自动化系统中的部件的参数设定的制作方法

本发明涉及自动化系统中的部件(例如电动或气动的致动器)在部件投入操作之前的参数设定。

背景技术：

自动化技术中部件的调试通常需要对部件进行参数设定以实现对预期目的的调整。由此使部件适于具体的问题定义，例如待移动的质量、行进速度等。特别地，必须例如利用受控的驱动器对待移动的质量进行参数设定。这需要客户方面的某些专业知识。因此，目前提供各种支持服务以方便调试。例如，基于客户的基本应用参数的特殊设计工具在调试之前提供定制的系统配置和参数集。控制参数的不正确配置可能会导致机器故障，从而可能损坏设备。

例如，现有技术中已知存在一种配置软件(例如festoautomation-suite)，该软件为特殊自动化系统(即电驱动器)提供调试向导，该调试向导指导用户进行部件的参数设定并提供帮助。然而，客户必须自己确定并输入所有值。对于电驱动器，使用“自动调整”模式，这可以确定某些系统参数。这种模式的缺点是客户必须在本地手动地确定并传输所有必需的数据。如果在此选择的数据太少或选择了错误数据，则帮助可能是不足的，或者根本没有帮助。此外，在特定设备处本地获得的数据或信息不能在全球范围内使用，并且因此有时也可以用于其他设备。这就是本发明起作用之处。

先前帮助的问题在于，始终需要设备操作者的专业知识，并且因此需要手动方法或至少手动检查。

技术实现要素：

基于上述情况，本申请的目的是在自动化设备中的部件调试之前和调试期间更好地为客户提供支持。特别地，在相应的应用环境中部件的自动参数设定应该是可能的。此外，应该可以为所有类型的系统提供参数设定，例如不仅为电驱动器而且还为气动系统提供参数设定。此外，该方法不应取决于客户数据的选择和(可能是手动的)设置。

该任务分别通过根据独立权利要求的目的来解决，特别是通过一种用于检查基本参数设定的方法、参数设定单元以及具有这种参数设定单元的部件来解决。有利的设计是从属权利要求、说明书和附图的主题。

在第一方面，本发明涉及一种计算机实施过程，该过程在现场本地执行，并且特别是直接在部件上(即在自动化系统中)执行，并且旨在用于测试(尤其是出厂设置的)自动化系统中的部件的基本参数设定。在自动化设备中的部件的调试之前或调试期间执行以下过程步骤：

-利用基本参数设定开始自动化系统中的部件的测试运行；

-在测试运行期间(利用基本参数设定)测量测量值数据集；

-访问机器学习模块，该机器学习模块可以包括模式识别算法和/或预训练的神经网络，其中，对预训练的神经网络(下文也称为“人工神经网络”ann)进行预训练，以便针对测量值数据记录计算相应部件的目标参数设定，并且其中，将基本参数设定与所计算的目标参数设定进行比较，并且在发生偏差的情况下，提供用于调整基本参数设定的结果消息；

-接收所提供的结果消息以调整基本参数设定。

在此描述的方法的优点在于，可以进一步自动化和简化调试。基于调试期间记录的代表设备中的部件的具体和真实操作的信号，可以计算用于对所用的参数进行优化的建议，并针对设备中的部件的相应用途具体地输出所述建议。在此描述的方法的另一个优点是其可以独立于设备类型来应用。

本发明的优选应用是在气动领域、特别是对受控的气动阀的基本参数设定进行调整。为此，需要应用程序参数设定，该应用程序参数设定可以根据建议进行验证。伺服气动除了电动伺服驱动器的控制之外还需要其他调整，这是因为由于可压缩的介质空气，因此控制算法要复杂得多。在优选的训练中，用于气动系统的方法可以例如为了最小化空气消耗而被优化，并且针对部件的最佳设计提出建议。

在本发明的优选形式中，通过连续记录的测量值数据集、基本参数设定和所计算的目标参数设定来连续地再训练机器学习模块。机器学习模块因此存储了一个自学习的模型，该模型被提供有连续新近测量的数据并连续地“继续学习”。该模型可以有利地用于其他系统和/或用于创建基本参数设定。

在本发明的另一优选的实施例中，可以提议针对单独的选择部件、尤其是针对复杂的部件来提供并预训练特定的机器学习模块。因此，在配置阶段中，可以选择并确定要为其例如训练特定ann的部件。因此，该方法可以提供例如用于简单部件的基本参数设定和/或对于选择部件(例如控制节点，如sps/plc)的特别调整的参数设定和/或基本参数设定的优化。

在本发明的有利的进一步训练中，利用实验室数据和/或来自测试台的数据和/或来自至少一个模拟模型的数据来训练或预训练ann和/或机器学习模块。因此，可以将较大的数据库用于网络的预训练，特别是可以使用来自部件和/或设备制造商的测试的数据。想要操作部件和设备的客户通常在调试时没有大量数据。因此，可以在较早的时间点提供改进的和特定的参数设定。

在本发明的另一有利的进一步训练中，机器学习模块包括模式识别算法，该模式识别算法被训练以自动识别基本参数设定中的错误模式、特别是针对相应自动化任务的设备中部件的特定用途的错误或不利的参数设定。例如，这包括从所检测的振荡行为、到达终点位置的时间/速度等得出的结论。可以相对于在实验室中特别是通过模式识别算法(这将在下面更详细地说明)可能预先测量的参考值(标称数据集)来分析所记录的测量值(实际数据集)，以便基于此分析得出有关错误模式的结论。可以将模型设计为区分良好模式和错误模式。在优选的设计中，将一组测量的信号特性标准化，并在其中识别出某些模式。因此，不执行纯粹的阈值分析，而是优选地对若干个时间相关信号进行模式识别。

在本发明的有利实施例中，机器学习模块可以适于将至少一种模式识别算法应用于测量值数据集。模式识别算法可以例如应用于所测量的测量值，并且可以被设计为区分良好情况和错误情况。可以有目的地识别出的具体模式的示例为：系统振荡的趋势、过“硬”地行进到终点位置的或由于对应用程序参数的错误解释而导致的跟踪错误。

在本发明的另一个有利的实施例中，机器学习模块可以包括部件测试单元，该部件测试单元被训练以测试在自动化系统中是否完全使用了正确的或合适的部件，以便完成给定的自动化任务，并且在为否定的情况下，该部件测试单元利用交换消息(用于交换部件)扩展结果消息。交换消息还可以包括一组改进的参数，这一组改进的参数在需要时和/或特别是响应于可以在设备的部件或控制单元上输入的确认信号(基本参数设定->改进的参数设定)，来取代所述参数集。优选地，部件测试单元包括参数分析单元，如上所述，该参数分析单元被设计为检测参数设定中的某些问题。例如，可以检测到扭矩极限太低。然后，部件测试单元可以建议使用更大的电动机。

在本发明的另一有利的实施例中，机器学习模块可以至少部分地本地形成在部件上或在所选择的部件上。这样做的有利之处是，每个(每个选定的)部件都可以自主起作用和决策。因此，该部件可以自主地对其自身进行参数设定并重写例如出厂设置的基本参数设定。然而，这要求本地部件具有较高的计算能力。本地部件也可以设计为嵌入式系统或这包括这样的系统。可以在具有或没有特殊硬件加速的情况下设计部件。

在本发明的另选实施例中，机器学习模块还可以在服务器上例如集中地进行训练。服务器可以是例如部件制造商的服务器。可以在云中训练服务器。这样做的有利之处是，可以以匿名或更抽象的形式使所收集和学习的有关特定系统的知识可供其他系统操作者使用。

该方法也可以实施为分布式系统。因此，在第一单元上实施和执行第一方法步骤，并且在第二单元上实施和执行(分布)第二方法步骤。优选地，应该在(例如，部件/系统的制造商的)中央服务器上执行调试工具(本地的，在设备上)中的评估(推断)和学习(从样本)。因此可以在部件上本地执行评估。然后发送适当的诊断消息，以告知操作者关于参数设定欠佳。本发明的有利的进一步训练提供了对部件上的数据的预处理。对于高频信号(诸如电动机电流)尤其需要进行数据准备(诸如滤波或求平均)。例如通过应用快速傅立叶变换在频域中对信号进行评估、即对信号的频谱进行评估是优选的。对部件的评估还需要在一定时间段内对信号进行中间存储。因此，本地部件优选地具有数据存储装置。

优选地，使用现有的配置和工程接口。无需实施新的物联网(iot)或数据收集接口。这样可以大大减少安装工作量。

此外，在本发明的另一优选实施例中，运行特殊的测试顺序以进行调试从而获得相关数据。在此情况下，明确指出，在该过程中收集的数据不是操作数据，因此该数据收集与操作期间的数据收集不同。

记录或测量的测量值基本上不限于某种类型的测量值或测量值类型。例如，测量值数据集可以包括随时间变化的数字和/或模拟信号和/或信号特征。可以通过自动化系统内的不同传感器(位置传感器、终点位置传感器、速度或温度传感器或其他类型的传感器)获取测量值。传感器不一定必须被直接安装在部件上。

如果该计算机程序是在计算机或基于计算机的电子实例(例如微控制器、plc)上执行的，则另一目标解决方案是一种计算机程序，该计算机程序具有执行上述方法的所有方法步骤的计算机程序代码。计算机程序也可以存储在计算机可读的介质上。

上面使用该方法描述了目标的解决方案。所提及的特征、优点或替代设计可以类似地转移至其他要求保护的主题，并且反之亦然。换句话说，设备权利要求(例如针对参数设定单元或部件的权利要求)也可以利用结合该方法描述或要求保护的特征被进一步改进。由此，方法的相应的功能特征由装置的相应的设备模块、特别是由硬件模块或微处理器模块形成，并且反之亦然。为了避免冗余，此时不再明确重复装置权利要求的这些替代实施。

在另一方面，本发明涉及一种用于自动化系统的部件的参数设定单元，该参数设定单元适于执行如上所述的方法。参数设定单元包括：

-用于读取基本参数设定的参数接口；

-用于测量数据或信号的传感器和/或用于读取测量值数据集的至少一个测量值接口。这意味着参数设定单元不一定必须包括用于数据采集本身的传感器，而是另选地或附加地仅需要包括一接口，相应的传感器数据信号(测量值)经由该接口读取。例如，传感器可以位于自动化系统中的另一个部件上。

-机器学习模块的接口，结果消息可以经由该接口读取，以使基本参数设定与目标参数设定相配。

-用于通过基本参数设定和/或目标参数设定控制和操作部件的处理器。

在另一方面，本发明涉及一种具有这种参数设定单元的自动化系统中的部件。该部件可以包括控制单元并且特别是用于电或气动系统的控制器。自动化系统还可以包括电和/或气动致动器。

在下文中，将更详细地定义在本申请中使用的术语。

“测量数据集”是可以进行电子处理的数字数据集并且基于所测量的物理量或值。测量值由不同的传感器记录，并且可以引用不同的物理量(诸如温度、位置、压力曲线或其他随时间变化的信号曲线等)。传感器可以直接位于待被测试的部件上，或者可以位于自动化系统中的其他位置，例如：位于与该部件交互和/或由该部件控制的部件(例如控制器)上。

自动化系统可以包括气动和/或电动致动器。自动化系统可以是具有各种物理或技术部件的、用于不同目的的电子控制系统，诸如生产设备或生产线或一台机器或一组机器。

这些部件是可以进行电子控制的技术零件或现场装置。部件继而可以具有不同类型的部件零件，诸如模拟部件(阀、开关等)和数字部件(例如，基于软件的控制单元，诸如plc等)。根据整个设备的功能和自动化任务，根据电路图将部件互连以形成功能连接。以这种方式，例如，可以由串联连接的若干个部件形成效果链。然而，也可以形成更复杂的结构(全面的环状或类网状部件结构)。部件可以包括传感器。它们也可以设计成具有接口，以读取传感器信号和/或来自其他部件和零件的测量值。

机器学习模块是可以在软件和/或硬件中进行训练的电子单元。机器学习模块可以包括一种形式的模式识别算法，该模式识别算法被应用于所获取的测量数据。机器学习模块可以包括预训练或训练的神经网络，并且如果需要，还可以包括其他机器学习方法。机器学习模块可以在服务器上训练，并且可以连接到数据库。

经过训练的神经网络(也称为ann(人工神经网络))是一种用于计算优化参数数据集(目标参数设定)的计算机实施方法。ann基于从实验室和/或模拟数据获得的训练数据。训练数据包括输入数据和输出数据。输入数据包括分别从一个部件获取的测量值数据。输出数据包括“最佳”参数设定。基于该训练数据对网络进行训练，以使得其为部件的任何测量值数据计算的目标参数设定。监督的训练方法可以优选地用于该训练方法。进一步的训练还提供无监督的训练。一维卷积神经网络优选地用于时限信号曲线(course)的分析。有关实施的详细信息请参照：kiranyaz、serkan和avci、onur和abdeljaber、osama和ince、turker和gabbouj、moncef和inman、daniel，(2019)，1dconvolutionalneuralnetworksandapplications(一维卷积神经网络及其应用)。作为另选的方法，可以使用递归神经网络(rnn)或长-短期记忆(lstm)及其变体。

基本参数设定是出厂时预设的一组参数。因此，某个标准参数设定可以随部件一起提供，但尚未针对特定的自动化任务进行设计。如果随后在试运行中在设备中操作此部件，则在试运行期间记录并分析测量值。将这些测量值与最佳参数设定部件的参考值进行比较，以提供目标参数设定作为机器学习过程的结果。

在最简单的情况下，结果消息可以是信号。另选地，结果消息可以是一消息包，该消息包发出必须调整或优化部件的现有参数设定的信号。优选地，结果消息包含目标参数设定，通过该目标参数设定将重写现有的参数设定(基本参数设定或更改)。为此，结果消息可以被显示在用户界面上，并带有输入触发重写的确认信号的请求。

参数设定单元是电子实例。其用于执行参数设定方法。

附图说明

在附图的以下详细描述中，基于附图讨论了非限制性设计示例及其特征和其他优点。在此图中示出了：

图1是根据本发明的优选实施例的装置的框图；

图2是根据本发明的优选实施例的过程的流程图；

图3是根据本发明的优选实施例的在参与实例之间进行信号交换的顺序图；和

图4是根据本发明的另一优选实施例的具有其他部件的部件的示意性框图。

具体实施方式

在附图下面详细描述中，基于附图讨论了非限制性设计示例及其特征和其他优点。

本发明提出了一种反馈机制，该反馈机制基于人工智能算法，并且基于特别是关于部件的先前的经验，计算出用于改善先前的或当前的参数设定(部件参数设定、应用程序参数设定)的建议(suggestion)。由模式识别算法识别传感器数据中的模式，以生成建议(recommendation)，而无需确切了解系统的完整物理结构。这些算法在机器学习模块中实施，并使客户可以访问部件制造商的部件和应用程序的专业知识，以优化应用程序和部件参数。在该过程中，识别传感器数据中的先前已知模式，并基于此将建议以结果消息的形式传送给用户。本文的思想是通过传感器数据中的有问题的模式或显著程度，使客户能够使用来自部件的开发和测试中的全面专门知识。可以提供预训练模型库。

机器学习算法的训练可以基于现有(例如来自连续运行)的测量值，或者可以基于由模拟模型生成的信号特征。使用这些方法，可以在现场验证部件的基本参数设定。此外，可以检查部件选择，并在必要时可以提出建议。例如，下文描述用于例如永磁励磁同步电机伺服电动机(pmsm)的电动机控制器的调试。

为了进行调试，必须输入许多特定的应用程序参数。这可以通过调试软件来执行。可以记录一组测量信号以验证参数设定。该组测量信号优选地至少包括以下变量：调节后的电动机电流；(直流母线)电压；速度；速度变化和加速度；温度；以及其他导出变量。此外，还记录设定值规范。这些信号用作分析功能的输入(特征)。由此识别出某些预定的(例如不期望的)模式，诸如振荡趋势。于是可以给出相应的建议。

通过使用ai算法，可以在不了解应用程序的确切物理模型的情况下做出有关部件的参数设定和正确使用的说明。

图1示出了自动化系统aa(在下文中也简称为系统aa)(特别是具有气动致动器的系统)的示意图，该自动化系统特别是在部件k的调试期间至少暂时地与服务器s进行数据交换。服务器s可以是安装在设备aa的域之内或优选地安装在其域之外的计算机实例。服务器s可以例如由部件制造商或由aa系统的制造商来操作。

在服务器s上实施了机器学习模块ml，该机器学习模块可以包括神经网络ann。机器学习模块ml可以被训练以生成用于部件k的参数设定的模型。所生成的模型可以被存储在数据库db中。

如图1示意地所示，在aa系统的一侧上具有不同的设计变体。基本上，aa系统包括大量不同的部件k，诸如各种现场装置和控件器件(plc等)。如以部件k1和k2为例的图1所示，所有或选定的部件k可以包括参数设定单元p。部件可以直接被设计有传感器se，以获取部件k上的测量值。然而，部件k也可以被设计成例如具有很少的计算机资源，以至于无法设计其自身的本地参数设定单元p。在这种情况下，部件kn(在图1中)的测量值可以传递到上级控制单元st，该上级控制单元st因此包括参数设定单元p，并且代表相应的部件kn进行参数设定检查。另选地，未分配给相应部件或未安装在相应部件上的另一个参数设定单元p也可以对“外来”部件进行参数设定检查。同样如图1所示，可以不在部件k上直接实施参数设定单元p，而是将参数设定单元p分配给作为单独的部件或作为部件的单独实例的k，并且该参数设定单元p具有用于数据交换的相应数据连接。

基本参数设定可以在部件k交付时由工厂提供，并且因此能够作为部件k上的数据记录使用，或者可以经由数据连接(优选是无线连接，例如无线电)从中央服务器s中读取。在部件k上或其附近测量到的测量值以测量值数据记录的形式传输到机器学习模块ml，机器学习模块ml然后利用这些数据访问经过训练的网络ann，以计算目标参数设定。这可以例如响应于信号从服务器s传输到部件k，从而可以在部件k上针对相应的自动化任务对参数设定进行本地调整和优化。

图2示出了本发明的优选实施例的流程图。在开始对部件k进行处理之后，在步骤s1中读取基本参数设定。这可以通过部件k上的存储器或者经由可访问中央服务器s的数据连接来完成。然后，系统aa利用基本参数设定在测试模式下操作。在步骤s3中，测量和/或记录测量值。这里，例如，记录某些致动器何时到达其各自的最终位置、压力曲线如何等。从所记录的测量值或信号中提取样本并对样本进行检测，所记录的测量值或信号诸如为：通过位置测量在气动致动器的最终位置中的极突然停止、或者受控信号趋于振荡、或者受控信号中设定点值/实际值的过度偏差、或者在某些情况下在挤压应用中出现意想不到的力曲线、或者在机械设计不正确的情况下产生意想不到的高摩擦力，这可能表示部件尺寸不正确。

在步骤s4中，利用测量值访问预训练的神经网络ann以确定目标参数设定。因此，针对相应部件k进行了预训练的机器学习模型分析所获取的传感器数据或测量值，并尝试识别某些表示优化潜力的模式。基于所发现的异常，建议以结果消息的形式显示给用户(具有相应部件k的aa机器的操作者)。基于所发现的结果，向用户显示建议，以优化参数。如果目标参数设定与基本参数设定不同，则可以通过访问一组规则(其可以被存储在例如规则库中)来启动其他步骤。例如，如果认为偏差是相关的，则可以创建结果消息，该结果消息包括一组命令，这些命令启动或指示对部件k的基本参数设定进行调整。此后，该方法可以在预定的时间单位之后结束或被重复进行。例如，可以重复该过程以检查所执行的参数更改。

还可以存储触发先前参数设定的新的重写的规则(例如，测量值的偏差过大或在部件和/或系统的“重新启动”之后等)。在图2中绘制出竖直虚线。该线表示可以在部件k上执行该线左侧的步骤，并且可以在机器学习模块ml上执行该线右侧的步骤。另选地，所有步骤都可以在部件k上执行，或者机器学习模块ml可以被直接安装在部件k上。

图3以交互图示出了在各个部件之间交换哪些数据。基本参数设定通常由服务器s接收和读取。在测试运行期间，测量值被测量并读取或记录并被传输到网络ann，以便计算目标参数设定，继而将目标参数设定传输到部件k。然后，先前的参数设定(例如基本参数设定)可以被重写以开始设备aa的生产操作。

图4以框图的形式示出了部件k，该部件k设计为具有参数设定单元p。在该设计示例中，参数设定单元p包括三个接口：参数设定接口ps，该参数设定接口ps旨在读取基本参数设定；测量值接口ms，经由该测量值接口ms测量来自未被布置在部件k中或部件k上的传感器se的测量值并且读取测量值；和机器学习模块ml的学习模块接口lms，从而将目标参数设定或结果消息经由学习模块接口lms进行读取。在该执行示例中，学习模块ml直接实施在部件k中；另选地，其也可以被实施在外部服务器上和/或在云中实施，并且可以经由相应的网络连接来访问。参数设定单元p也可以包括本地传感器或转换器(transducer)，并且可以配备有电子处理单元cpu。

总之，应当注意，本发明的描述和示例实施例基本上不应被理解为是对本发明的某种物理实现的限制。结合本发明的各个实施例解释和示出的所有特征都可以在本发明的主题中以不同的组合被提供，以便同时实现其有利效果。

本发明的保护范围由所附权利要求书给出，并且不受说明书中解释的或附图所示的特征的限制。

特别地，对于本领域技术人员显而易见的是，本发明不仅可以应用于气动致动器和部件，而且可以应用于其他类型的自动化设备(电气设备)。此外，部件和/或参数设定单元的零件可以实现为分布在若干个物理产品上。

附图标记：

aa自动化设备

k部件

p参数设定模块

ml机器学习模块

ann神经网络

ps参数接口

ms测量值接口

lms学习模块接口

cpu处理器、计算单元

se传感器