DE-102024132471-A1 - Sensorgerät zur Anomalieerkennung und Verfahren

Abstract

Es wird ein Sensorgerät (10) zur Anomalieerkennung bereitgestellt, umfassend ein Sensorelement (20) zur Erfassung von Objekten (T1, Tn) oder zur Erfassung eines Mediums und eine Auswerteeinheit (AE) zur Bildung entsprechender Messwerte einer Messgröße, insbesondere von Positions-, Distanz oder Prozesswerten, Mittel zur Erfassung dieser Messwerte und mindestens einer der folgenden Größen: i. die erste Ableitung nach der Zeit des Messwerts; ii. die zweite Ableitung nach der Zeit des Messwerts; iii. das Integral über die Zeit des Messwerts. Das Sensorgerät umfasst weiter Mittel zur parallelen Auswertung der erfassten Größe, Mittel zur Ermittlung einer Schaltinformation für jede ausgewertete Größe, Mittel zur logischen Verknüpfung der Schaltinformationen zur Anomalieerkennung. Zudem ist ein Verfahren zur Anomalierkennung angegeben.

Inventors

• Johannes Kestel

Assignees

• IFM ELECTRONIC GMBH

Dates

Publication Date

20260507

Application Date

20241107

Claims (9)

1. Sensorgerät (10) zur Anomalieerkennung umfassend: - ein Sensorelement (20) zur Erfassung von Objekten (T1, Tn) oder zur Erfassung eines Mediums und eine Auswerteeinheit (AE) zur Bildung entsprechender Messwerte einer Messgröße, insbesondere von Positions-, Distanz-, oder Prozesswerten, - Mittel zur Erfassung dieser Messwerte und mindestens einer der folgenden Größen: i. die erste Ableitung nach der Zeit des Messwerts ii. die zweite Ableitung nach der Zeit des Messwerts iii. das Integral über die Zeit des Messwerts, - Mittel zur parallelen Auswertung der erfassten Größen, - Mittel zur Ermittlung einer Schaltinformation für jede ausgewertete Größe, - Mittel zur logischen Verknüpfung der Schaltinformationen zur Anomalieerkennung.
2. Sensorgerät (10) nach Anspruch 1 , wobei das Sensorgerät (10) mehrere Kanäle aufweist, um gleichzeitig verschiedene Bedingungen zu erkennen, wobei die Mittel zur logischen Verknüpfung der Schaltinformation eine parametrierbare Logikeinheit (PLU) umfassen, bei der die Parameter für die Auswertungen und die Art der logischen Verknüpfungen durch eine Datenanalyse der erfassten Messgrößen und abgeleiteten Größen bestimmt werden.
3. Sensorgerät (10) nach Anspruch 1 oder 2 , wobei das Sensorgerät (10) ein neuronales Netz als Auswerteeinheit (AE) umfasst, dem die erfassten und abgeleiteten Größen zugeführt werden, um komplexe Situationen zu erkennen.
4. Verfahren zur Erkennung von Anomalien mit einem Sensorgerät (10) gemäß den Ansprüchen 1 bis 3 , umfassend die Schritte: - Erfassen eines Messwertes durch zumindest ein in das Sensorgerät (10) integriertes Sensorelement (20) mit einer Auswerteschaltung (AE) - paralleles Erfassen mindestens einer der folgenden Größen durch das Sensorgerät (10): i. die erste Ableitung nach der Zeit des Messwerts, ii. die zweite Ableitung nach der Zeit des Messwerts, iii. das Integral über die Zeit des Messwerts, - parallele Auswertung der erfassten Größen innerhalb des Sensorgeräts (10), - Ermittlung einer Schaltinformation für jede ausgewertete Größe, - Verknüpfung der Schaltinformationen mittels parametrierbarer Operatoren um das Vorliegen einer Anomalie zu bestimmen.
5. Verfahren gemäß Anspruch 1 , wobei die Verknüpfung der Schaltinformationen unter Verwendung von booleschen Operatoren oder binär erfolgt.
6. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Sensorgerät (10) zusätzlich zur Schaltinformation die Messwerte und die abgeleiteten Größen ausgibt.
7. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Parameter für die Auswertungen und die Art der logischen Verknüpfungen durch eine Datenanalyse der erfassten Messgrößen, der abgeleiteten Größen oder dem Integral über der Zeit des Messwerts bestimmt werden.
8. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Sensorgerät (10) mehrere Kanäle aufweist, um gleichzeitig verschiedene Bedingungen zu erkennen und auszugeben.
9. Verfahren nach einem der vorhergehenden Ansprüche, wobei die abgeleiteten Größen und das Integral zusätzlich einem im Sensorgerät (10) in der Auswerteeinheit (AE) implementierten neuronalen Netz zugeführt werden, wobei die Datenanalyse im Sensorgerät (10) erfolgt, sodass die Rohdaten nicht an eine übergeordnete Steuereinheit übertragen werden müssen.

Description

Die Erfindung betrifft ein Sensorgerät zur Anomalieerkennung gemäß Anspruch 1 und ein Verfahren zur Anomalieerkennung gemäß Anspruch 4. In der industriellen Prozessüberwachung werden verschiedene Arten von Sensorgeräten eingesetzt, um Daten zu erfassen. Gängige Sensortypen sind Positionssensoren, Distanzsensoren und Prozesssensoren, die jeweils spezielle Aufgaben erfüllen. Positionssensoren werden beispielsweise verwendet, um die Lage von Maschinenkomponenten oder Werkstücken zu bestimmen. Distanzsensoren messen Abstände und helfen dabei, Kollisionen zu vermeiden oder ermöglichen präzise Positionierungen. Prozesssensoren überwachen Parameter, wie den Füllstand, den Durchfluss und / oder die Temperatur eines Mediums und sorgen so für die Einhaltung von Prozessvorgaben. Ein Beispiel für den Einsatz von Positionssensoren ist die Überwachung der Position von Gütern auf Förderbändern in der Logistik. Distanzsensoren können in der Robotik eingesetzt werden, um Hindernisse zu erkennen und zu umgehen. Prozesssensoren finden zum Beispiel Anwendung in der Lebensmittelindustrie, um die Qualität und Sicherheit der Produkte zu gewährleisten. Induktive Sensoren erkennen mittels eines Sensorelements berührungslos die Annäherung metallischer Objekte. Mit kapazitiven Sensoren kann die Annäherung nicht metallischer Objekte und Flüssigkeiten mittels eines Sensorelements erkannt werden. Magnetsensoren überwachen und messen Positionen und Bewegungen von magnetischen Feldern mittels eines Sensorelements. Optische Sensoren arbeiten mit Licht im sichtbaren und infraroten Bereich, um mittels eines Sensorelements Objekte zu erkennen und Distanzen zu messen und nutzen Lichtquellen wie LEDs oder Laser, um Lichtstrahlen auf ein Zielobjekt zu senden. Das reflektierte Licht wird dann von einem Detektor erfasst, der die Intensität und die Winkel des zurückkehrendes Licht analysiert. Radar- und Ultraschallsensoren messen Objekte, Distanzen und deren Bewegungen mittels reflektierender Echos an einem Sensorelement, die von den Objekten reflektiert werden. Die Analyse von kontinuierlich erfassten Messwerten all dieser Sensortypen kann Information über die Position, die Entfernung und die Geschwindigkeit von Objekten oder Information über den zeitlichen Verlauf der Messwerte liefern. Zur Anomalieerkennung, d.h. zur Erkennung von Anomalien oder Fehlverhalten innerhalb einer Applikation oder einer Umgebung, werden die von den Sensoren erzeugten Daten gesammelt und einer Datenanalyse unterzogen. Üblicherweise findet die Datenanalyse außerhalb des einzelnen Sensorgeräts statt. Dazu werden Mess- oder Rohdaten an eine übergeordnete Instanz, die sich räumlich außerhalb des Sensorgeräts befindet, beispielsweise an eine übergeordnete Steuerung oder an ein Cloud-System übermittelt. Durch das Zusammenführen und der Analyse einer großen Menge an Daten soll dabei eine genauere Abschätzung erfolgen, was ein normales Verhalten, und was ein Fehlverhalten darstellt. Nachteilig daran sind die großen Datenmengen, die übermittelt werden müssen. Die Übermittlung führt zu einem zeitlichen Versatz, was zu Einschränkungen in der Echtzeitfähigkeit führt. Der wesentliche Vorteil einer dezentralen Datenanalyse, die räumlich außerhalb des Sensorgeräts durchgeführt wird, liegt in der Fähigkeit, große Datenmengen aus verschiedenen Quellen zu integrieren und zu analysieren. Durch diese Datenaggregation kann ein detaillierteres und umfassenderes Bild der normalen Betriebsbedingungen erstellt werden. Beispielsweise können Daten von verschiedenen Sensoren in einem Produktionsprozess kombiniert werden, um ein ganzheitliches Verständnis des Systemverhaltens zu erlangen. Dies ermöglicht es, Muster und Trends zu erkennen, die mit isolierten Datenquellen möglicherweise nicht sichtbar wären. Trotz dieser Vorteile gibt es jedoch auch bedeutende Nachteile bei der dezentralen Datenanalyse. Zum einen besteht die Gefahr der potenziellen Verfälschung der Daten durch die Aggregation. Zudem können durch das Zusammenführen der Daten wichtige Details verloren gehen oder im Durchschnitt der Daten verwässert werden. Dies ist dann besonders problematisch, wenn es darum geht, Anomalien oder seltene Ereignisse und Fehlverhalten zu identifizieren. Beispielsweise könnte eine geringfügige, aber kritische Abweichung in den Sensordaten übersehen werden, wenn sie in einem großen Datensatz aggregiert wird. Diese Verfälschung führt dazu, dass Anomalien entweder nicht erkannt oder falsch interpretiert werden, was die Zuverlässigkeit und Genauigkeit dieser Analyse beeinträchtigt. Ein weiteres Problem ist die Latenzzeit aufgrund der Übertragung großer Datenmengen. Die Daten müssen von den Sensoren zu einer übergeordneten Datenbank übertragen werden, was Zeit in Anspruch nimmt. In vielen Anwendungen, insbesondere in sicherheitskritischen Bereichen, ist allerdings eine schnelle Erkennung von Anomalien entscheidend. Verzögerungen bei der Datenübertragung und -analyse können dazu führen, dass Anomalien nicht rec