebe zu identifizieren, wenn deren Verhalten im Hinblick auf Vibrationen und/oder Geräusche über ein gewisses Maß hinaus von einer Referenz abweicht.Methods of this type are based on the knowledge that electrical drives of the same construction that do not differ from one another in terms of design exhibit sufficiently similar behavior with regard to their vibrations and/or noises during test operation to enable conclusions to be drawn about the quality of such drives. In particular, it is possible to identify defects in the drives in question if their behavior with regard to vibrations and/or noise deviates to a certain extent from a reference.
Zu diesem Zweck werden die Messwertdaten regelmäßig mittels elektronischer Datenverarbeitung ausgewertet. Zeigen sich im Verhalten der im Testbetrieb gewonnenen Messwertdaten Abweichungen von einem Referenzverhalten, so können diese beispielsweise genutzt werden, um mängelbehaftete elektrische Antriebe zu identifizieren.For this purpose, the measurement data is regularly evaluated using electronic data processing. If there are deviations from a reference behavior in the behavior of the measured value data obtained during test operation, this can be used, for example, to identify defective electric drives.
In der Praxis werden elektrische Antriebe der in Rede stehenden Art jedoch in unterschiedlichen Varianten hergestellt. Dabei unterscheiden sich die elektrischen Antriebe unterschiedlicher Varianten konstruktiv voneinander, während elektrische Antriebe derselben Variante baugleich sind. Dies führt jedoch dazu, dass sich aufgrund der konstruktiven Unterschiede die während des Testbetriebs von den Antrieben unterschiedlicher Varianten erzeugten Vibrationen und/oder Geräusche voneinander unterscheiden. Dies führt dazu, dass sich auch das Verhalten der Messwertdaten für Antriebe unterschiedlicher Varianten unterscheidet. Die entsprechenden Referenzen müssen daher für die einzelnen Varianten festgelegt werden.In practice, however, electric drives of the type in question are produced in different variants. The electric drives of different variants differ in design from one another, while electric drives of the same variant are structurally identical. However, this means that due to the structural differences, the vibrations and/or noises generated by the drives of different variants during the test operation differ from one another. This means that the behavior of the measured value data for drives of different variants also differs. The corresponding references must therefore be defined for the individual variants.
In der Praxis werden Eigenschaften der Messwertdaten definiert, und die Messwertdaten in Bezug auf diese Eigenschaften ausgewertet. Liegen die elektrischen Antriebe in unterschiedlichen Varianten vor, müssen diese Eigenschaften für jede der Varianten spezifisch definiert werden, um eine Qualitätsüberwachung im Hinblick auf die einzelnen Varianten durchführen zu können. Als Eigenschaft der Messwertdaten, auf die die Messwertdaten hin ausgewertet werden, kann bereits beispielsweise definiert sein, ob die Geräuschemission des Antriebs in einem bestimmten Frequenzbereich innerhalb eines bestimmten Geräuschpegels liegt. Dies kann beispielsweise die Identifizierung fehlerbehafteter elektrischer Antriebe ermöglichen, wenn deren Geräuschemission in dem betrachteten Frequenzbereich andere Werte aufweist, als diejenigen, die als Eigenschaft des elektrischen Antriebs der jeweiligen Variante definiert sind. Unterscheidet sich aufgrund der konstruktiven Änderung die Geräuschemission einer anderen Variante in diesem Frequenzbereich, so würde dies unter Verwendung der identischen Definition dazu führen, dass der elektrische Antrieb dieser anderen Variante beispielsweise irrtümlich als fehlerbehaftet erkannt wird, obwohl dies nicht der Fall ist. Würde man dem vorbeugen wollen, indem man die entsprechende Eigenschaft derart weit definiert, dass die Messwertdaten beider Varianten bei fehlerfreien elektrischen Antrieben diese Eigenschaft aufweisen, so würde dies möglicherweise wiederum dazu führen, dass fehlerbehaftete Antriebe nicht als solche erkannt werden.In practice, properties of the measured value data are defined and the measured value data are evaluated with regard to these properties. If the electric drives are available in different variants, these properties must be specifically defined for each of the variants in order to be able to carry out quality monitoring with regard to the individual variants. As a property of the measured value data for which the measured value data are evaluated, it can already be defined, for example, whether the noise emission of the drive is within a specific noise level in a specific frequency range. This can, for example, enable faulty electric drives to be identified if their noise emissions in the frequency range under consideration have different values than those defined as a property of the electric drive of the respective variant. If the noise emission of another variant differs in this frequency range due to the design change, then using the identical definition would result in the electric drive of this other variant being incorrectly identified as faulty, for example, although this is not the case. If one wanted to prevent this by defining the corresponding property so broadly that the measured value data of both variants for error-free electric drives have this property, this would possibly lead to faulty drives not being recognized as such.
Daher ist es in der Praxis üblicherweise notwendig, dass die Eigenschaften der Messwertdaten, in Bezug auf die die Auswertung der Messwertdaten erfolgt, spezifisch für die einzelnen Varianten definiert werden.It is therefore usually necessary in practice for the properties of the measured value data, with reference to which the measured value data is evaluated, to be defined specifically for the individual variants.
In der Praxis stellt dies jedoch genau dann ein Problem dar, wenn sehr viele Varianten der in Rede stehenden Antriebe hergestellt werden und die Stückzahl der Antriebe einzelner Varianten gering ist. In derartigen Fällen ist es sehr aufwändig, zunächst eine hinreichend große Menge Referenzmesswerte und aus diesen resultierende Messwertdaten zu generieren, um die für die einzelnen Varianten spezifischen Eigenschaften der Messwertdaten für sämtliche Varianten definieren zu können. In der Praxis kann daher das Potenzial, welches die Messung der Vibrationen und/oder Geräusche im Rahmen der Qualitätsüberwachung derartiger elektrischer Antriebe grundsätzlich bietet, bei variantenreichen elektrischen Antrieben nicht annähernd ausgeschöpft werden. Dies kann beispielsweise dann der Fall sein, wenn es sich bei den elektrischen Antrieben um Getriebemotoren handelt. Bei diesen handelt es sich um einen Elektromotor und ein Getriebe, die in einer Einheit kombiniert werden. Häufig sind derartige Getriebemotoren als eine Art „Baukastensystem“ konzipiert, dass die Kombination unterschiedlicher Elektromotoren mit unterschiedlichen Getrieben erlaubt. Bereits hierdurch entsteht eine beachtliche Anzahl an Varianten. Darüber hinaus können derartige Getriebemotoren noch weitere optionale Komponenten, wie beispielsweise eine Bremse eines bestimmten Typs und/oder eine bestimmte Sensorik, wie beispielsweise einen Drehwinkelgeber, aufweisen. Daher können insbesondere Getriebemotoren in einer Vielzahl möglicher Varianten herstellbar sein.In practice, however, this presents a problem precisely when a large number of variants of the drives in question are produced and the number of drives of individual variants is small. In such cases, it is very complex to first generate a sufficiently large quantity of reference measured values and measured value data resulting from these in order to be able to define the properties of the measured value data specific to the individual variants for all variants. In practice, therefore, the potential offered by the measurement of vibrations and/or noises in the context of quality monitoring of such electric drives cannot be nearly exhausted in the case of electric drives with a large number of variants. This can be the case, for example, when the electric drives are geared motors. These are an electric motor and a gearbox combined in one unit. Such geared motors are often designed as a kind of "modular system" that allows the combination of different electric motors with different gears. This alone creates a considerable number of variants. About that In addition, such geared motors can also have other optional components, such as a brake of a certain type and/or a certain sensor system, such as a rotary encoder. Therefore, geared motors in particular can be produced in a large number of possible variants.
Der Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren zur Qualitätsüberwachung von elektrischen Antrieben aufzuzeigen, das einen effizienteren Einsatz der Messung von Vibrationen und/oder Geräuschen bei elektrischen Antrieben, die in einer Mehrzahl Varianten hergestellt werden, ermöglicht.The invention is therefore based on the object of demonstrating a method for monitoring the quality of electric drives which enables more efficient use of the measurement of vibrations and/or noise in electric drives which are manufactured in a number of variants.
Die Aufgabe wird gelöst durch ein Verfahren zur Qualitätsüberwachung von elektrischen Antrieben mit den Merkmalen des Anspruchs 1. Die Merkmale der abhängigen Ansprüche betreffen vorteilhafte Ausführungsformen.The object is achieved by a method for monitoring the quality of electric drives with the features of claim 1. The features of the dependent claims relate to advantageous embodiments.
Das Verfahren sieht vor, dass bei der Durchführung des Verfahrens mit elektrischen Antrieben wenigstens einer bestimmten Variante Erfahrungsdaten, die bei der Durchführung des Verfahrens mit Antrieben wenigstens einer anderen Variante gewonnen wurden, genutzt werden, um ein Variantenmodell auszuwählen, zu erzeugen und/oder anzupassen. Das Variantenmodell beschreibt Zusammenhänge zwischen dem Verhalten der Messwertdaten von Antrieben unterschiedlicher Varianten und ermöglicht so eine computerunterstützte Vorhersage des Verhaltens der Messwertdaten der Antriebe der bestimmten Variante. Es versteht sich, dass die computerunterstützte Vorhersage auch ausschließlich durch einen Computer erfolgen kann.The method provides that when the method is carried out with electrical drives of at least one specific variant, empirical data that was obtained when the method is carried out with drives of at least one other variant is used in order to select, generate and/or adapt a variant model. The variant model describes relationships between the behavior of the measured data of drives of different variants and thus enables a computer-aided prediction of the behavior of the measured data of the drives of the specific variant. It goes without saying that the computer-aided prediction can also be carried out exclusively by a computer.
In der Praxis hat sich gezeigt, dass - auch wenn sich das Verhalten der Messwertdaten unterschiedlicher Varianten unterscheidet - es oftmals dennoch möglich ist, Erkenntnisse über das Verhalten der Messwertdaten einer Variante auf das Verhalten einer anderen Variante zu übertragen. Aufgrund der in der Praxis hochkomplexen Zusammenhänge zwischen den konstruktiven Unterschieden der elektrischen Antriebe einzelner Varianten und den resultierenden Vibrationen und/oder Geräuschen lässt sich dies jedoch regelmäßig nicht im Wege einer einfachen Übertragung bewerkstelligen. So kann sich beispielsweise ein bestimmter Fehler, der sich bei dem elektrischen Antrieb einer Variante auf die Geräuschentwicklung in einem bestimmten Frequenzbereich auswirkt, sich bei einer anderen Variante auf die Geräuschentwicklung in einem anderen Frequenzbereich auswirken. Damit die Eigenschaften der Messwertdaten, die die Erkennung dieses Fehlers ermöglichen, für beide Varianten korrekt definiert werden können, bedarf es daher eines entsprechend komplexen Variantenmodells, das die computerunterstützte Vorhersage des Verhaltens der Messwertdaten der Antriebe einer bestimmten Variante aufgrund der an einer anderen Variante gewonnenen Erfahrungsdaten ermöglicht.In practice it has been shown that - even if the behavior of the measured data of different variants differs - it is often possible to transfer knowledge about the behavior of the measured data of one variant to the behavior of another variant. However, due to the highly complex relationships in practice between the design differences of the electric drives of individual variants and the resulting vibrations and/or noises, this cannot usually be accomplished by means of a simple transmission. For example, a specific error that affects the noise development in a specific frequency range in the electric drive of one variant can affect the noise development in a different frequency range in another variant. So that the properties of the measured data, which enable the detection of this error, can be correctly defined for both variants, a correspondingly complex variant model is required that allows the computer-aided prediction of the behavior of the measured data of the drives of a specific variant based on the empirical data obtained from another variant allows.
Es versteht sich, dass die Erfahrungsdaten, die genutzt werden, um dieses Variantenmodell auszuwählen, zu erzeugen und/oder anzupassen auch mit Antrieben einer Mehrzahl anderer Varianten gewonnen worden sein können. In der Praxis ist dies sogar vorteilhaft, da das Generieren von Erfahrungsdaten an einer möglichst großen Anzahl unterschiedlicher Varianten komplexere und damit präzisere Modelle ermöglicht und so die Qualität der Vorhersagen verbessert.It goes without saying that the empirical data used to select, generate and/or adapt this variant model can also have been obtained with drives from a number of other variants. In practice, this is even advantageous, since the generation of empirical data on the largest possible number of different variants enables more complex and therefore more precise models, thus improving the quality of the predictions.
Die Auswahl, Erzeugung und/oder Anpassung des Variantenmodells erfolgt dabei insbesondere automatisiert durch einen Computer. In diesem Zusammenhang kann das Verfahren beispielsweise vorsehen, dass der Computer aus einer Mehrzahl vordefinierter Variantenmodelle dasjenige auswählt, das die Zusammenhänge zwischen dem Verhalten der Messwertdaten von Antrieben unterschiedlicher Varianten am besten beschreibt. Alternativ und/oder ergänzend kann das Verfahren auch die Erzeugung des Variantenmodells durch den Computer vorsehen. Hierfür können insbesondere Methoden aus dem Bereich der künstlichen Intelligenz zum Einsatz kommen, die es dem Computer ermöglichen, die Zusammenhänge zwischen dem Verhalten der Messwertdaten von Antrieben unterschiedlicher Varianten zu erkennen und mittels eines durch den Computer erzeugten Variantenmodells zu beschreiben. Alternativ und/oder ergänzend ist es möglich, dass ein bestehendes Variantenmodell durch den Computer angepasst wird. Beispielsweise können in dem Variantenmodell bestimmte veränderbare Parameter definiert sein, die durch den Computer angepasst werden können, um eine möglichst gute Beschreibung der Zusammenhänge zwischen dem Verhalten der Messwertdaten von Antrieben unterschiedlicher Varianten durch das Variantenmodell zu erzielen.The selection, generation and/or adaptation of the variant model is done in an automated manner by a computer. In this context, the method can provide, for example, for the computer to select from a plurality of predefined variant models that model which best describes the relationships between the behavior of the measured value data from drives of different variants. Alternatively and/or additionally, the method can also provide for the generation of the variant model by the computer. In particular, methods from the field of artificial intelligence can be used for this purpose, which enable the computer to recognize the relationships between the behavior of the measured data from drives of different variants and to describe them using a variant model generated by the computer. Alternatively and/or in addition, it is possible for an existing variant model to be adapted by the computer. For example, certain changeable parameters can be defined in the variant model, which can be adjusted by the computer in order to achieve the best possible description of the relationships between the behavior of the measured value data from drives of different variants using the variant model.
Das Verfahren kann insbesondere Teil eines Herstellungsverfahrens des elektrischen Antriebs sein. In diesem Zusammenhang wird das Verfahren insbesondere als Qualitätssicherungsverfahren im Rahmen der Herstellung des jeweiligen elektrischen Antriebs durchgeführt. In diesem Zusammenhang kann das Verfahren, insbesondere unmittelbar, nach dem Abschluss der Montage des jeweiligen Antriebs durchgeführt werden. Derartige Verfahren werden in der Praxis auch als „End-of-Line“-Test bezeichnet. In diesem Zusammenhang kann das Verfahren insbesondere vorsehen, dass der Testbetrieb mittels einer hierfür vorgesehenen Testbetriebseinrichtung durchgeführt wird. Diese kann insbesondere eine Steuerungseinrichtung zur Steuerung und/oder Versorgung des elektrischen Antriebs mit elektrischer Energie aufweisen. Auf diese Weise können identische bzw. zumindest im Wesentlichen identische Bedingungen für den Testbetrieb, im Rahmen dessen die Vibrationen und/oder Geräusche gemessen werden, geschaffen werden. Beispielsweise kann der Testbetrieb eine identische Drehzahl bei der Durchführung des Testbetriebs an verschiedenen Antrieben, insbesondere an Antrieben verschiedener Varianten, vorsehen.The method can in particular be part of a manufacturing method for the electric drive. In this context, the method is carried out in particular as a quality assurance method as part of the production of the respective electric drive. In this context, the method can be carried out, in particular immediately, after the assembly of the respective drive has been completed. In practice, such methods are also referred to as “end-of-line” tests. In this context, the method can in particular provide that the test mode is carried out using a test mode device provided for this purpose. This can especially special have a control device for controlling and / or supplying the electric drive with electrical energy. In this way, identical or at least essentially identical conditions can be created for the test operation, in the context of which the vibrations and/or noises are measured. For example, the test mode can provide an identical speed when carrying out the test mode on different drives, in particular on drives of different variants.
Alternativ und/oder ergänzend ist es auch möglich, dass das Verfahren unabhängig von der Herstellung der Antriebe, beispielsweise „im Feld“, also im Einsatzumfeld, durchgeführt wird. Insbesondere in diesem Fall kann es sich bei den fehlerbehafteten Antrieben auch um Antriebe handeln, bei denen die Fehler erst im laufenden Betrieb aufgetreten sind, beispielsweise aufgrund eines Verschleißes. Das Verfahren kann in diesem Fall beispielsweise im Rahmen einer Wartung durchgeführt werden.Alternatively and/or additionally, it is also possible for the method to be carried out independently of the manufacture of the drives, for example “in the field”, ie in the operational environment. In this case in particular, the faulty drives can also be drives in which the faults only occurred during ongoing operation, for example due to wear. In this case, the method can be carried out, for example, as part of maintenance.
Das Verfahren kann vorsehen, dass aufgrund des Ergebnisses der Auswertung der Messwertdaten, die während des Testbetriebs mit dem jeweiligen Antrieb gewonnen worden sind, eine Unterscheidung zwischen fehlerfreien Antrieben und fehlerbehafteten Antrieben erfolgt. Die Unterscheidung kann insbesondere automatisiert mittels einer Datenverarbeitungseinrichtung getroffen werden. Das Verfahren kann vorsehen, dass in Abhängigkeit von dem Ergebnis der Unterscheidung eine automatisierte Aktion ausgelöst wird. Bei dieser kann es sich um die Signalisierung des Ergebnisses der Unterscheidung handeln. Weiterhin kann es sich als Folge der Erkennung eines fehlerbehafteten Antriebs um dessen automatisierte Separierung aus dem Herstellungsprozess und/oder als Folge der Erkennung eines fehlerbehafteten Antriebs um dessen Überführung in den nächsten Schritt des Herstellungsprozesses handeln.The method can provide for a distinction to be made between fault-free drives and faulty drives on the basis of the result of the evaluation of the measured value data obtained during test operation with the respective drive. In particular, the distinction can be made automatically by means of a data processing device. The method can provide for an automated action to be triggered depending on the result of the distinction. This can be the signaling of the result of the distinction. Furthermore, as a result of the detection of a faulty drive, it can be its automated separation from the manufacturing process and/or as a result of the detection of a faulty drive, its transfer to the next step of the manufacturing process.
Aufgrund der Auswertung der Messwertdaten kann eine Klassifikation fehlerbehafteter Antriebe nach Fehlertypen erfolgen. Dies kann insbesondere nach und/oder in Zusammenhang mit einer Unterscheidung zwischen fehlerfreien und fehlerbehafteten Antrieben erfolgen. Die Klassifikation eines Fehlers eines jeweiligen fehlerbehafteten Antriebs erfolgt dabei insbesondere automatisiert durch eine Datenverarbeitungseinrichtung. Um die Klassifikation der Fehler nach Fehlertypen zu ermöglichen, können Zusammenhänge zwischen bestimmten Fehlertypen und Verhalten der ausgewerteten Messwertdaten untersucht und/oder erkannt werden. Die Untersuchung und/oder Erkennung dieser Zusammenhänge kann insbesondere automatisiert mittels einer Datenverarbeitungseinrichtung erfolgen. So können beispielsweise Fehler eines bestimmten Fehlertyps, die zu einem charakteristischen Muster in der Geräuschentwicklung führen, erkannt und insbesondere automatisiert diesem Fehlertyp zugeordnet werden. Das Verfahren kann insbesondere vorsehen, dass der Fehlertyp des Fehlers nach der Klassifizierung automatisiert signalisiert wird. Dies erleichtert es zum Beispiel, die als fehlerbehaftet erkannten Antriebe einer gezielten Nachbearbeitung zur Behebung eines konkreten Fehlers zuzuführen.Based on the evaluation of the measured value data, faulty drives can be classified according to error types. In particular, this can be done after and/or in connection with a distinction between fault-free and faulty drives. The classification of a fault in a respective faulty drive is carried out in an automated manner in particular by a data processing device. In order to enable the errors to be classified according to error types, relationships between specific error types and the behavior of the evaluated measured value data can be examined and/or recognized. The examination and/or recognition of these relationships can be carried out in an automated manner using a data processing device. For example, errors of a specific error type that lead to a characteristic pattern in the noise development can be recognized and, in particular, automatically assigned to this error type. In particular, the method can provide for the error type of the error to be automatically signaled after the classification. This makes it easier, for example, to send the drives identified as having errors to targeted post-processing to rectify a specific error.
Alternativ und/oder ergänzend kann im Fall der Erkennung nicht klassifizierbarer Fehler eine manuelle Klassifikation des Fehlers und/oder eine manuelle Ergänzung der für die Klassifikation zur Auswahl stehenden Fehlertypen erfolgen. Wird ein Fehler erkannt, der nicht klassifiziert werden kann, so kann die Klassifikation, beispielsweise durch eine Untersuchung des betroffenen Antriebs, manuell in einer Datenbank ergänzt werden, um eine Korrelation zwischen dem Fehlertyp des festgestellten Fehlers und den im Testbetrieb gewonnenen Messwertdaten zu erzeugen. Diese korrelierten Daten können dann als Erfahrungsdaten im vorliegenden Verfahren genutzt werden. Wird beispielsweise bei der Untersuchung des fehlerbehafteten Antriebs ein bisher nicht klassifizierter Fehlertyp festgestellt, so können die für die Klassifikation zur Auswahl stehenden Fehlertypen entsprechend manuell ergänzt werden. Die so geschaffenen Erfahrungsdaten ermöglichen es insbesondere, Fehler dieses Fehlertyps zukünftig automatisiert mittels einer Datenverarbeitungseinrichtung zu klassifizieren. Es versteht sich in diesem Zusammenhang, dass das Verfahren auch die automatisierte Digitalisierung eines solchen nicht klassifizierbaren Fehlers entsprechend signalisieren kann, um den Antrieb einer entsprechenden manuellen Klassifikation zuführen zu können.Alternatively and/or additionally, in the case of the detection of non-classifiable errors, the error can be classified manually and/or the error types available for selection for the classification can be supplemented manually. If an error is detected that cannot be classified, the classification can be supplemented manually in a database, for example by examining the affected drive, in order to generate a correlation between the error type of the error detected and the measured value data obtained during test operation. This correlated data can then be used as empirical data in the present method. If, for example, a previously unclassified error type is found during the examination of the faulty drive, then the error types available for selection for the classification can be supplemented manually accordingly. The empirical data created in this way make it possible, in particular, to classify errors of this type of error automatically in the future using a data processing device. In this context, it is understood that the method can also correspondingly signal the automated digitization of such an unclassifiable error in order to be able to feed the drive to a corresponding manual classification.
Bei den Eigenschaften, die für die Auswertung der Messwertdaten der Antriebe einer jeweiligen Variante definiert werden, kann es sich um statistische Eigenschaften handeln, die auf der Grundlage des empirisch ermittelten Verhaltens der Messwertdaten von Antrieben der jeweiligen Variante definiert werden. Hierfür werden insbesondere die Messwertdaten fehlerfreier Antriebe der jeweiligen Variante genutzt. So kann beispielsweise untersucht werden, welche Geräuschentwicklung in einem bestimmten Frequenzbereich Antriebe einer bestimmten Variante während des Testbetriebs erzeugen. Mittels statistischer Methoden können dann Eigenschaften der Messwertdaten ermittelt werden, die dem statistisch zu erwartenden Verhalten der Messwertdaten fehlerfreier Antriebe entsprechen. Die statistische Auswertung kann insbesondere automatisiert mittels einer Datenverarbeitungseinrichtung erfolgen. Weicht das ermittelte Verhalten der Messwertdaten eines bestimmten Antriebs von den auf der Grundlage des empirisch ermittelten Verhaltens der Antriebe dieser Variante definierten Eigenschaften ab, so kann der betroffene Antrieb, insbesondere automatisiert durch eine Datenverarbeitungseinrichtung, als fehlerbehaftet erkannt werden. Der Vorteil der Nutzung derartiger statistischer Eigenschaften liegt in der Tatsache, dass fehlerfreie Antriebe wesentlich häufiger auftreten, als fehlerbehaftete Antriebe. Mittels statistischer Methoden können daher die statistischen Eigenschaften bereits anhand der Messwertdaten vergleichsweise weniger Antriebe der jeweiligen Variante definiert werden. Denn es ist nicht zwingend notwendig, für die Definition einer derartigen statistischen Eigenschaft Messwertdaten fehlerbehafteter Antriebe auszuwerten. Bereits rein auf der Auswertung der Messwertdaten fehlerfreier Antriebe können statistische Eigenschaften definiert werden, mit denen zumindest Unregelmäßigkeiten im Verhalten der Messwertdaten erkannt werden können, die mit einer gewissen Wahrscheinlichkeit auf einen Fehler hindeuten.The properties that are defined for the evaluation of the measured value data of the drives of a respective variant can be statistical properties that are defined on the basis of the empirically determined behavior of the measured value data of drives of the respective variant. In particular, the measured value data of error-free drives of the respective variant are used for this. For example, it is possible to examine which noise levels are generated in a specific frequency range by drives of a specific variant during test operation. Properties of the measured value data can then be determined by means of statistical methods, which correspond to the statistically expected behavior of the measured value data of error-free drives. The statistical evaluation can in particular be automated using a data processing device. If the determined behavior of the measured value data differs If a certain drive depends on the properties defined on the basis of the empirically determined behavior of the drives of this variant, then the affected drive can be identified as being faulty, in particular automatically by a data processing device. The advantage of using such statistical properties lies in the fact that fault-free drives occur much more frequently than faulty drives. Using statistical methods, the statistical properties can therefore already be defined using the measured value data for comparatively few drives of the respective variant. Because it is not absolutely necessary to evaluate measured value data of faulty drives for the definition of such a statistical property. Statistical properties can already be defined purely on the basis of the evaluation of the measured value data of error-free drives, with which at least irregularities in the behavior of the measured value data can be detected, which indicate an error with a certain probability.
Alternativ und/oder ergänzend kann es sich bei den Eigenschaften, die für die Auswertung der Messwertdaten der Antriebe einer jeweiligen Variante definiert werden, um fehlerassoziierte Eigenschaften handeln, die auf der Grundlage der Auswertung von Messwertdaten von Antrieben, die einen bestimmten Fehlertyp aufweisen, definiert werden. Es hat sich gezeigt, dass sich bestimmte Fehlertypen in einem bestimmten Verhalten der Vibrationen und/oder Geräusche des Antriebs während des Testbetriebs niederschlagen können. So kann ein bestimmter Fehlertyp z.B. zum Entstehen von Vibrationen und/oder Geräuschen in einem ganz bestimmten Frequenzbereich führen. Aufgrund dieser Erkenntnisse können Eigenschaften für die Messwertdaten definiert werden, die beim Auftreten eines bestimmten Fehlertyps bei einem Antrieb einer bestimmten Variante vorliegen. Anhand der Auswertung der Messwertdaten im Hinblick auf diese Eigenschaften kann dann erkannt werden, ob der Fehler, mit dem die Eigenschaft der Messwertdaten assoziiert ist, vorliegt.Alternatively and/or additionally, the properties that are defined for the evaluation of the measured value data of the drives of a respective variant can be error-associated properties that are defined on the basis of the evaluation of measured value data from drives that have a specific error type . It has been shown that certain types of errors can be reflected in a certain behavior of the vibrations and/or noises of the drive during the test operation. For example, a certain type of error can lead to the generation of vibrations and/or noises in a very specific frequency range. Based on these findings, properties can be defined for the measured value data that are present when a specific type of error occurs in a drive of a specific variant. Based on the evaluation of the measured value data with regard to these properties, it can then be recognized whether the error with which the property of the measured value data is associated is present.
Weiterhin kann es sich bei den Eigenschaften, die für die Auswertung der Messwertdaten der Antriebe einer jeweiligen Variante definiert werden, um akustikassoziierte Eigenschaften handeln, die auf der Grundlage eines bestimmten gewünschten psychoakustischen Verhaltens eines Antriebs einer jeweiligen Variante definiert werden. Regelmäßig ist ein bestimmtes psychoakustisches Verhalten eines Antriebs gewünscht. Dies basiert insbesondere auf Erfahrungswerten bei der Herstellung derartiger Antriebe. Es hat sich gezeigt, dass menschliche Arbeiter fehlerbehaftete Antriebe bereits mit dem Gehör aufgrund ihres psychoakustischen Verhaltens erkennen. Die Psychoakustik beschreibt den Zusammenhang zwischen der menschlichen Empfindung von Schall als Hörereignis und dessen physikalischen Schallfeldgrößen als Schallereignis. Von daher ist es möglich, die Eigenschaften für die Auswertung der Messwertdaten für einen Antrieb einer bestimmten Variante so zu definieren, dass Messwertdaten, die diese Eigenschaften aufweisen, einem gewünschten psychoakustischen Verhalten des Antriebs entsprechen, dass insbesondere von einem menschlichen Arbeiter als Indikation für einen fehlerfreien Antrieb wahrgenommen würde. Die Definition derartiger psychoakustischer Eigenschaften für die Messwertdaten ermöglicht es, gewonnene Erfahrungen in der Herstellung und insbesondere der Qualitätssicherung elektrischer Antriebe der in Rede stehenden Art in das beschriebene automatisierte oder zumindest weitgehend automatisierte Verfahren einfließen zu lassen und so insbesondere zur Erkennung fehlerbehafteter Antriebe zu nutzen.Furthermore, the properties that are defined for the evaluation of the measured value data of the drives of a respective variant can be acoustic-associated properties that are defined on the basis of a specific desired psychoacoustic behavior of a drive of a respective variant. A specific psychoacoustic behavior of a drive is regularly desired. This is based in particular on empirical values in the manufacture of such drives. It has been shown that human workers can already detect faulty drives by hearing due to their psychoacoustic behavior. Psychoacoustics describes the connection between the human perception of sound as an auditory event and its physical sound field sizes as a sound event. It is therefore possible to define the properties for the evaluation of the measured value data for a drive of a specific variant in such a way that measured value data that have these properties correspond to a desired psychoacoustic behavior of the drive, in particular by a human worker as an indication of a fault-free drive would be perceived. The definition of such psychoacoustic properties for the measured value data makes it possible to incorporate experience gained in the production and in particular the quality assurance of electric drives of the type in question into the described automated or at least largely automated method and thus to use them in particular to identify faulty drives.
Alternativ und/oder ergänzend kann es sich bei den Eigenschaften, die für die Auswertung der Messwertdaten der Antriebe einer jeweiligen Variante definiert werden, um rechenmodellbasierte Eigenschaften handeln, die auf der Grundlage eines Rechenmodells, welches Konstruktionsdaten betreffend konstruktive Merkmale der Variante des jeweiligen Antriebs der jeweilige Variante nutzt, definiert werden. Basierend auf der Erkenntnis, dass die im Testbetrieb entstehenden Vibrationen und/oder Geräusche von den konstruktiven Merkmalen eines Antriebs abhängen, können über Rechenmodelle aufgrund konstruktiver Merkmale das Verhalten der Vibrationen und/oder Geräusche der elektrischen Antriebe und somit das zu erwartende Verhalten der im Testbetrieb an diesen Antrieben gewonnenen Messwertdaten vorausberechnet werden. Aufgrund dieser Berechnungen können die Eigenschaften, auf die hin die Messwertdaten ausgewertet werden, als rechenmodellbasierte Eigenschaften definiert werden. Der Vorteil der Nutzung derartiger rechenmodellbasierter Eigenschaften besteht insbesondere darin, dass diese die Definition der Eigenschaften allein aufgrund einer Vorausberechnung ermöglichen, d. h., es werden, beispielsweise in Abgrenzung zu den statistischen Eigenschaften, keine bereits zuvor an Antrieben der jeweiligen Variante gewonnenen Messwertdaten benötigt, um die Eigenschaften definieren zu können.Alternatively and/or in addition, the properties that are defined for the evaluation of the measured value data of the drives of a respective variant can be computational model-based properties that are based on a computational model that contains design data relating to design features of the variant of the respective drive Variant uses to be defined. Based on the knowledge that the vibrations and/or noises occurring during test operation depend on the design features of a drive, the behavior of the vibrations and/or noises of the electric drives and thus the behavior to be expected in test operation can be calculated using calculation models based on design features measured value data obtained from these drives can be calculated in advance. Based on these calculations, the properties for which the measured value data are evaluated can be defined as computational model-based properties. The particular advantage of using such computational model-based properties is that they enable the properties to be defined solely on the basis of a precalculation, i. In other words, in contrast to the statistical properties, for example, no measured value data previously obtained on drives of the respective variant is required in order to be able to define the properties.
Alternativ und/oder ergänzend kann es sich bei den Eigenschaften, die für die Auswertung der Messwertdaten der Antriebe einer jeweiligen Variante definiert werden, um angelernte Eigenschaften handeln, die für die Antriebe einer jeweiligen Variante durch das Anlernen eines lernfähigen Algorithmus mittels an Antrieben dieser Variante gewonnener Messdaten definiert werden. Selbstlernende Algorithmen ermöglichen es, die an den Antrieben einer jeweiligen Variante gewonnenen Messwertdaten auf Ähnlichkeiten, Gemeinsamkeiten und/oder Unterschiede hin zu untersuchen und insbesondere unter Berücksichtigung der Information, ob es sich bei dem jeweiligen Antrieb um einen fehlerfreien Antrieb oder einen fehlerbehafteten Antrieb gehandelt hat, Gemeinsamkeiten und Unterschiede im Verhalten der Messdaten der einzelnen Antriebe zu erkennen und so Eigenschaften der Messwertdaten zu definieren, die insbesondere die Entscheidung zwischen fehlerfreien und fehlerbehafteten Antrieben ermöglicht, wenn die Messwertdaten im Hinblick auf diese angelernten Eigenschaften ausgewertet werden. Die Nutzung derartiger angelernter Eigenschaften hat den Vorteil, dass die Eigenschaften ohne eine nähere Kenntnis von den technischen Zusammenhängen, die zu dem Verhalten der jeweiligen Messwertdaten führen, definiert werden können. Der lernfähige Algorithmus kann die Entstehung der Messwertdaten quasi als „Blackbox“ behandeln. Dies ermöglicht eine hohe Automatisierung beim Definieren derartiger angelernter Eigenschaften mittels einer Datenverarbeitungseinrichtung.Alternatively and/or in addition, the properties that are defined for the evaluation of the measured value data of the drives of a respective variant can be learned properties that are obtained for the drives of a respective variant by teaching an adaptive algorithm using drives of this variant measurement data are defined. Self-learning algorithms enable the To examine the measured value data obtained from drives of a respective variant for similarities, similarities and/or differences and, in particular, taking into account the information as to whether the respective drive was a fault-free drive or a faulty drive, similarities and differences in the behavior of the measured data of the to recognize individual drives and thus to define properties of the measured value data, which in particular enables the decision between fault-free and faulty drives when the measured value data are evaluated with regard to these learned properties. The use of such learned properties has the advantage that the properties can be defined without detailed knowledge of the technical relationships that lead to the behavior of the respective measured value data. The adaptive algorithm can treat the creation of the measured value data as a kind of "black box". This enables a high level of automation when defining such learned properties using a data processing device.
Das Verfahren kann vorsehen, dass es sich bei den Eigenschaften, die für die Auswertung der Messwertdaten der Antriebe einer jeweiligen Variante definiert werden, um eine Kombination der vorstehend genannten Typen von Eigenschaften handelt. Darüber hinaus ist es möglich, auch Eigenschaften anderen Typs für die Auswertung der Messwertdaten der Antriebe einer jeweiligen Variante zu definieren.The method can provide for the properties that are defined for the evaluation of the measured value data of the drives of a respective variant to be a combination of the above-mentioned types of properties. In addition, it is also possible to define properties of a different type for the evaluation of the measured value data of the drives of a particular variant.
Im Rahmen der vorliegenden Erfindung hat sich gezeigt, dass die durch das Variantenmodell unterstützte und/oder ermöglichte Vorhersage des Verhaltens der Messwertdaten der bestimmten Variante für die Auswertung der Messwertdaten der Antriebe dieser Variante genutzt werden kann. In diesem Zusammenhang kann insbesondere die Definition der für die bestimmte Variante spezifischen Eigenschaften, in Bezug auf die die Auswertung der Messwertdaten erfolgt, durch die Vorhersage unterstützt und/oder ermöglicht werden. Insbesondere dann, wenn nicht genügend Informationen vorliegen, um die für die Durchführung des Verfahrens an den Antrieben der bestimmten Variante notwendige Definition der für diese Variante spezifischen Eigenschaften der Messwertdaten vorzunehmen, lässt sich mittels der Vorhersagen, die das Variantenmodell ermöglicht, nun die Auswertung der Messwertdaten dieser Variante und insbesondere die Definition der Eigenschaften für die Auswertung der Messwertdaten dieser Variante unterstützen und/oder ermöglichen. Liegen beispielsweise noch zu wenige Messwertdaten für Antriebe der bestimmten Variante vor, um eine statistische Eigenschaft alleine aufgrund dieser Daten zu definieren, können mittels des Variantenmodells Vorhersagen getroffen werden, die, insbesondere in Verbindung mit bereits vorliegenden Messwertdaten betreffend Antriebe der bestimmten Variante, genutzt werden können, um die Definition der statistischen Eigenschaften zu unterstützen.Within the scope of the present invention, it has been shown that the prediction of the behavior of the measured value data of the specific variant, which is supported and/or made possible by the variant model, can be used for the evaluation of the measured value data of the drives of this variant. In this context, in particular the definition of the properties specific to the specific variant, with respect to which the measured value data is evaluated, can be supported and/or made possible by the prediction. In particular, if there is not enough information to carry out the definition of the properties of the measured value data that are necessary for the implementation of the method on the drives of the specific variant, the measured value data can now be evaluated using the predictions made possible by the variant model support and/or enable this variant and in particular the definition of the properties for the evaluation of the measured value data of this variant. If, for example, there is still too little measured value data for drives of the specific variant to define a statistical property based solely on this data, the variant model can be used to make predictions that can be used, in particular in connection with already existing measured value data relating to drives of the specific variant to help define the statistical properties.
So kann beispielsweise, wenn für die Definition einer statistischen Eigenschaft zu wenige Messungen an Antrieben der bestimmten Variante vorliegen, um die Breite eines statistischen Intervalls festzulegen, aufgrund des Variantenmodells eine Vorhersage über eine wahrscheinliche Intervallbreite getroffen werden, unter deren Berücksichtigung dann die Intervallbreite festgelegt werden kann. Bei dem Intervall kann es sich beispielsweise um ein Intervall handeln, das als Indikator für einen fehlerfreien Antrieb genutzt wird, wenn sich die Messwerte innerhalb dieses Intervalls befinden.For example, if there are too few measurements on drives of the specific variant to define the width of a statistical interval for the definition of a statistical property, the variant model can be used to make a prediction about a probable interval width, taking the interval width into account . The interval can be, for example, an interval that is used as an indicator for a fault-free drive if the measured values are within this interval.
Es hat sich im Zusammenhang mit der vorliegenden Erfindung gezeigt, dass bei einer hinreichenden Menge an Erfahrungsdaten, die mit anderen Varianten der Antriebe gewonnen worden sind, Variantenmodelle ausgewählt, erzeugt und/oder angepasst werden können, die derart gute Vorhersagen des Verhaltens der Messwertdaten der Antriebe einer bestimmten Variante ermöglichen, dass die spezifischen Eigenschaften für die Auswertung der Messwertdaten für die bestimmte Variante allein aufgrund der Vorhersage definiert werden können, um eine automatisierte Auswertung der Messwertdaten der Antriebe der bestimmten Variante zu ermöglichen. In diesem Fall kann die Definition der für die Antriebe einer bestimmten Variante spezifischen Eigenschaften lediglich aufgrund der durch das Variantenmodell unterstützten und/oder ermöglichten Vorhersage erfolgen. Dies ist beispielsweise dann von Vorteil, wenn das Verfahren auf den ersten Antrieb einer Variante angewendet wird, der hergestellt wird.It has been shown in connection with the present invention that with a sufficient amount of empirical data that has been obtained with other variants of the drives, variant models can be selected, generated and/or adapted that predict the behavior of the measured value data of the drives so well of a specific variant enable the specific properties for the evaluation of the measured value data for the specific variant to be defined solely on the basis of the prediction in order to enable automated evaluation of the measured value data of the drives of the specific variant. In this case, the definition of the specific properties for the drives of a specific variant can only be based on the prediction supported and/or made possible by the variant model. This is advantageous, for example, when the method is applied to the first drive of a variant that is being manufactured.
Die Erfahrungsdaten können Messwertdaten enthalten, die bei der Durchführung des beschriebenen Verfahrens für Antriebe einzelner Varianten gewonnen worden sind. Diese Messwertdaten ermöglichen es, bei der Auswahl, Erzeugung und/oder Anpassungen des Variantenmodells das Verhalten dieser Messwertdaten zu analysieren und so die Zusammenhänge zwischen dem Verhalten der Messwertdaten von Antrieben unterschiedlicher Varianten zu erkennen und zu beschreiben.The empirical data can contain measured value data that have been obtained when carrying out the method described for drives of individual variants. This measured value data makes it possible to analyze the behavior of this measured value data when selecting, generating and/or adapting the variant model and thus to identify and describe the relationships between the behavior of the measured value data from drives of different variants.
Alternativ und/oder ergänzend kann es sich bei den Erfahrungsdaten um Eigenschaftsdaten handeln, die für einzelne Varianten spezifische definierte Eigenschaften betreffen, in Bezug auf die die Messwertdaten dieser Variante ausgewertet werden,. Es hat sich gezeigt, dass sich für einzelne Varianten spezifische Eigenschaften, die für diese Varianten definiert worden sind, mittels des Variantenmodells auf andere Varianten übertragen lassen. In diesem Zusammenhang kann mittels des Variantenmodells insbesondere eine Vorhersage darüber getroffen werden, ob und/oder inwieweit sich für Varianten spezifisch definierte Eigenschaften auf andere Varianten übertragen lassen. Dies kann insbesondere dann sinnvoll sein, wenn sich herausstellt, dass bestimmte Eigenschaften der Messwertdaten von Variante zu Variante ein ähnliches Verhalten aufweisen. Diese Ähnlichkeiten können im Variantenmodell abgebildet und/oder quantifiziert werden, um so eine Definition der Eigenschaften für eine bestimmte Variante zu ermöglichen.Alternatively and/or additionally, the empirical data can be property data relating to specific, defined properties for individual variants, with respect to which the measured value data of this variant are evaluated. It has been shown that, for individual variants, specific properties that have been defined for these variants can be changed using the variant model transferred to other variants. In this context, the variant model can be used to make a prediction as to whether and/or to what extent properties specifically defined for variants can be transferred to other variants. This can be particularly useful if it turns out that certain properties of the measured value data show a similar behavior from variant to variant. These similarities can be mapped and/or quantified in the variant model to enable definition of the properties for a particular variant.
Alternativ und/oder ergänzend kann es sich bei den Erfahrungsdaten um Konstruktionsdaten, die die konstruktive Ausgestaltung einzelner Varianten betreffen, handeln. Derartige Konstruktionsdaten ermöglichen insbesondere die Verknüpfung konstruktiver Merkmale einzelner Varianten mit anderen Erfahrungsdaten. Auf diese Weise kann das Variantenmodell insbesondere dazu genutzt werden, um aufgrund konstruktiver Ähnlichkeiten, Unterschiede und/oder Gemeinsamkeiten zwischen den Antrieben unterschiedlicher anderer Varianten Vorhersagen über das Verhalten der Messwertdaten einer bestimmten Variante zu treffen. In diesem Zusammenhang können die Erfahrungsdaten beispielsweise Konstruktionsdaten, die mit Eigenschaftsdaten und/oder Messwertdaten verknüpft sind, enthalten. Die mit den Eigenschaftsdaten verknüpften Konstruktionsdaten fließen so in das Variantenmodell mit ein. Beispielsweise können, wenn es sich bei den Antrieben um einen Getriebemotor handelt, die Konstruktionsdaten das Übersetzungsverhältnis des jeweiligen Getriebes betreffen. Wenn sich das Übersetzungsverhältnis von Variante zu Variante unterscheidet, können die Konstruktionsdaten eine Vorhersage darüber, wie sich das Verhalten der Messwertdaten aufgrund des unterschiedlichen Übersetzungsverhältnisses ändert, ermöglichen.Alternatively and/or additionally, the empirical data can be design data relating to the design of individual variants. In particular, such design data enable the linking of design features of individual variants with other empirical data. In this way, the variant model can be used in particular to make predictions about the behavior of the measured value data of a specific variant on the basis of structural similarities, differences and/or similarities between the drives of different other variants. In this context, the experience data can contain, for example, design data that is linked to property data and/or measured value data. The design data linked to the property data is thus included in the variant model. For example, if the drives are geared motors, the design data can relate to the transmission ratio of the respective gear. If the gear ratio differs from variant to variant, the design data can enable a prediction of how the behavior of the measurement data will change due to the different gear ratio.
Alternativ und/oder ergänzend kann es sich bei den Erfahrungsdaten um Fehlertypdaten, die einzelne Fehlertypen betreffen, handeln. Dies ist insbesondere dann sinnvoll, wenn sich bestimmte Fehlertypen in charakteristischer Weise auf die Messwertdaten verschiedener Varianten auswirken. Das Variantenmodell kann es dann ermöglichen, aufgrund der Fehlertypdaten, die an anderen Varianten gewonnen wurden, Vorhersagen darüber zu treffen, wie sich die jeweiligen Fehlertypen auf das Verhalten der an der bestimmten Variante gewonnenen Fehlertypen auswirken.Alternatively and/or additionally, the experience data can be error type data that relate to individual error types. This is particularly useful when certain error types have a characteristic effect on the measured value data of different variants. The variant model can then make it possible, based on the error type data obtained from other variants, to make predictions about how the respective error types affect the behavior of the error types obtained from the specific variant.
Die Vorhersage des Verhaltens der Messwertdaten der bestimmten Variante lässt sich beispielsweise nutzen, um künstliche Messwertdaten für Antriebe einer bestimmten Variante zu erzeugen. Hierdurch wird es ermöglicht, diese künstlichen Messwertdaten beispielsweise dazu zu nutzen, die für diese bestimmte Variante spezifischen Eigenschaften aufgrund dieser Messwertdaten zu definieren. Die künstlichen Messwertdaten können hierbei anstelle und/oder ergänzend zu tatsächlichen Messwertdaten, die an Antrieben der bestimmten Variante gewonnen worden sind, genutzt werden. Dies kann es beispielsweise ermöglichen, eine bessere Datenbasis für die Definition einer statistischen Eigenschaft für die bestimmte Variante zu erzeugen. Diese Vorgehensweise wird auch als Data Augmentation bezeichnet.The prediction of the behavior of the measured value data of the specific variant can be used, for example, to generate artificial measured value data for drives of a specific variant. This makes it possible to use this artificial measured value data, for example, to define the properties specific to this specific variant on the basis of this measured value data. In this case, the artificial measured value data can be used instead of and/or in addition to actual measured value data which have been obtained from drives of the specific variant. This can make it possible, for example, to create a better database for the definition of a statistical property for the particular variant. This procedure is also referred to as data augmentation.
Bei der Erzeugung künstlicher Messwertdaten können insbesondere neuronale Netze in Gestalt von Generative Adversarial Networks genutzt werden. Dabei handelt es sich um eine Gruppe von Algorithmen für unüberwachtes Lernen. Generative Adversarial Networks bestehen typischerweise aus zwei künstlichen neuronalen Netzwerken. Eines davon lernt künstliche Messwertdaten zu erstellen, das zweite neuronale Netzwerk lernt, die künstlichen Messwertdaten von an realen Antrieben gewonnenen Messwertdaten zu unterscheiden. Die Zielfunktion des ersten Netzwerks besteht dann darin, künstliche Messwertdaten zu erzeugen, die das zweite Netzwerk nicht von an realen Antrieben gewonnenen Messwertdaten unterscheiden kann. Dadurch gleichen sich die künstlichen Messwertdaten nach und nach durch Messungen an realen Antrieben gewonnenen Messwertdaten an.In particular, neural networks in the form of generative adversarial networks can be used when generating artificial measured value data. This is a group of algorithms for unsupervised learning. Generative adversarial networks typically consist of two artificial neural networks. One of them learns to create artificial measured value data, the second neural network learns to distinguish the artificial measured value data from measured value data obtained from real drives. The objective function of the first network is then to generate artificial measured value data which the second network cannot distinguish from measured value data obtained from real drives. As a result, the artificial measured value data gradually adjust to measured value data obtained through measurements on real drives.
Für die Auswahl, Erzeugung und/oder Anpassung des Variantenmodells kann insbesondere eine Untersuchung der Varianten nach Ähnlichkeiten des Verhaltens der Messwertdaten der jeweiligen Varianten erfolgen. Derartige Ähnlichkeitsuntersuchungen können insbesondere durch einen Computer, insbesondere unter Verwendung selbstlernender Algorithmen, dazu genutzt werden, Ähnlichkeiten, Gemeinsamkeiten und/oder Unterschiede im Verhalten der Messwertdaten unterschiedlicher Varianten zu identifizieren. Die Ergebnisse der Untersuchung können dann in das Variantenmodell einfließen. Hierbei ist es insbesondere vorteilhaft, wenn Gruppen von Varianten mit ähnlichem Verhalten identifiziert werden. Die Identifizierung dieser Gruppen von Varianten kann insbesondere durch einen Computer erfolgen. Hierbei erfolgt insbesondere die Zuordnung der bestimmten Variante zu einer Gruppe mit Varianten ähnlichen Verhaltens. Die Vorhersage des Verhaltens der Messwertdaten der bestimmten Variante kann dann unter Berücksichtigung der Gruppenzuordnung erfolgen, was die Qualität der Vorhersage des Verhaltens der Messwertdaten der bestimmten Variante verbessern kann. Eine derartige Vorgehensweise wird auch als Similarity Clustering bezeichnet.For the selection, generation and/or adaptation of the variant model, the variants can in particular be examined for similarities in the behavior of the measured value data of the respective variants. Such similarity tests can be used in particular by a computer, in particular using self-learning algorithms, to identify similarities, similarities and/or differences in the behavior of the measured value data of different variants. The results of the investigation can then flow into the variant model. It is particularly advantageous here if groups of variants with similar behavior are identified. These groups of variants can be identified, in particular, by a computer. In this case, in particular, the specific variant is assigned to a group with variants of similar behavior. The behavior of the measured value data of the specific variant can then be predicted taking into account the group assignment, which can improve the quality of the prediction of the behavior of the measured value data of the specific variant. Such a procedure is also referred to as similarity clustering.
Das Verfahren kann insbesondere vorsehen, dass für die Auswahl, Erzeugung und/oder Anpassung des Variantenmodells ein lernfähiger Algorithmus anhand der Erfahrungsdaten trainiert wird, wobei Kriterien zur Unterscheidung der Messwertdaten von fehlerbehafteten und fehlerfreien Antrieben entwickelt werden. Diese Kriterien fließen in das Variantenmodell ein und können so zur Vorhersage des Verhaltens der Messwertdaten fehlerbehafteter Antriebe der bestimmten Variante auf Messwertdaten und/oder künstliche Messwertdaten der Antriebe der bestimmten Variante angewendet werden.In particular, the method can provide that for the selection, generation and/or adaptation of the variant model, an adaptive algorithm is trained using the empirical data, with criteria for distinguishing the measured value data from faulty and faultless drives being developed. These criteria are included in the variant model and can thus be applied to measured value data and/or artificial measured value data of the drives of the specific variant to predict the behavior of the measured value data of faulty drives of the specific variant.
Der Algorithmus kann hierfür mit diesen Kriterien auf Messwertdaten und/oder künstliche Messwertdaten fehlerfreier Antriebe der bestimmten Variante angewendet werden, um das Verhalten der Messwertdaten fehlerbehafteter Antriebe der bestimmten Variante vorherzusagen. Eine derartige Vorgehensweise wird insbesondere auch als „Domain Adaptation“ bezeichnet. Hierdurch kann in vorteilhafter Weise die Tatsache ausgenutzt werden, dass fehlerbehaftete Antriebe im Vergleich zu fehlerfreien Antrieben vergleichsweise selten sind. Daher liegen für fehlerfreie Antriebe üblicherweise wesentlich mehr Messwertdaten vor als für fehlerbehaftete Antriebe. Auch lassen sich künstliche Messwertdaten fehlerfreier Antriebe leichter und in besserer Qualität erzeugen, als künstliche Messwertdaten fehlerbehafteter Antriebe. Dies liegt daran, dass die hierfür nutzbaren Erfahrungsdaten in wesentlich größerer Menge für fehlerfreie Antriebe vorliegen als für fehlerbehaftete Antriebe. Es ist daher vorteilhaft, anhand von Varianten, für die eine entsprechende Datenbasis an Messwertdaten für fehlerfreie und fehlerbehaftete Antriebe vorliegt, mittels eines lernfähigen Algorithmus die Unterscheidungskriterien von fehlerbehafteten und fehlerfreien Antrieben entwickeln zu können und mittels Messwertdaten und/oder künstlicher Messwertdaten diese lediglich fehlerfreier Antriebe einer bestimmten Variante nutzen zu können, um das Verhalten der Messwertdaten fehlerbehafteter Antriebe dieser bestimmten Variante vorherzusagen.For this purpose, the algorithm can be applied with these criteria to measured value data and/or artificial measured value data of error-free drives of the specific variant in order to predict the behavior of the measured value data of faulty drives of the specific variant. Such a procedure is also referred to in particular as “domain adaptation”. In this way, the fact can be used in an advantageous manner that faulty drives are comparatively rare compared to fault-free drives. For this reason, there is usually significantly more measured value data for fault-free drives than for faulty drives. Artificial measured value data from error-free drives can also be generated more easily and in better quality than artificial measured value data from faulty drives. This is due to the fact that the empirical data that can be used for this purpose is available in a much larger quantity for fault-free drives than for faulty drives. It is therefore advantageous, on the basis of variants for which there is a corresponding database of measured value data for fault-free and faulty drives, to be able to develop the differentiation criteria between faulty and fault-free drives using an adaptive algorithm and to be able to use measured value data and/or artificial measured value data to distinguish these only fault-free drives specific variant to predict the behavior of the measured value data of faulty drives of this specific variant.
Das Verfahren nutzt hierbei insbesondere die Tatsache aus, dass sich bestimmte Fehler auf eine Weise auf das Verhalten der Messwertdaten auswirken können, die zwar nicht direkt auf eine andere Variante der Antriebe übertragbar ist, sich jedoch durch Auswertung der Erfahrungsdaten variantenübergreifende Kriterien zur Unterscheidung der Messwertdaten von fehlerbehafteten und fehlerfreien Antrieben einzelner Varianten entwickeln lassen. Werden diese Kriterien dann auf die Messwertdaten und/oder künstlichen Messwertdaten fehlerfreier Antriebe der bestimmten Variante angewendet, so lässt sich so das Verhalten der Messwertdaten fehlerbehafteter Antriebe der bestimmten Variante vorhersagen. Der Vorteil eines derartigen Verfahrens besteht darin, dass es auch dann anwendbar ist, wenn außer der Information, dass es sich bei den Erfahrungsdaten um Daten fehlerbehafteter oder fehlerfreier Antriebe gehandelt hat, keine näheren Informationen über den Fehler in den Erfahrungsdaten vorliegen. Auf diese Weise lassen sich auch bei selten hergestellten Varianten sehr selten vorkommende Fehler erkennen.In particular, the method makes use of the fact that certain errors can affect the behavior of the measured value data in a way that cannot be directly transferred to another variant of the drive, but which, by evaluating the empirical data, creates cross-variant criteria for distinguishing the measured value data from faulty and faultless drives of individual variants can be developed. If these criteria are then applied to the measured value data and/or artificial measured value data of error-free drives of the specific variant, then the behavior of the measured value data of faulty drives of the specific variant can be predicted. The advantage of such a method is that it can also be used when there is no more detailed information about the error in the empirical data apart from the information that the empirical data concerned data from faulty or fault-free drives. In this way, errors that occur very rarely can be detected even in variants that are rarely produced.
Bei dem jeweiligen Antrieb kann es sich um einen Getriebemotor handeln, der wenigstens einen Elektromotor und ein Getriebe als Bestandteile aufweist. Hierbei sind insbesondere unterschiedliche Elektromotoren mit unterschiedlichen Getrieben zur Bildung unterschiedlicher Varianten der Antriebe kombinierbar. Weiterhin können unterschiedliche Varianten der Antriebe dadurch bildbar sein, dass weitere optionale Komponenten Bestandteile der Antriebe sein können. Bei den weiteren optionalen Komponenten kann es sich insbesondere um eine Bremse und/oder einen Sensor handeln. Hierbei können ebenfalls unterschiedliche Ausführungen der weiteren Komponenten, insbesondere optional, mit den Elektromotoren und Getrieben zur Bildung weiterer unterschiedlicher Varianten der Antriebe kombinierbar sein.The respective drive can be a geared motor that has at least one electric motor and a gear as components. In this case, in particular, different electric motors can be combined with different gears to form different variants of the drives. Furthermore, different variants of the drives can be formed in that other optional components can be part of the drives. The further optional components can in particular be a brake and/or a sensor. In this case, different versions of the further components can also be combined, in particular optionally, with the electric motors and gears to form further different variants of the drives.
Es hat sich gezeigt, dass bei derartigen Antrieben das Verfahren in vorteilhafter Weise genutzt werden kann, um computerunterstützte Vorhersagen des Verhaltens der Messwertdaten der Antriebe einer bestimmten Variante zu ermöglichen. So kann beispielsweise die Änderung der Übersetzung eines Getriebes dazu führen, dass charakteristische Schwingungen, die durch einen Fehler ausgelöst werden, aufgrund der unterschiedlichen Übersetzung in einen anderen Frequenzbereich verschoben werden. Durch das vorstehend beschriebene Verfahren kann es ermöglicht werden, mittels der computerunterstützten Vorhersage des Verhaltens der Messwertdaten diesen Fehler, der sich nun in einem völlig anderen Frequenzbereich auf die Geräusche und/oder Vibrationen des Antriebs während dem Testbetrieb auswirkt, dennoch zu erkennen, auch wenn für das Auftreten dieses Fehlers bei einem Antrieb dieser Variante noch keine zuvor an einem Antrieb dieser Variante gewonnenen Messwertdaten vorliegen, die diesen Fehler zeigen.It has been shown that with drives of this type, the method can be used in an advantageous manner to enable computer-aided predictions of the behavior of the measured value data of the drives of a specific variant. For example, changing the gear ratio of a gearbox can result in characteristic vibrations that are triggered by a fault being shifted to a different frequency range due to the different gear ratio. The method described above makes it possible to use the computer-aided prediction of the behavior of the measured value data to detect this error, which now affects the noise and/or vibrations of the drive during the test operation in a completely different frequency range, even if for the occurrence of this error in a drive of this variant, there is no measured value data previously obtained on a drive of this variant that shows this error.
Weitere praktische Ausführungsformen und Vorteile der Erfindung sind nachfolgend im Zusammenhang mit der
-
1 eine schematische Darstellung eines beispielhaften erfindungsgemäßen Verfahrens
-
1 a schematic representation of an exemplary method according to the invention
Das in
Das beispielhafte Verfahren sieht vor, dass in einem weiteren Verfahrensschritt 14 spezifische Eigenschaften definiert werden, bezüglich derer die Messdaten ausgewertet werden. Die Definition der spezifischen Eigenschaften erfolgt in diesem Stadium des Verfahrens noch spezifisch, d. h., aufgrund von Messwertdaten, die im Rahmen des Testbetriebs 12 an Antrieben derselben Variante gewonnen worden sind.The exemplary method provides that in a
Hierbei können bereits rechenmodellbasierte Eigenschaften definiert werden, die mittels eines Rechenmodells 16 aus Konstruktionsdaten 18, die konstruktive Merkmale des Antriebs einer jeweiligen Variante betreffen, in die definierten Eigenschaften einfließen.In this case, computational model-based properties can already be defined, which are incorporated into the defined properties by means of a
In einem weiteren Verfahrensschritt 20 zur Fehlererkennung kann aufgrund der Messwertdaten eine Unterscheidung zwischen fehlerbehafteten und fehlerfreien Antrieben erfolgen. Das Verfahren kann vorsehen, dass als fehlerfrei erkannte Antriebe einem dem Verfahren nachgelagerten Teil des Herstellungsprozesses 22 zugeführt werden. Wird der das Verfahren beispielhaft als „End of-Line“-Test durchgeführt, kann es sich dabei im Wesentlichen um die Vorbereitung des Antriebs für den Verkauf, beispielsweise seine Verpackung, handeln.In a
Weiterhin kann das Verfahren vorsehen, dass, wenn im Rahmen des Verfahrensschritts 20 zur Fehlererkennung Fehler erkannt werden, in einem weiteren Verfahrensschritt 24 eine Klassifikation der erkannten Fehler nach Fehlertypen erfolgt. Die hierbei gewonnenen Erkenntnisse über den vorliegenden Fehlertyp können wiederum als Informationen in den nachgelagerten Teil 22 des Herstellungsprozesses einfließen, beispielsweise um eine gezielte Nachbearbeitung eines fehlerbehafteten Antriebs zu ermöglichen.Furthermore, the method can provide that, if errors are detected within the scope of
Das beispielhaft dargestellte Verfahren sieht nun vor, dass bei der Durchführung des Verfahrens mit Antrieben wenigstens einer bestimmten Variante Erfahrungsdaten 26, die bei der Durchführung des Verfahrens mit Antrieben wenigstens einer anderen Variante gewonnen wurden, genutzt werden. Bei den Erfahrungsdaten 26 kann es sich insbesondere um Messwertdaten, die insbesondere im Rahmen des Testbetriebs in Verfahrensschritt 12 an den Varianten anderer Antriebe gewonnen wurden, handeln.The method presented by way of example now provides that when the method is carried out with drives of at least one specific variant,
Alternativ und/oder ergänzen kann es sich bei den Erfahrungsdaten 26 um Eigenschaftsdaten, die für andere Varianten von Antrieben im Verfahrensschritt 14 definiert worden sind, handeln.Alternatively and/or in addition,
Alternativ und/oder ergänzend kann es sich darüber hinaus um Fehlertyp-Daten, die bei der Durchführung des Verfahrensschritts 24 an Antrieben anderer Varianten gewonnen wurden, handeln.Alternatively and/or in addition, it can also be error type data that was obtained when carrying out
Die Erfahrungsdaten können um Konstruktionsdaten 18 ergänzt und insbesondere mit diesen im Rahmen einer Auswahl und Aufbereitung der Erfahrungsdaten 26 in einem weiteren Verfahrensschritt 28 verknüpft werden. Im Rahmen dieser Datenaufbereitung kann auch die Erzeugung künstlicher Messwertdaten erfolgen.The experience data can be supplemented with
Basierend auf den so aufbereiteten Erfahrungsdaten 26 kann die Auswahl, Erzeugung und/oder Anpassung eines Variantenmodells 30 erfolgen, das Zusammenhänge zwischen dem Verhalten der Messwertdaten von Antrieben unterschiedlicher Varianten beschreibt.Based on the
Das Variantenmodell 30 ermöglicht so eine computerunterstützte Vorhersage 32 des Verhaltens der Messwertdaten der Antriebe der bestimmten Variante. Die Vorhersagen 32 können dann insbesondere genutzt werden, um die Fehlererkennung in Verfahrensschritt 20 und die Fehlerklassifikation in Verfahrensschritte 24 zu unterstützen und/oder zu ermöglichen.The
Die in der vorliegenden Beschreibung, in der Zeichnungen sowie in den Ansprüchen offenbarten Merkmale der Erfindung können sowohl einzeln als auch in beliebigen Kombinationen für die Verwirklichung der Erfindung in ihren verschiedenen Ausführungsformen wesentlich sein. Die Erfindung ist nicht auf die beschriebenen Ausführungsformen beschränkt. Sie kann im Rahmen der Ansprüche und unter Berücksichtigung der Kenntnisse des zuständigen Fachmanns variiert werden.The features of the invention disclosed in the present description, in the drawings and in the claims can be essential both individually and in any combination for the realization of the invention in its various embodiments. The invention is not limited to the embodiments described. It can be varied within the scope of the claims and taking into account the knowledge of the person skilled in the art.
BezugszeichenlisteReference List
- 1010
- vorgelagerter Teil des Herstellungsprozessesupstream part of the manufacturing process
- 1212
- Testbetrieb und MesswertdatenerfassungTest operation and measurement data acquisition
- 1414
- Definition der EigenschaftenDefinition of properties
- 1616
- Rechenmodellcalculation model
- 1818
- Konstruktionsdatenconstruction data
- 2020
- Fehlererkennungerror detection
- 2222
- nachgelagerter Teil des Herstellungsprozessesdownstream part of the manufacturing process
- 2424
- Fehlerklassifikationerror classification
- 2626
- Erfahrungsdatenexperience data
- 2828
- Datenaufbereitungdata preparation
- 3030
- Variantenmodellvariant model
- 3232
- computerunterstützte Vorhersagecomputer-aided prediction
Claims (16)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102021116520.2A DE102021116520A1 (en) | 2021-06-25 | 2021-06-25 | Process for quality monitoring of electric drives |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102021116520.2A DE102021116520A1 (en) | 2021-06-25 | 2021-06-25 | Process for quality monitoring of electric drives |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| DE102021116520A1 true DE102021116520A1 (en) | 2022-12-29 |
Family
ID=84388371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| DE102021116520.2A Pending DE102021116520A1 (en) | 2021-06-25 | 2021-06-25 | Process for quality monitoring of electric drives |
Country Status (1)
| Country | Link |
|---|---|
| DE (1) | DE102021116520A1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6145381A (en) | 1998-11-12 | 2000-11-14 | Alliedsignal Inc. | Real-time adaptive control of rotationally-induced vibration |
| DE102012223237A1 (en) | 2012-12-14 | 2014-06-18 | BSH Bosch und Siemens Hausgeräte GmbH | Analysis of a noise of a household appliance |
| DE102017206040A1 (en) | 2017-04-07 | 2018-10-11 | BSH Hausgeräte GmbH | System and method for condition monitoring and / or fault diagnosis |
| DE102019213019A1 (en) | 2019-08-29 | 2021-03-04 | Wago Verwaltungsgesellschaft Mbh | METHOD AND DEVICE FOR ANALYZING A SEQUENCE PROCESS |
-
2021
- 2021-06-25 DE DE102021116520.2A patent/DE102021116520A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6145381A (en) | 1998-11-12 | 2000-11-14 | Alliedsignal Inc. | Real-time adaptive control of rotationally-induced vibration |
| DE102012223237A1 (en) | 2012-12-14 | 2014-06-18 | BSH Bosch und Siemens Hausgeräte GmbH | Analysis of a noise of a household appliance |
| DE102017206040A1 (en) | 2017-04-07 | 2018-10-11 | BSH Hausgeräte GmbH | System and method for condition monitoring and / or fault diagnosis |
| DE102019213019A1 (en) | 2019-08-29 | 2021-03-04 | Wago Verwaltungsgesellschaft Mbh | METHOD AND DEVICE FOR ANALYZING A SEQUENCE PROCESS |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE69324296T2 (en) | Procedure for diagnosing an ongoing process | |
| EP3876060B1 (en) | Method and computing unit for analyzing the reason for an anomalous state of a machine | |
| DE19743600B4 (en) | Method for monitoring a cyclical production process | |
| DE102019217613A1 (en) | METHOD OF DIAGNOSING AN ENGINE CONDITION AND DIAGNOSTIC MODELING METHOD FOR THEREOF | |
| EP3282399B1 (en) | Method for the improved detection of process anomalies of a technical installation and corresponding diagnostic system | |
| DE102018203280A1 (en) | State diagnostic device | |
| DE102020202865B3 (en) | Method and computing unit for monitoring the condition of a machine | |
| DE10241746B4 (en) | Method for cyclic quality assessment and process monitoring in periodical production processes | |
| DE102020212277A1 (en) | Method and device for determining a remaining service life based on a predictive diagnosis of components of an electric drive system using artificial intelligence methods | |
| EP3825796A1 (en) | Method and device for ki-based operation of an automation system | |
| DE102021210106A1 (en) | Computer-implemented method and system for anomaly detection and method for anomaly detection in a final acoustic test of a transmission | |
| DE102004019978B3 (en) | Assessing quality of printed object produced by printer involves producing several examples of same printed object, selected limited number of examples, producing image data record, assessing using image data in relation to error type(s) | |
| DE4124501C2 (en) | Neural network with automatic installation of intermediate neurons | |
| DE102021116520A1 (en) | Process for quality monitoring of electric drives | |
| EP3929554A1 (en) | Improved fault detection in machines using ai | |
| WO2024223391A1 (en) | Machine-guided expert system for a technical system, method, device, and computer program product | |
| EP4295202B1 (en) | Method and system for measuring components and program | |
| 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 | |
| DE102019216054B4 (en) | Method for monitoring injectors of an internal combustion engine and internal combustion engine for carrying out such a method | |
| AT519777A1 (en) | Method for detecting the normal operating state of a work process | |
| DE102017217596A1 (en) | Method for checking an electronic component, method for generating a model and device | |
| DE102008058965A1 (en) | Method for detecting a machine condition | |
| DE102023201584A1 (en) | Method for controlling at least one process parameter of a manufacturing process | |
| DE102023128851A1 (en) | Method and system for analyzing a fan | |
| EP3929683A1 (en) | Method for status based maintenance of access device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R012 | Request for examination validly filed | ||
| R016 | Response to examination communication |