技术特征：
1.一种指示机器故障、特别是旋转机器故障的计算机实现的方法，包括以下步骤：a)接收(1)至少一个输入信号(4)，所述至少一个输入信号基于机器(20)、尤其是旋转机器的至少一个机器部件(21)的通过至少一个传感器(s1，s2，s3，s4)监测的至少一个物理量；所述方法的特征在于：b)将所述至少一个输入信号(4)变换(2)成至少一个特征(5)，所述至少一个特征具有与所述至少一个输入信号(4)不同的域和/或不同的参考值，其中，所述输入信号(4)被变换成所述输入信号的频谱，并且附加地变换成随机特征(5.2)，最优选地变换成随机力矩和/或变换成用于所述频谱的主要部分的能量；c)通过神经网络(12)基于所述至少一个特征(5)来预测(3)至少一个机器故障、尤其是至少一个旋转机器故障的类别(7.1)和/或严重程度(7.2)，所述神经网络基于所述至少一个特征(5)的具体模式或者基于指示具体机器故障、尤其是具体旋转机器故障的多于一个特征的模式的组合进行训练。2.根据权利要求1所述的计算机实现的方法，其中，在步骤a)中，至少一个被监测的所述物理量是所述至少一个机器部件(21)的振动并且至少一个生成的所述输入信号(4)是振动信号。3.根据前述权利要求任一项所述的计算机实现的方法，其中，所述至少一个机器部件是马达(21)。4.根据前述权利要求任一项所述的计算机实现的方法，其中，所述神经网络(12)是深度神经网络。5.根据前述权利要求任一项所述的计算机实现的方法，其中，所述神经网络(12)被部署在云系统中或在所述机器所处场地的本地计算机基础设施上。6.根据前述权利要求任一项所述的计算机实现的方法，还包括以下步骤：d)随时间变化将所述至少一个特征(5)和优选附加的所述至少一个机器部件(21)的相应机器故障的类别(7.1)和/或严重程度(7.2)存储(9)为所述至少一个机器部件(21)的历史数据；e)基于所述至少一个机器部件(21)的所述历史数据导出(10)所述至少一个机器部件(21)的剩余寿命。7.一种用于指示机器故障、尤其是旋转机器故障的数据处理系统(100)，包括用于执行根据权利要求1至6中任一项所述的方法的步骤的装置。8.一种指示机器故障、尤其是旋转机器故障的计算机程序产品，包括指令，当计算机执行程序时，所述指令使所述计算机执行根据权利要求1至6中任一项所述的方法的步骤。9.一种机器(20)、尤其是旋转机器，包括：
‑
至少一个机器部件(21)；以及
‑
至少一个传感器(s1，s2，s3，s4)，所述至少一个传感器通过监测所述至少一个机器部件(21)的至少一个物理量生成至少一个输入信号(4)，其中，所述至少一个输入信号(4)被提供给根据权利要求7所述的数据处理系统(100)。10.根据权利要求9所述的机器(20)，其中，所述至少一个传感器是振动传感器(s2)，所述振动传感器通过监测所述至少一个机器部件(21)的振动生成振动信号。
11.根据权利要求9或10所述的机器(20)，其中，所述至少一个机器部件是马达(21)。12.一种训练用于指示根据权利要求1至6中任一项的机器故障、尤其是旋转机器故障的神经网络(12)的计算机实现的方法，包括以下步骤：i)生成至少一组至少一个训练特征，所述至少一组至少一个训练特征从机器、尤其是旋转机器的至少一个训练输入信号导出，其中，所述至少一个训练特征的具体模式或多于一个训练特征的模式的组合指示具体机器故障、尤其是具体旋转机器故障，并且其中，所述至少一个训练输入信号用相应机器故障的已知类别和已知严重程度进行标记；ii)使用所述至少一组至少一个训练特征来训练所述神经网络(12)。13.根据权利要求12所述的计算机实现的方法，其中，在步骤i)中，所述输入信号是来自真实机器(20)的真实输入信号(4)或来自所述机器(20)的人工模型的模拟信号或它们两者的组合。14.根据权利要求12或13所述的计算机实现的方法，其中，所述神经网络(12)是预训练的神经网络。
技术总结
本发明涉及一种指示机器故障的计算机实现的方法、数据处理系统和计算机程序产品，还涉及一种训练用于指示机器故障的神经网络的对应的机器和计算机实现的方法。基于至少一个机器部件的至少一个物理量的至少一个输入信号被变换成至少一个特征。神经网络基于该至少一个特征预测至少一个机器故障的类别和/或严重程度。重程度。重程度。
技术研发人员：托比亚斯
受保护的技术使用者：西门子股份公司
技术研发日：2020.02.17
技术公布日：2021/10/26