[发明专利]用于监控技术设施的运行的诊断装置和诊断方法

说明书

本发明涉及一种诊断装置以及一种用于监控具有自动化系统(3)的技术设施(1)的运行的诊断方法。在设施运行具有重复执行的步骤链的情况中，探测和示出在步骤链的待检验的执行时的时间特性的偏差。为此，测定待检验的执行的每个步骤的实施时长并且根据预定的、利用无故障执行学会的自组织地图对其进行评估。这种类型的评估具有优点，即自组织地图能够自动地学习并进而对于诊断来说几乎不需要关于相应地在技术设施上运行的过程的知识。

技术领域

本发明涉及一种用于对具有自动化系统的技术设施的运行进行监控的诊断装置和相应的诊断方法。

背景技术

当子设施或者组件的正确功能被监控时，可以改进自动化技术的设施的维修和保养。在功能性变差的情况中，可以在针对性地在设施的正确位置采取用于维修、保养或者排除故障的措施。

在2016年3月11日在互联网上公开的Christian W.Frey,Fraunhofer InstituteIOSB的文章“Monitoring of Complex Industrial Processes based on Self-Organising Maps and Watershed Transformations”，网址www.iosb.fraunhofer.de/servlet/is/22544/Paper_ICIT2012_Frey.pdf？command＝downloadContent&filename＝Paper_ICIT2012_Frey.pdf，公开了一种用于监控复杂的工业过程的诊断方法，在该方法中根据过程变量，也就是根据被检测到的测量参数值和输出给过程的调节参数值为过程的无故障特性训练出自组织地图。在2016年3月4日的维基百科中，一种人工神经网络被描述为“自组织地图”、Kohonen地图或者Kohonen网络(根据Teuvo Kohonen；英文self-organizingmap，SOM或者self-organizing feature map,SOFM)。其作为非监控的学习方法是数据挖掘的有力工具。其功能原理基于生物学知识，即在大脑中的多个结构具有线性的或者平面的拓扑。依据根据上述的文章预先确定的自组织地图，将较晚的运行特性与已学习的无故障特性进行比较。通过该方式识别出有偏差的特性，其接下来可以被分析成过程的运行时的诱因和可能的故障。

然而这种已知的诊断方法的缺点是，不能考虑在技术设施上运行的过程的时间特性，而该时间特性可能同样能够提供对于诊断来说有足够帮助的信息。

发明内容

因此，本发明的目的在于提供一种用于对技术设施的运行进行监控的诊断装置和诊断方法，其中关于时间特性的信息被引入到监控中。

本发明具有这样的优点，即新型的诊断的特征在于极大的灵活性和特别的简单性。由之前无故障地执行的步骤链学习出自组织地图并且将其参数化。在此，时间上的波动被投影在地图中。不仅时间上的下降而且还有超出都被自动地考虑。通过自组织地图也映射了出现各个步骤的不同长度的实施时间的情况，也就是说不管是长的还是短的实施时间，然而不是以下的执行时间，其处于这些极值之间并且尽管如此表征为无错误的执行。通过这种方式因此能够进一步改善诊断可能性。有利的是，新的诊断方法几乎能够用于所有的方法设施、制造设施和过程技术设施，因为技术流程通常通过步骤链控制，该步骤链也被描述成过程链或者过程控制。各个步骤的时长不仅会受到生产条件限定而且也受到通过故障决定的波动的限定。步骤的时间监控对于偏差的识别是非常有帮助的，因为，该时间偏差已经能够被视为故障情况的标志。

原理上，步骤链的各个步骤的时长能够通过与最大允许时长的比较来监控。同样一种解决方案可以在于，即执行最小时长的监控。然而该措施是非常不灵活的，因为例如涉及步骤链的多个步骤的生产波动不利地很难加以考虑并且完全不能识别。相反，在根据本发明的诊断的情况中诊断结论的灵活性和可靠性被极大地改善。