DE102022203238A1

DE102022203238A1 - Method for classifying operating points using sound signals

Info

Publication number: DE102022203238A1
Application number: DE102022203238.1A
Authority: DE
Inventors: Ulrich Bittner; Hannes Hitzer
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2022-04-01
Filing date: 2022-04-01
Publication date: 2023-10-05

Abstract

Die Erfindung betrifft ein Verfahren zur Bildung eines Modells (340) zur Betriebspunkterkennung an einer Maschine, umfassend: Erfassen (302) eines Schallsignals, das von der Maschine ausgeht, und gleichzeitiges Erfassen von einer oder mehreren Lastgrößen der Maschine; Bestimmen (304) von Signalabschnitten (200) des Schallsignals mit stationärem Betriebspunkt, in denen die ein oder mehreren Lastgrößen jeweils über die Länge des zugehörigen Signalabschnitts hinweg innerhalb von vorgegebenen Schwellwerten unverändert bleiben; Extrahieren (310) von Merkmalen im Zeitbereich (210, 212, 214, 216, 218) und/oder im Frequenzbereich (220, 230, 245, 255) für ein oder mehrere stationäre Signalabschnitte des Schallsignals mit stationärem Betriebspunkt; Bilden von Trainingsdaten (320) für mindestens ein maschinell lernendes Klassifikator- oder Regressor-Modell durch Labeln (322) der extrahierten Merkmale für jeden Signalabschnitt mit einer aus mehreren Betriebspunktklassen (110), wobei die Betriebspunktklassen durch mindestens einen Teil der ein oder mehreren Lastgrößen der Maschine definiert sind; und Trainieren (324) des maschinell lernenden Klassifikator- oder Regressor-Modells mit den gebildeten Trainingsdaten.The invention relates to a method for forming a model (340) for operating point detection on a machine, comprising: detecting (302) a sound signal emanating from the machine and simultaneously detecting one or more load variables of the machine; Determining (304) signal sections (200) of the sound signal with a stationary operating point, in which the one or more load variables remain unchanged within predetermined threshold values over the length of the associated signal section; Extracting (310) features in the time domain (210, 212, 214, 216, 218) and/or in the frequency domain (220, 230, 245, 255) for one or more stationary signal sections of the sound signal with a stationary operating point; Forming training data (320) for at least one machine learning classifier or regressor model by labeling (322) the extracted features for each signal section with one of several operating point classes (110), the operating point classes being determined by at least a part of the one or more load variables machine are defined; and training (324) the machine learning classifier or regressor model with the formed training data.

Description

Die vorliegende Erfindung betrifft ein Verfahren zur Bildung eines Modells zur Betriebspunktklassifizierung durch Schallsignale, sowie ein Verfahren zur Betriebspunktklassifizierung unter Verwendung dieses Modells.The present invention relates to a method for forming a model for operating point classification using sound signals, as well as a method for operating point classification using this model.

Hintergrund der ErfindungBackground of the invention

Im Maschinenbau können zur Analyse von Belastungen an einem Bauteil sogenannte Lastkollektive erstellt werden, welche die Gesamtheit aller auftretenden Belastungen über einen bestimmten Zeitraum darstellen. Die Belastungen sind dabei beispielsweise von Drehmomenten, Drehzahlen, Beschleunigungen, Temperaturen und anderen Lastgrößen abhängig, die in einem System (z.B. einem Motor oder einer hydraulischen Pumpe) auftreten.In mechanical engineering, so-called load collectives can be created to analyze loads on a component, which represent the totality of all loads that occur over a certain period of time. The loads depend, for example, on torques, speeds, accelerations, temperatures and other load variables that occur in a system (e.g. a motor or a hydraulic pump).

Üblicherweise werden zu diesem Zweck die einzelnen Lastgrößen erfasst und anschließend zu einem Kollektiv zusammengestellt. Dies bedeutet aber, dass je nach System eine größere Anzahl von physikalischen oder geometrischen Größen einzeln durch entsprechende Sensorik überwacht werden muss. Außerdem sind nicht alle relevanten Last- oder Zustandsgrößen zwingend direkt messbar. Es besteht daher Bedarf nach einer einfacheren Möglichkeit zur Ermittlung von Belastungen und Betriebspunkten eines Systems.For this purpose, the individual load variables are usually recorded and then put together into a collective. However, this means that, depending on the system, a larger number of physical or geometric variables must be monitored individually using appropriate sensors. In addition, not all relevant load or condition variables can necessarily be measured directly. There is therefore a need for a simpler way to determine loads and operating points of a system.

Offenbarung der ErfindungDisclosure of the invention

Erfindungsgemäß wird ein Verfahren zur Bildung eines Modells zur Betriebspunkterkennung an einer Maschine sowie ein Verfahren zur Erkennung eines Betriebspunkts einer Maschine mit den Merkmalen der unabhängigen Patentansprüche vorgeschlagen. Vorteilhafte Ausgestaltungen sind Gegenstand der Unteransprüche sowie der nachfolgenden Beschreibung.According to the invention, a method for forming a model for operating point detection on a machine and a method for detecting an operating point of a machine with the features of the independent patent claims are proposed. Advantageous refinements are the subject of the subclaims and the following description.

Insbesondere wird ein Verfahren vorgeschlagen, bei dem ein Schallsignal, das von einer Maschine ausgeht, erfasst wird, und gleichzeitig eine oder mehrere Lastgrößen der Maschine erfasst werden. In dem Schallsignal werden Signalabschnitte mit stationärem Betriebspunkt bestimmt, in denen die ein oder mehreren Lastgrößen jeweils über die Länge des zugehörigen Signalabschnitts hinweg innerhalb von vorgegebenen Schwellwerten unverändert bleiben. Dann werden für einen oder mehrere dieser Signalabschnitte mit stationärem Betriebspunkt Merkmale im Zeitbereich und/oder im Frequenzbereich und/oder im Zeit-Frequenz-Bereich (z.B. Wavelet-Transformationen) extrahiert. Durch Labeln bzw. Bezeichnen/Beschriften der extrahierten Merkmale für jeden Signalabschnitt mit einer aus mehreren Betriebspunktklassen werden Trainingsdaten für mindestens ein maschinell lernendes Klassifikator- oder Regressor-Modell gebildet, wobei die Betriebspunktklassen durch mindestens einen Teil der ein oder mehreren Lastgrößen der Maschine definiert sind. Mit den gebildeten Trainingsdaten wird dann mindestens ein maschinell lernendes Klassifikator- oder Regressor-Modell trainiert.In particular, a method is proposed in which a sound signal emanating from a machine is detected and at the same time one or more load variables of the machine are detected. Signal sections with a stationary operating point are determined in the sound signal, in which the one or more load variables remain unchanged within predetermined threshold values over the length of the associated signal section. Features in the time domain and/or in the frequency domain and/or in the time-frequency domain (e.g. wavelet transformations) are then extracted for one or more of these signal sections with a stationary operating point. By labeling or designating/labeling the extracted features for each signal section with one of several operating point classes, training data for at least one machine learning classifier or regressor model is formed, the operating point classes being defined by at least a part of the one or more load variables of the machine. At least one machine learning classifier or regressor model is then trained with the training data created.

Auf diese Weise können erfasste Schallsignale mit erfassten Betriebspunkten, die aus Lastgrößen definiert sind, in Zusammenhang gebracht werden. Durch diesen bekannten Zusammenhang und die gelabelten Daten kann ein Klassifikatormodell durch überwachtes Lernen darauf trainiert werden, Schallsignale in eine Betriebspunktklasse zu klassifizieren. Damit wird eine einfache Erkennung von Betriebspunkten bzw. Lastklassen möglich, ohne die Lastgrößen einzeln zu messen.In this way, detected sound signals can be linked to detected operating points, which are defined from load variables. Using this known connection and the labeled data, a classifier model can be trained to classify sound signals into an operating point class using supervised learning. This makes it possible to easily identify operating points or load classes without measuring the load variables individually.

In einem solchen Verfahren können mehrere Wertebereiche für jede aus dem Teil der ein oder mehreren Lastgrößen festgelegt werden, und die mehreren mehrdimensionalen Betriebspunktklassen als Faktorkombinationen der festgelegten Wertebereiche für den Teil der ein oder mehreren Lastgrößen definiert werden. Man erhält auf diese Weise einen mehrdimensionalen Lastklassenraum bzw. Betriebspunktklassenraum, der beliebig definiert werden kann und beliebig viele Lastgrößen mitberücksichtigen kann.In such a method, multiple value ranges can be defined for each of the portion of the one or more load variables, and the multiple multi-dimensional operating point classes can be defined as factor combinations of the specified value ranges for the portion of the one or more load variables. In this way, you get a multi-dimensional load class space or operating point class space that can be defined as desired and can take any number of load variables into account.

In dem Verfahren kann optional eine Auswahl von relevanten Merkmalen aus den extrahierten Merkmalen für jedes verwendete maschinell lernende Klassifikator- oder Regressor-Modell festgelegt werden. Dazu kann beispielsweise eine Bestimmung einer Merkmalswichtigkeit, eine Hauptkomponentenanalyse oder eine andere eine Merkmalsreduktion erfolgen. Die relevanten Merkmale können für jedes Modell, jeden Anwendungsfall, jede Maschine oder jede Sensorposition unterschiedlich sein. Durch die Reduktion der erforderlichen Merkmale im Verfahren können die Rechenzeit und die Größe der erforderlichen Datensätze wesentlich reduziert werden, so dass eine einfachere Verarbeitung auch auf weniger rechenstarken Einheiten möglich wird.In the method, a selection of relevant features from the extracted features can optionally be defined for each machine learning classifier or regressor model used. For this purpose, for example, a determination of a feature importance, a main component analysis or another feature reduction can take place. The relevant features may be different for each model, use case, machine or sensor position. By reducing the required features in the process, the computing time and the size of the required data sets can be significantly reduced, so that simpler processing is possible even on units with less computing power.

Optional können zusätzliche Merkmale aus Signalabschnitten des Schwingungssignals extrahiert werden, in denen kein stationärer Betriebspunkt vorliegt, wobei die Merkmale aus den Signalabschnitten, in denen kein stationärer Betriebspunkt vorliegt, als nicht-stationär gelabelt werden und als zusätzliche Trainingsdaten für das Training des mindestens einen Klassifikator- oder Regressor-Modells verwendet werden.Optionally, additional features can be extracted from signal sections of the oscillation signal in which there is no stationary operating point, the features from the signal sections in which there is no stationary operating point being labeled as non-stationary and used as additional training data for training the at least one classifier. or regressor model can be used.

Darüber hinaus wird ein Verfahren zur Betriebspunkterkennung an einer Maschine vorgeschlagen, bei dem ein Schallsignal erfasst wird, das von der Maschine ausgeht, und dann ein oder mehrere vordefinierte Merkmale im Zeitbereich und/oder im Frequenzbereich für ein oder mehrere Signalabschnitte vorgegebener Länge des Schallsignals extrahiert werden. Die extrahierten Merkmale jedes Signalabschnitts werden als Eingangsdaten für mindestens ein trainiertes Klassifikator- oder Regressor-Modell verwendet, wobei das mindestens eine Klassifikator- oder Regressor-Modell dazu eingerichtet ist, jeden Signalabschnitt einer aus mehreren vorgegebenen Betriebspunktklassen zuzuordnen. Als Ausgabewert des mindestens einen trainierten Klassifikator- oder Regressor-Modells wird dann für jeden Signalabschnitt eine zugehörige Betriebspunktklasse erhalten.In addition, a method for operating point detection on a machine is proposed, in which a sound signal is detected emanates from the machine, and then one or more predefined features in the time domain and / or in the frequency domain are extracted for one or more signal sections of a predetermined length of the sound signal. The extracted features of each signal section are used as input data for at least one trained classifier or regressor model, the at least one classifier or regressor model being set up to assign each signal section to one of several predetermined operating point classes. An associated operating point class is then obtained for each signal section as the output value of the at least one trained classifier or regressor model.

Dabei können die Betriebspunktklassen insbesondere als Faktorkombinationen von festgelegten Wertebereichen für ein oder mehrere Lastgrößen der Maschine definiert sein, so dass ein mehrdimensionaler Klassenraum vorliegt.The operating point classes can be defined in particular as factor combinations of defined value ranges for one or more load variables of the machine, so that a multidimensional class space is present.

Mit diesem Verfahren kann also nur durch Messung eines Schallsignals, z.B. des Körperschalls, eine kategorische und kontinuierliche Zustandsschätzung von Lastgrößen erreicht werden, so dass eine indirekte Lastkollektiverfassung möglich wird. Einzelsensoren für alle interessierenden Lastgrößen sind nicht mehr erforderlich. Damit können Kosten und Bauraum, die ansonsten durch die Sensorik und deren Montage entsteht, eingespart werden und auch Systeme überwacht werden, in denen keine Sensoren für die Lastgrößen verbaut sind, falls für dieses System ein trainiertes Modell vorliegt. Das beschriebene Verfahren kann außerdem genutzt werden, um Bauteilbelastungen einer Belastbarkeit gegenüberzustellen und damit Lebensdauern eines Bauteils abschätzen zu können (z.B. wie bei einer Wöhlerkurve). Zu diesem Zweck kann die zeitliche Wirkdauer eines Lastkollektivs aufsummiert werden und mit einem zulässigen Schwellwert verglichen werden.With this method, a categorical and continuous state estimate of load variables can only be achieved by measuring a sound signal, e.g. structure-borne noise, so that an indirect load collective measurement is possible. Individual sensors for all load variables of interest are no longer required. This means that costs and installation space that would otherwise arise from the sensors and their assembly can be saved and systems can also be monitored in which no sensors for the load variables are installed, if a trained model is available for this system. The method described can also be used to compare component loads with resilience and thus to estimate the service life of a component (e.g. like a Wöhler curve). For this purpose, the effective duration of a load spectrum can be added up and compared with a permissible threshold value.

Ein trainiertes Klassifikator- oder Regressor-Modell für ein solches Verfahren zur Betriebspunkterkennung kann insbesondere nach einem Verfahren wie oben beschrieben gebildet bzw. trainiert werden.A trained classifier or regressor model for such a method for operating point detection can in particular be formed or trained using a method as described above.

Das Extrahieren von einem oder mehreren vordefinierten Merkmalen zur Bildung von Trainingsdaten oder zur Klassifizierung von Schallsignalen kann dabei unter anderem das Bilden einer Häufigkeitsverteilung der Amplitudenwerte für einen Signalabschnitt, das Bilden einer Fourier-Transformierten des Signalabschnitts, das Bilden einer Wavelet-Transformation des Signalabschnitts, das Bilden einer „Empirical Mode Decomposition“ des Schallsignals, das Bilden einer Häufigkeitsverteilung von Nullstellendurchgängen innerhalb eines Signalabschnitts oder eine beliebige Kombination dieser Schritte umfassen.The extraction of one or more predefined features to form training data or to classify sound signals can include, among other things, forming a frequency distribution of the amplitude values for a signal section, forming a Fourier transform of the signal section, forming a wavelet transform of the signal section, etc Forming an “empirical mode decomposition” of the sound signal, forming a frequency distribution of zero crossings within a signal section or any combination of these steps.

Die extrahierten Merkmale im Zeitbereich können beispielsweise eines oder mehrere der folgenden umfassen: eines oder mehrere der statistischen Momente einer Häufigkeitsverteilung, eines oder mehrere der zentralen Momente einer Häufigkeitsverteilung, einen arithmetischen Mittelwert, einen Median, einen arithmetischen Mittelwert des Absolutwerts, eine Standardabweichung, eine Varianz, einen Maximalwert, einen Minimalwert, einen Peak-to-Peak-Wert, verschiedene Perzentile, die Wölbung (4. normiertes Moment), die Schiefe (3. normiertes Moment), das quadratische Mittel, den Scheitelfaktor, die Anzahl einzigartiger Werte pro Abschnitt (Nunique), die Anzahl der Nullstellendurchgänge pro Signalabschnitt, die Entropie, die Korrelationsdimension des Signals im Signalabschnitt.The extracted features in the time domain may include, for example, one or more of the following: one or more of the statistical moments of a frequency distribution, one or more of the central moments of a frequency distribution, an arithmetic mean, a median, an arithmetic mean of the absolute value, a standard deviation, a variance , a maximum value, a minimum value, a peak-to-peak value, various percentiles, the curvature (4th normalized moment), the skewness (3rd normalized moment), the root mean square, the crest factor, the number of unique values per section (Nunique), the number of zero crossings per signal section, the entropy, the correlation dimension of the signal in the signal section.

Extrahierte Merkmale im Frequenzbereich können für das gesamte Spektrum jedes Signalabschnitts und/oder für einen Teil des Spektrums jedes Signalabschnitts extrahiert werden, und die extrahierten Merkmale können beispielsweise eines oder mehrere der folgenden umfassen: einen arithmetischen Mittelwert, ein quadratisches Mittel, einen Median, einen Scheitelfaktor, Maximal- und/oder Minimalwerte, eine Standardabweichung, eine spektrale Ebenheit.Extracted features in the frequency domain may be extracted for the entire spectrum of each signal portion and/or for a portion of the spectrum of each signal portion, and the extracted features may include, for example, one or more of the following: an arithmetic mean, a root mean square, a median, a crest factor , maximum and/or minimum values, a standard deviation, a spectral flatness.

Das mindestens eine Klassifikator- oder Regressor-Modell in den oben genannten Verfahren kann beispielsweise einen Random-Forest-Algorithmus, eine „Gradient Boosting“-Machine, oder ein Generalisiertes Lineares Modell umfassen. Ebenso können aber auch andere maschinell lernende Klassifikatoren oder Regressoren verwendet werden. Außerdem können auch mehrere Klassifikatoren bzw. Regressoren als Ensemble-Lerner eingesetzt werden.The at least one classifier or regressor model in the above-mentioned methods can include, for example, a random forest algorithm, a gradient boosting machine, or a generalized linear model. Other machine learning classifiers or regressors can also be used. In addition, several classifiers or regressors can also be used as ensemble learners.

Die Maschine, deren Betriebspunkte erfasst werden sollen, kann beispielsweise eine hydraulische Einheit umfassen. In diesem Fall können als Lastgrößen für die Bildung der Trainingsdaten sowie für die Definition der Betriebspunktklassen beispielsweise ein Schwenkwinkel, ein Druck und eine Öltemperatur der hydraulischen Einheit verwendet werden. Es können aber auch zusätzlich weitere oder andere Lastgrößen betrachtet werden. Insbesondere ist dadurch eine Lastklassenbestimmung unabhängig von der Drehzahl möglich. Die Drehzahl kann aber optional auch bei der Ermittlung der stationären Betriebspunkte mitberücksichtigt werden, ohne in die Definition der Betriebspunktklassen mit einzufließen. Durch die Analyse der Signalcharakteristik und der Klassifikation in den (in diesem Beispiel) dreidimensionalen Klassenraum lassen sich so die Zustände dreier Lastgrößen mittels einer einzigen physikalischen Größe, der Oberflächenschwingbeschleunigung, schätzen.The machine whose operating points are to be recorded can include, for example, a hydraulic unit. In this case, a swivel angle, a pressure and an oil temperature of the hydraulic unit, for example, can be used as load variables for the formation of the training data and for the definition of the operating point classes. However, additional or different load variables can also be considered. In particular, this makes it possible to determine the load class regardless of the speed. However, the speed can optionally also be taken into account when determining the stationary operating points without being included in the definition of the operating point classes. By analyzing the signal characteristics and the classification in the (in this example) three-dimensional classroom, the states of three load variables can be entered using one the only physical quantity, the surface vibration acceleration.

Als Schallsignal kann beispielsweise eine Oberflächenschallbeschleunigung, eine Oberflächenschwingschnelle oder ein Schalldruck eines Körperschalls erfasst und ausgewertet werden. Ebenso sind aber auch andere Schallsignale oder eine Kombination dieser Signale möglich.For example, a surface sound acceleration, a surface vibration velocity or a sound pressure of structure-borne noise can be recorded and evaluated as a sound signal. Other sound signals or a combination of these signals are also possible.

Eine erfindungsgemäße Recheneinheit, z.B. ein Steuergerät eines Fahrzeugs oder einer Baumaschine ist, insbesondere programmtechnisch, dazu eingerichtet, ein erfindungsgemä-ßes Verfahren durchzuführen. In Verbindung mit intelligenter Sensorik, d.h. Sensoren, die bereits mit Recheneinheiten wie z.B. einem Mikrocontroller ausgestattet sind und die damit eine hardwarenahe Vorverarbeitung des Signals durch Rechenoperationen vornehmen kann, kann weiterhin Rechenleistung an nachgelagerter Stelle, d.h. beispielsweise in der Cloud oder lokal, eingespart werden. Ein ähnlicher Vorteil ist gegeben, wenn Klassifikatormodelle auf einer weiteren zwischengeschalteten Recheneinheit ausgeführt werden (Fog Computing).A computing unit according to the invention, for example a control device of a vehicle or a construction machine, is set up, in particular in terms of programming, to carry out a method according to the invention. In conjunction with intelligent sensor technology, i.e. sensors that are already equipped with computing units such as a microcontroller and which can therefore carry out hardware-related pre-processing of the signal through computing operations, computing power can still be saved downstream, i.e. in the cloud or locally, for example. A similar advantage exists when classifier models are executed on another intermediate computing unit (fog computing).

Durch eine hardwarenahe Vorverarbeitung von Daten in Verbindung mit weiteren Rechenschritten auf einem Endgerät können damit auch nur die Daten übertragen werden, die für den Anwender bzw. für nachgelagerte Analysen von Bedeutung sind und auswertbare Informationen über den Zustand der Einheit enthalten.Through hardware-related preprocessing of data in conjunction with further computing steps on a terminal device, only the data that is important for the user or for downstream analyzes and that contains evaluable information about the status of the unit can be transmitted.

Auch die Implementierung eines erfindungsgemäßen Verfahrens in Form eines Computerprogramms oder Computerprogrammprodukts mit Programmcode zur Durchführung aller Verfahrensschritte ist vorteilhaft, da dies besonders geringe Kosten verursacht, insbesondere wenn ein ausführendes Steuergerät noch für weitere Aufgaben genutzt wird und daher ohnehin vorhanden ist. Geeignete Datenträger zur Bereitstellung des Computerprogramms sind insbesondere magnetische, optische und elektrische Speicher, wie z.B. Festplatten, Flash-Speicher, EEPROMs, DVDs u.a.m. Auch ein Download eines Programms über Computernetze (Internet, Intranet usw.) ist möglich.The implementation of a method according to the invention in the form of a computer program or computer program product with program code for carrying out all method steps is also advantageous because this causes particularly low costs, especially if an executing control device is used for additional tasks and is therefore present anyway. Suitable data carriers for providing the computer program are, in particular, magnetic, optical and electrical memories, such as hard drives, flash memories, EEPROMs, DVDs, etc. It is also possible to download a program via computer networks (Internet, intranet, etc.).

Weitere Vorteile und Ausgestaltungen der Erfindung ergeben sich aus der Beschreibung und der beiliegenden Zeichnung.Further advantages and refinements of the invention result from the description and the accompanying drawing.

Es versteht sich, dass die vorstehend genannten und die nachfolgend noch zu erläuternden Merkmale nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen.It is understood that the features mentioned above and those to be explained below can be used not only in the combination specified in each case, but also in other combinations or alone, without departing from the scope of the present invention.

Die Erfindung ist anhand von Ausführungsbeispielen in der Zeichnung schematisch dargestellt und wird im Folgenden unter Bezugnahme auf die Zeichnung ausführlich beschrieben.The invention is shown schematically in the drawing using exemplary embodiments and is described in detail below with reference to the drawing.

FigurenbeschreibungCharacter description

1 shows an example of a three-dimensional load class space for a hydraulic unit;
2a shows a signal section of a detected exemplary structure-borne noise signal;
2 B shows a frequency distribution of the amplitude values in the time domain derived from the signal section with exemplary extracted features;
2c shows an amplitude spectrum obtained from this in the frequency range with exemplary extracted features;
3 shows an exemplary procedure for the training and classification process; and
4a and 4b The diagram shows exemplary feature importance for a random forest classifier and a gradient boosting machine.

Detaillierte BeschreibungDetailed description

Im Folgenden werden beispielhafte Ausführungsformen von Verfahren beschrieben, mittels derer Zustandsdiagnosen oder Lastkollektive von bewegten Systemen, wie etwa einer hydraulischen Einheit, auf Basis eines Vibrations- oder Schallsignals erstellt bzw. Betriebspunkte oder Betriebspunktklassen erfasst werden können. Dabei können Schwingungen bzw. Schallemissionen der Gesamteinheit, die durch die Bewegung der Komponenten im Betrieb angeregt werden, durch geeignete Sensoren erfasst werden und das so erhaltene Schwingungssignal ausgewertet werden. Da eine Variation der Lastgrößen über die veränderte Anregung einen Einfluss auf das Schwingungsverhalten bzw. Schallverhalten der Einheiten hat, können diese Schwingungssignale verwendet werden, um auf den jeweiligen Betriebspunkt mit einer spezifischen Wertekombination für die Lastgrößen rückzuschließen. Zu diesem Zweck können relevante Merkmale aus einem Schwingungssignal extrahiert werden und dann durch Methoden des Maschinellen Lernens einer Betriebspunktklasse zugeordnet werden. Eine Betriebspunktklasse kann dabei eine Faktorstufenkombination von verschiedenen Lastgrößen umfassen, die auf die Komponente wirken.The following describes exemplary embodiments of methods by means of which status diagnoses or load collectives of moving systems, such as a hydraulic unit, can be created on the basis of a vibration or sound signal or operating points or operating point classes can be recorded. Vibrations or sound emissions from the entire unit, which are excited by the movement of the components during operation, can be detected by suitable sensors and the vibration signal obtained in this way can be evaluated. Since a variation of the load variables via the changed excitation has an influence on the vibration behavior or sound behavior of the units, these vibration signals can be used to draw conclusions about the respective operating point with a specific combination of values for the load variables. For this purpose, relevant features can be extracted from a vibration signal and then assigned to an operating point class using machine learning methods. An operating point class can include a factor level combination of different load variables that act on the component.

Je nach Aufbau können anliegende Komponenten wie ein Gehäuse deutlichere Schwingungen zeigen als die Komponente selbst. Beispielsweise können bei einer Maschine wie einem hydraulischen Motor oder einer Pumpe die Gehäuseschwingungen (Körperschall) an einer oder mehreren Stellen des Gehäuses durch angebrachte Körperschallsensoren analysiert werden. Die im folgenden betrachteten Schwingungssignale sind damit breit zu verstehen und können unter anderem Vibrationen und Schall wie Luftschall, Fluidschall, Körperschall sowohl im hörbaren als auch im nicht hörbaren Bereich umfassen, also alle Arten von mechanischen Schwingungen in einem Medium. Das Verfahren ist außerdem auf alle rotierenden oder näherungsweise periodisch angeregten Maschinen, Komponenten und Systeme anwendbar, wie etwa elektrische Maschinen oder Verbrennungskraftmaschinen, oder hydrostatische Verdrängereinheiten für mobile und industrielle Anwendungen. Als Beispiel wurde die Anwendung an einer hydraulischen Schrägachseneinheit geprüft.Depending on the structure, adjacent components such as a housing can exhibit more noticeable vibrations than the component itself. For example In a machine such as a hydraulic motor or a pump, the housing vibrations (structure-borne noise) can be analyzed at one or more points of the housing using attached structure-borne noise sensors. The vibration signals considered below are to be understood broadly and can include, among other things, vibrations and sound such as airborne sound, fluid sound, structure-borne sound in both the audible and inaudible range, i.e. all types of mechanical vibrations in a medium. The method is also applicable to all rotating or approximately periodically excited machines, components and systems, such as electrical machines or internal combustion engines, or hydrostatic displacement units for mobile and industrial applications. As an example, the application was tested on a hydraulic inclined axis unit.

Zur Erfassung eines Schwingungssignals, insbesondere eines Vibrations- bzw. Schallsignals, das von einem System ausgeht, kann ein Sensor an diesem zu überwachenden System oder in dessen Nähe angebracht werden. Dabei kann der Sensor unmittelbar an einer Maschinenkomponente oder an einer anderen Oberfläche, wie etwa an einem Gehäuse, einer Halterung oder einem anderen Bauteil angeordnet werden, auf welches das Schwingungssignal ausreichend übertragen wird. Bei der Verwendung eines Luftschallsensors ist entsprechend auch eine Anbringung an einem geeigneten Ort in der Nähe der Komponente möglich, der eine ausreichende Schallerfassung möglich macht.In order to detect a vibration signal, in particular a vibration or sound signal, which emanates from a system, a sensor can be attached to this system to be monitored or in its vicinity. The sensor can be arranged directly on a machine component or on another surface, such as a housing, a holder or another component to which the vibration signal is sufficiently transmitted. When using an airborne sound sensor, it is also possible to attach it to a suitable location near the component, which enables sufficient sound detection.

Als Sensor kann insbesondere ein Körperschallsensor, aber beispielsweise auch ein Luftschall- oder Fluidschallsensor bzw. Vibrationssensor dienen. Solche Sensoren können beispielsweise auf Basis von Piezoelementen hergestellt werden und können die Schwingbeschleunigung, die Schwinggeschwindigkeit oder die Auslenkung einer Oberfläche erfassen. Auch durch Dehnungssensoren kann ein Vibrationssignal erfasst werden.In particular, a structure-borne sound sensor, but also, for example, an airborne sound or fluid sound sensor or vibration sensor can serve as a sensor. Such sensors can be manufactured, for example, based on piezo elements and can detect the vibration acceleration, the vibration speed or the deflection of a surface. A vibration signal can also be detected using strain sensors.

Es ist auch möglich, dass mehrere Sensoren zur Erfassung von Schwingungssignalen an unterschiedlichen Orten an einer Maschine oder Komponente angeordnet werden; soweit im Folgenden ein einzelner Sensor genannt, können die Beispiele immer auch auf mehrere Sensoren übertragen werden. Die resultierenden Signale können dann gemeinsam oder einzeln ausgewertet werden. Der Sensor kann durch eine dauerhafte oder lösbare Verbindung angebracht werden, die eine ausreichende Übertragung und Reproduzierbarkeit der Signale ermöglicht; beispielsweise kann eine Klebeverbindung, eine Schraubverbindung, oder eine Anbringung über Magnetelemente gewählt werden.It is also possible for several sensors to detect vibration signals to be arranged at different locations on a machine or component; As far as a single sensor is mentioned below, the examples can always be transferred to several sensors. The resulting signals can then be evaluated together or individually. The sensor can be attached by a permanent or detachable connection that allows sufficient transmission and reproducibility of the signals; For example, an adhesive connection, a screw connection, or attachment via magnetic elements can be selected.

Der Sensor kann das Zeitsignal der Schwingbeschleunigung der Oberfläche messen, wobei die Messung kontinuierlich oder zu diskreten Abtastzeitpunkten vorgenommen werden kann. Alternativ könnte anstelle der Schwingbeschleunigung auch die Schwinggeschwindigkeit oder Oberflächenauslenkung gemessen werden und als Zeitsignal erfasst werden. Dieses Schwingungssignal kann dann als Eingangsgröße für die Drehzahlschätzung verwendet werden.The sensor can measure the time signal of the vibration acceleration of the surface, whereby the measurement can be carried out continuously or at discrete sampling times. Alternatively, instead of the vibration acceleration, the vibration speed or surface deflection could also be measured and recorded as a time signal. This vibration signal can then be used as an input variable for speed estimation.

Die beschriebenen Prinzipien können grundsätzlich sowohl in mobilen als auch in stationären Anwendungen beweglicher bzw. rotierender Komponenten eingesetzt werden. Insbesondere eignet sich das Verfahren für Anwendungen, in denen hydrostatische Energiewandler (hydraulische Pumpen oder hydraulische Motoren) zum Einsatz kommen, wie etwa Axialkolbeneinheiten. Für solche hydraulischen Einheiten können unter anderem der anliegende Hochdruck, der Schwenkwinkel sowie die Öltemperatur der Einheit als Betriebszustand abgeschätzt werden.The principles described can in principle be used in both mobile and stationary applications of moving or rotating components. The method is particularly suitable for applications in which hydrostatic energy converters (hydraulic pumps or hydraulic motors) are used, such as axial piston units. For such hydraulic units, among other things, the applied high pressure, the swivel angle and the oil temperature of the unit can be estimated as the operating state.

Es wurde erkannt, dass die genannten Lastgrößen für eine hydraulische Einheit insbesondere die folgenden Einflüsse auf das Schwingungsverhalten zeigen:

Eine Hochdruckänderung in positiver bzw. negativer Richtung bewirkt eine stärkere bzw. schwächere Kompression bei der Umsteuerung und damit eine stärkere bzw. geringere Anregung der Einheit. Eine Temperaturänderung des Öls bewirkt eine Änderung der Viskosität, welche wiederum ein verändertes Reibverhalten in den tribologischen Kontakten nach sich zieht. Das veränderte Reibverhalten (Flüssigkeitsreibung, Mischreibung, Festkörperreibung) sorgt dann für eine veränderte Anregung der Einheit. Änderungen des Schwenkwinkels einer Axialkolbeneinheiten beeinflussen den Hubweg und Hubraum eines Kolbens und damit auch die Ölmenge, die bei der Umsteuerung in den Zylinderraum nachströmen kann. Auch hier wird die Anregung verändert. Schließlich können auch Kavitations- und Resonanzeffekte bei der Umsteuerung eine Rolle auf das Körperschallverhalten zeigen.

It was recognized that the load variables mentioned for a hydraulic unit in particular have the following influences on the vibration behavior:

A change in high pressure in a positive or negative direction causes a stronger or weaker compression during the reversal and thus a stronger or smaller excitation of the unit. A change in the temperature of the oil causes a change in the viscosity, which in turn leads to a change in the friction behavior in the tribological contacts. The changed friction behavior (liquid friction, mixed friction, solid friction) then ensures a changed excitation of the unit. Changes in the pivot angle of an axial piston unit influence the stroke and displacement of a piston and thus also the amount of oil that can flow into the cylinder chamber during reversal. Here too the stimulus is changed. Finally, cavitation and resonance effects during reversal can also play a role in structure-borne sound behavior.

Ein Betriebspunkt kann damit durch eine Kombination aus den betrachteten Lastgrößen definiert sein, der einen mehrdimensionalen Werteraum aufspannt. Dabei entspricht die Dimension der Anzahl der verwendeten Lastgrößen. In dem genannten Beispiel einer hydraulischen Einheit, in der Betriebspunkte über Druck, Schwenkwinkel und Öltemperatur definiert werden können, kann damit ein dreidimensionaler Raum verwendet werden. Für jede einzelne Lastgröße können auf geeignete Weise beliebig viele einzelne Wertebereiche bzw. Werteabschnitte gewählt werden, die für eine Einordnung der Betriebszustände oder Belastungen relevant sind. Dabei kann sich die Aufteilung bevorzugt auf die relevanten Bereiche beschränken, z.B. die maximalen und minimalen im Betrieb erwarteten oder gemessenen Werte für die jeweilige Lastgröße. Die Anzahl, Lage und Größe der Werteabschnitte kann für jede Lastgröße unabhängig gewählt werden. Insbesondere können auch die eingeteilten Abschnitte einer einzelnen Lastgröße unterschiedlich viele Werte umfassen. Dabei kann auch für jeden Wertebereich nur ein einzelner diskreter Parameterwert gewählt werden, und die gewählten Wertebereiche oder gewählte diskrete Werte müssen nicht kontinuierlich sein, sondern können auch nur die Werte berücksichtigen, die im Betrieb tatsächlich vorkommen können. Ebenso können sich die Wertebereiche auf eine sehr grobe Einteilung in wenige Bereiche (z.B. hoch/niedrig) beschränken oder alternativ eine Vielzahl von Abstufungen verwenden. Aus den möglichen Faktorkombinationen der so definierten Wertebereiche können dann mehrdimensionale Klassen definiert werden, die für eine Klassifizierung der Betriebspunkte genutzt werden können.An operating point can therefore be defined by a combination of the load variables considered, which spans a multi-dimensional value space. The dimension corresponds to the number of load sizes used. In the example mentioned of a hydraulic unit in which operating points can be defined via pressure, swivel angle and oil temperature, a three-dimensional space can therefore be used. Any number of individual value ranges or Value ranges can be selected that are relevant for a classification of the operating states or loads. The division can preferably be limited to the relevant areas, for example the maximum and minimum values expected or measured during operation for the respective load size. The number, location and size of the value sections can be chosen independently for each load size. In particular, the divided sections of a single load size can also contain different numbers of values. Only a single discrete parameter value can be selected for each value range, and the selected value ranges or selected discrete values do not have to be continuous, but can only take into account the values that can actually occur during operation. Likewise, the value ranges can be limited to a very rough division into a few areas (e.g. high/low) or alternatively use a variety of gradations. Multidimensional classes can then be defined from the possible factor combinations of the value ranges defined in this way, which can be used to classify the operating points.

1 zeigt ein Beispiel für mögliche Klassenbildungen für die Lastgrößen der hydraulischen Einheit. Dabei sind die Wertebereiche für den Schwenkwinkel φ auf der x-Achse aufgetragen, die y-Achse zeigt die Wertebereiche für den Druck, und die z-Achse zeigt die Wertebereiche für die Öltemperatur. Es ist zu beachten, dass die Größen der jeweiligen Wertebereiche auf den Achsen nicht proportional zu den tatsächlichen Parameterwerten sein müssen; vielmehr sind hier die Abschnitte so gewählt, dass für jeden Wertebereich der gleiche Abstand im Klassenraum gewählt wird. 1 shows an example of possible class formations for the load sizes of the hydraulic unit. The value ranges for the swivel angle φ are plotted on the x-axis, the y-axis shows the value ranges for the pressure, and the z-axis shows the value ranges for the oil temperature. It should be noted that the sizes of the respective value ranges on the axes do not have to be proportional to the actual parameter values; Rather, the sections are chosen so that the same distance in the classroom is chosen for each range of values.

Beispielsweise könnten im hier gezeigten Beispiel die möglichen Schwenkwinkel in zwei Stufen eingeteilt werden, so dass ein erster Bereich für einen Schwenkwinkel von 50% steht, während ein zweiter Bereich für einen Schwenkwinkel für 100% steht. Dagegen kann der anliegende Hochdruck als kontinuierlicher Verlauf zwischen 30 und 380 bar betrachtet werden; hier wurden als Beispiel die Druckwerte in drei Bereiche eingeteilt, wobei ein erster Bereich von 30 bis 147 bar reicht, ein zweiter Bereich die Werte von 148 bis 264 bar abdeckt, und ein dritter Bereich für die Werte von 265 bis 380 bar steht. Die Öltanktemperatur wird wiederum in zwei Faktorstufen von 50° und 80°C angegeben. Die Kombinationen aus diesen Wertebereichen bzw. Faktorstufen können dann als Klasse genutzt werden, die bevorzugt den gesamten Versuchsraum abdecken. Im vorliegenden Beispiel ergeben sich also durch die Kombination der drei Lastgrößen insgesamt 12 einzelne Klassen, in welche die Betriebspunkte klassifiziert werden können. In der Figur sind die einzelnen Klassen als Quader im Klassenraum dargestellt. Als Beispiel ist eine Klasse 110 markiert, die für die Faktorkombination aus einem Schwenkwinkel von 50%, einer Öltemperatur von 80°C und einem Druck zwischen 30 und 147 bar steht. Es versteht sich jedoch, dass auch mehr oder weniger als drei Lastgrößen berücksichtigt werden können und die Darstellung hier nur zur Veranschaulichung gewählt wurde. Auch die hier vorgenommenen Einteilungen bzw. Faktorstufen dienen nur als Beispiel und können durch mehr oder andere Werte bzw. Wertebereiche ersetzt oder ergänzt werden.For example, in the example shown here, the possible pivot angles could be divided into two stages, so that a first range represents a pivot angle of 50%, while a second range represents a pivot angle of 100%. In contrast, the applied high pressure can be viewed as a continuous course between 30 and 380 bar; Here, as an example, the pressure values were divided into three ranges, with a first range ranging from 30 to 147 bar, a second range covering the values from 148 to 264 bar, and a third range representing the values from 265 to 380 bar. The oil tank temperature is again given in two factor levels of 50° and 80°C. The combinations of these value ranges or factor levels can then be used as a class that preferably covers the entire experimental area. In the present example, the combination of the three load variables results in a total of 12 individual classes into which the operating points can be classified. In the figure, the individual classes are shown as cuboids in the classroom. As an example, class 110 is marked, which stands for the factor combination of a swivel angle of 50%, an oil temperature of 80°C and a pressure between 30 and 147 bar. However, it is understood that more or fewer than three load variables can also be taken into account and the illustration here was chosen for illustration purposes only. The classifications or factor levels made here only serve as an example and can be replaced or supplemented by more or different values or value ranges.

Ziel ist nun, aus gemessenen Schallsignale den jeweiligen aktuellen Betriebspunkt bzw. die aktuelle Betriebspunktklasse zu erkennen. Dazu können aus den Schallsignalen zunächst geeignete Merkmale extrahiert werden, die dann zur Auswertung bzw. Klassifizierung mit Hilfe von Regressionsmodellen oder maschinellem Lernen, d.h. mit geeigneten Algorithmen als Klassifikatormodell, genutzt werden können. Dabei wird zwischen einer Trainingsphase, in welcher das Modell den Zusammenhang zwischen den Schallsignalmerkmalen und dem tatsächlich vorliegenden Betriebspunkt lernt, und einer Betriebsphase, in der das Modell allein auf Grundlage des gemessenen Schallsignals eine Einteilung in die vorgegebenen Betriebspunktklassen vornimmt, unterschieden. Außerdem können in einer Testphase Schallsignale, für die ebenfalls der tatsächliche Betriebspunkt bekannt ist, testweise in das Modell eingegeben werden und die Genauigkeit der Klassifizierungsergebnisse überprüft werden.The aim is now to recognize the current operating point or the current operating point class from measured sound signals. To do this, suitable features can first be extracted from the sound signals, which can then be used for evaluation or classification with the help of regression models or machine learning, i.e. with suitable algorithms as a classifier model. A distinction is made between a training phase in which the model learns the connection between the sound signal characteristics and the actual operating point, and an operating phase in which the model divides into the specified operating point classes based solely on the measured sound signal. In addition, in a test phase, sound signals for which the actual operating point is also known can be entered into the model for testing purposes and the accuracy of the classification results can be checked.

Um einen entsprechenden Klassifikator zu trainieren, können daher zunächst Trainingsdaten gebildet werden. Zu diesem Zweck können Schallsignale parallel zu Messwerten für die relevanten Lastgrößen über herkömmliche Sensorik aufgezeichnet werden. Durch die parallele Messung aller Lastgrößen und der Schallsignale ist es nun möglich, gemessene Schallsignale für einen bestimmten Zeitraum einem bestimmten Betriebspunkt zuzuordnen, der aus den gemessenen Lastgrößen definiert ist. Durch Verwendung von Betriebspunktklassen wie oben beschrieben können die Schallsignale bzw. Signalabschnitte eines Schallsignals jeweils einer einzigen Betriebspunktklasse zugeordnet werden, so dass gelabelte Trainingsdaten erhalten werden. Ein Teil der gemessenen Daten kann als Testdaten verwendet werden, um in bzw. nach der Trainingsphase die Genauigkeit des trainierten Klassifikators zu prüfen. Sobald auf diese Weise ein trainiertes Klassifikatormodell mit ausreichender Genauigkeit erstellt wurde, kann der Klassifikator zur Zuordnung von Schallsignalen in gleichartigen Systemen bzw. Anwendungen verwendet werden.In order to train a corresponding classifier, training data can first be created. For this purpose, sound signals can be recorded in parallel with measured values for the relevant load variables using conventional sensors. By measuring all load variables and sound signals in parallel, it is now possible to assign measured sound signals for a specific period of time to a specific operating point, which is defined from the measured load variables. By using operating point classes as described above, the sound signals or signal sections of a sound signal can each be assigned to a single operating point class, so that labeled training data is obtained. Part of the measured data can be used as test data to check the accuracy of the trained classifier during or after the training phase. Once a trained classifier model with sufficient accuracy has been created in this way, the classifier can be used to assign sound signals in similar systems or applications.

Im Folgenden wird das gesamte Verfahren aus Datenerfassung 300, Modelltraining 320 und Betriebsphase 340 anhand von Beispielen und in Verbindung mit 3 genauer beschrieben, wobei Körperschalldaten für eine Schrägachseneinheit (z.B. ein Schrägachsenmotor) an einem Prüfstand erfasst und ausgewertet wurden.The entire procedure from data acquisition 300, model training 320 and operating phase 340 is explained below using examples and in connection with 3 described in more detail, whereby structure-borne noise data for a bent-axis unit (e.g. a bent-axis motor) was recorded and evaluated on a test bench.

Für das oben beschriebene Beispiel kann also einerseits ein Schallsignal durch einen geeigneten Schallsensor an dem zu untersuchenden System oder in dessen Nähe im zeitlichen Verlauf in Schritt 302 erfasst werden, z.B. die Amplitude der Oberflächenschwingbeschleunigung über der Zeit. Optional kann das erfasste Signal gefiltert werden, z.B. durch einen Hochpass-, Tiefpass- und/oder Bandpassfilter.For the example described above, on the one hand, a sound signal can be detected by a suitable sound sensor on the system to be examined or in its vicinity over time in step 302, e.g. the amplitude of the surface vibration acceleration over time. Optionally, the captured signal can be filtered, for example by a high-pass, low-pass and/or band-pass filter.

Zusätzlich können zur Bildung von Trainingsdaten die Lastgrößen, also die Öltemperatur über einen Temperatursensor, der Druck über einen Drucksensor und der Schwenkwinkel über einen Schwenkwinkelsensor erfasst werden. Die Messungen können kontinuierlich oder in diskreten Zeitabständen erfolgen, wobei bevorzugt alle Signale jeweils für einen Zeitpunkt gleichzeitig oder näherungsweise gleichzeitig erfasst werden, um eine Verbindung zwischen einem Schallsignal und den zugehörigen Lastgrößen herzustellen. Auch die Variation der Drehzahl kann zur Festlegung der stationären Betriebspunkte zusätzlich erfasst werden, muss dabei aber nicht in die spätere Klassifizierung der Lastgrößen mit eingehen. Auf diese Weise kann eine drehzahlunabhängige Betriebspunktklassifizierung ermöglicht werden.In addition, to form training data, the load variables, i.e. the oil temperature via a temperature sensor, the pressure via a pressure sensor and the swivel angle via a swivel angle sensor, can be recorded. The measurements can be carried out continuously or at discrete time intervals, with all signals preferably being recorded at the same time or approximately at the same time in order to establish a connection between a sound signal and the associated load variables. The variation of the speed can also be recorded to determine the stationary operating points, but does not have to be included in the later classification of the load variables. In this way, a speed-independent operating point classification can be made possible.

Aus den aufgezeichneten Schallsignalen können dann in Schritt 304 Signalintervalle definiert werden, in denen ein stationärer oder quasistationärer Betriebspunkt vorliegt. Zu diesem Zweck können beispielsweise zunächst Signalabschnitte mit fester Länge definiert werden, wobei die Länge beispielsweise als Zeitlänge oder als Anzahl von Abtastpunkten festgelegt sein kann. Auf diese Weise können einzelne Signalabschnitte herausgegriffen werden (z.B. in festgelegten Zeitabständen) oder wahlweise das gesamte Schallsignal in solche Signalabschnitte eingeteilt werden.From the recorded sound signals, signal intervals can then be defined in step 304 in which there is a stationary or quasi-stationary operating point. For this purpose, for example, signal sections with a fixed length can first be defined, whereby the length can be defined, for example, as a time length or as a number of sampling points. In this way, individual signal sections can be selected (e.g. at fixed time intervals) or the entire sound signal can optionally be divided into such signal sections.

Anschließend kann für jeden Signalabschnitt geprüft werden, ob sich innerhalb des einen Signalabschnitts die gemessenen weiteren Lastgrößen (hier z.B. Druck, Drehzahl, Öltemperatur und Schwenkwinkel) nicht oder nicht wesentlich ändern. Falls die Lastgrößen über einen Signalabschnitt hinweg im Wesentlichen konstant sind, kann der Betriebspunkt als stationär bzw. quasistationär betrachtet werden und der zugehörige Signalabschnitt zur Bildung von Trainingsdaten für ein Klassifikationsmodell verwendet werden. Da die Lastgrößen für den Signalabschnitt bekannt sind, kann jedem Signalabschnitt bzw. den aus dem Signalabschnitt extrahierten Merkmalen eine eindeutige Lastklasse zugeordnet werden und so Label für die Trainingsdaten gebildet werden.It can then be checked for each signal section whether the other measured load variables (here e.g. pressure, speed, oil temperature and swivel angle) do not change or do not change significantly within the one signal section. If the load variables are essentially constant over a signal section, the operating point can be viewed as stationary or quasi-stationary and the associated signal section can be used to form training data for a classification model. Since the load variables for the signal section are known, each signal section or the features extracted from the signal section can be assigned a unique load class and labels can thus be formed for the training data.

Optional ist es möglich, auch Signalabschnitte mit nicht-stationären Betriebspunkten ins Training eines Klassifikators mit einfließen zu lassen, um die Genauigkeit des Verfahrens weiter zu verbessern. Zu diesem Zweck kann beispielsweise bei ausreichend hoher Abtastrate ein Signalabschnitt, der als nicht-stationär erkannt wurde, weiter in kürzere Unterabschnitte unterteilt werden, die dann entsprechend auf die Variation der Lastgrößen geprüft und gelabelt werden können. Alternativ kann ein solcher Signalabschnitt ausdrücklich als nicht-stationärer Betriebspunkt gelabelt werden und zum Training verwendet werden, so dass bei einer späteren Klassifizierung auch Bereiche mit Betriebspunktschwankungen und starken Dynamiken in den Lastgrößen sinnvoll erkannt werden können. Zu diesem Zweck können eine oder mehrere zusätzliche Klassen definiert werden, die nicht-stationäre Betriebspunkte erfassen und z.B. basierend auf dem Ausmaß der Lastgrößenvariation innerhalb eines Signalabschnitts unterteilt sind. Ebenso könnte auch nur eine einzige Klasse für alle Signalabschnitte mit nicht-stationären Betriebspunkten gewählt werden. Dabei kann bevorzugt sichergestellt werden, dass der Datensatz, der für das Training verwendet wird, ausreichend viele stationäre Betriebspunkte für eine hinreichende Genauigkeit des späteren trainierten Klassifikatormodells umfasst.Optionally, it is possible to include signal sections with non-stationary operating points in the training of a classifier in order to further improve the accuracy of the method. For this purpose, for example, if the sampling rate is sufficiently high, a signal section that has been recognized as non-stationary can be further divided into shorter subsections, which can then be checked and labeled accordingly for the variation of the load variables. Alternatively, such a signal section can be explicitly labeled as a non-stationary operating point and used for training, so that areas with operating point fluctuations and strong dynamics in the load variables can also be meaningfully recognized in a later classification. For this purpose, one or more additional classes can be defined that capture non-stationary operating points and are divided, for example, based on the extent of load magnitude variation within a signal section. Likewise, only a single class could be selected for all signal sections with non-stationary operating points. It can preferably be ensured that the data set used for training includes a sufficient number of stationary operating points for sufficient accuracy of the later trained classifier model.

Aus den festgelegten Signalabschnitten können dann durch Anwendung mathematischer Transformationen in Schritt 310 Merkmale im Zeitbereich und/oder im Frequenzbereich oder im Zeit-Frequenz-Bereich extrahiert werden, die zur Klassifizierung verwendet werden können. Dies gilt sowohl für die Signalabschnitte, die als stationäre oder quasistationäre Betriebspunkte erfasst wurden und die als Trainingsdaten verwendet werden können, als auch für alle anderen erfassten und verarbeiteten Signalabschnitte, z.B. in einem späteren tatsächlichen Klassifizierungsverfahren.Features in the time domain and/or in the frequency domain or in the time-frequency domain can then be extracted from the defined signal sections by applying mathematical transformations in step 310, which can be used for classification. This applies both to the signal sections that were recorded as stationary or quasi-stationary operating points and which can be used as training data, as well as to all other recorded and processed signal sections, e.g. in a later actual classification process.

Im Zeitbereich kann dazu aus jedem Signalabschnitt bzw. aus einer Häufigkeitsverteilung, die aus den Messwerten eines Signalabschnitts gebildet wird, beispielsweise eines oder mehrere der folgenden Merkmale extrahiert werden: eines oder mehrere der statistischen Momente, eines oder mehrere der zentralen Momente, ein arithmetischer Mittelwert, ein Median, ein arithmetischer Mittelwert des Absolutwerts, eine Standardabweichung, eine Varianz, ein Maximalwert, ein Minimalwert, ein Peak-to-Peak-Wert, verschiedene Perzentile, die Wölbung, die Schiefe, das quadratische Mittel, der Scheitelfaktor, die Anzahl einzigartiger Werte pro Abschnitt (Nunique). Ebenso können verschiedene Nullstellendurchgangsmerkmale im Zeitbereich betrachtet werden, wobei ein Nullstellendurchgang jeweils den Punkt beschreibt, an dem die Signalkurve die Abszisse schneidet. Für die Nullstellendurchgänge können dann beispielsweise die Anzahl pro Signalabschnitt, der zeitliche Abstand zwischen aufeinanderfolgenden Nullstellendurchgänge oder verschiedene statistische Merkmale von daraus abgeleiteten Häufigkeitsverteilungen extrahiert werden. Zusätzlich oder alternativ können z.B. auch die Entropie oder die Korrelationsdimension in einem Signalabschnitt als Maße der Komplexität des Signals betrachtet werden.In the time domain, for example, one or more of the following features can be extracted from each signal section or from a frequency distribution formed from the measured values of a signal section: one or more of the statistical moments, one or more of the central moments, an arithmetic mean, a median, an arithmetic mean of the absolute value, a standard deviation, a variance, a maximum value, a minimum value, a peak-to-peak value, various percentiles, the curvature, the skewness, the root mean square, the crest factor, the number of unique values per section (nunique). Likewise, various zero crossing features can be considered in the time domain the, whereby a zero crossing describes the point at which the signal curve intersects the abscissa. For the zero crossings, for example, the number per signal section, the time interval between successive zero crossings or various statistical features of frequency distributions derived therefrom can be extracted. Additionally or alternatively, for example, the entropy or the correlation dimension in a signal section can also be considered as measures of the complexity of the signal.

Weiter kann jeder Signalabschnitt durch eine Fourier-Transformation in den Frequenzbereich transformiert werden. Dabei kann das komplette Spektrum ausgewertet werden, und/oder es können definiert Frequenzbänder analysiert werden. Beispielsweise können eines oder mehrere der folgenden Frequenzbänder isoliert betrachtet werden: systemspezifische Frequenzen wie etwa die Kolbenfrequenzen, die sich aus bekannten oder teilweise bekannten Merkmalen (Drehzahl, Kolbenanzahl) der überwachten Vorrichtung ergeben, sowie zugehörige untere und obere Seitenbänder von systemspezifischen Frequenzen; statische Frequenzbänder mit einer vorgewählten Bandbreite (z.B. 500 Hz); Oktavbänder und/oder Terzbänder. Die Merkmale, die aus diesen Bändern jeweils extrahiert werden können, können beispielsweise eines oder mehrere der folgenden umfassen: einen arithmetischen Mittelwert, ein quadratisches Mittel, einen Median, einen Scheitelfaktor, Maximal- und/oder Minimalwerte, eine Standardabweichung, die spektrale Ebenheit bzw. Wiener-Entropie.Furthermore, each signal section can be transformed into the frequency domain using a Fourier transformation. The entire spectrum can be evaluated and/or defined frequency bands can be analyzed. For example, one or more of the following frequency bands can be considered in isolation: system-specific frequencies such as the piston frequencies resulting from known or partially known characteristics (speed, number of pistons) of the monitored device, as well as associated lower and upper sidebands of system-specific frequencies; static frequency bands with a preselected bandwidth (e.g. 500 Hz); Octave bands and/or third octave bands. The features that can be extracted from each of these bands may include, for example, one or more of the following: an arithmetic mean, a root mean square, a median, a crest factor, maximum and/or minimum values, a standard deviation, the spectral flatness, or Vienna entropy.

Für alle oben genannten Merkmale gilt, dass auch Abwandlungen bzw. daraus abgeleitete Größen betrachtet werden können, wie etwa logarithmierte Werte des jeweiligen Merkmals, Quotienten aus zwei Merkmalen und andere.For all of the characteristics mentioned above, modifications or quantities derived from them can also be considered, such as logarithmic values of the respective characteristic, quotients of two characteristics and others.

Darüber hinaus kann auch eine diskrete Wavelet-Transformation und/oder eine Empirical Mode Decomposition (EMD) vorgenommen werden. Bei einer Wavelet-Transformation, z.B: mit Daubechies-Wavelets, aber auch anderen Wavelet-Typen, können beispielsweise Detail- und Approximationskoeffizienten bis zur fünften Ebene berechnet werden, wobei die oben genannten statistischen Kennwerte für jeden der Koeffizientenvektoren gebildet werden können. Auf dieselbe Weise können für die Empirical Mode Decomposition die sogenannten Intrinsic Mode-Funktionen beispielsweise bis zur 11. Ebene gebildet und statistisch ausgewertet werden.In addition, a discrete wavelet transformation and/or an empirical mode decomposition (EMD) can also be carried out. With a wavelet transformation, e.g. with Daubechies wavelets, but also other wavelet types, for example, detail and approximation coefficients can be calculated up to the fifth level, whereby the above-mentioned statistical characteristic values can be formed for each of the coefficient vectors. In the same way, for empirical mode decomposition, the so-called intrinsic mode functions, for example up to the 11th level, can be formed and statistically evaluated.

2a zeigt beispielhaft einen Signalabschnitt mit einer Länge von einer Sekunde eines erfassten Schwingungssignals 200, wobei hier die Amplitude A der Oberflächenschwingbeschleunigung gemessen wurde und gegen die Zeit in Sekunden aufgetragen ist. 2b zeigt dann eine aus diesem Signal extrahierte Häufigkeitsverteilung 210 im Zeitbereich, wobei die Häufigkeit jedes Amplitudenwerts (d.h. die Anzahl seines Auftretens) in dem betrachteten Signalabschnitt gegen den Amplitudenwert aufgetragen ist. Beispielhaft sind hier das arithmetische Mittel 212 (bei einem Amplitudenwert von 0), die maximale Amplitude 218 bei etwa 1,5 m/s², die minimale Amplitude 216 bei etwa -0,9 m/s² und die Standardabweichung 214 der Amplitudenwerte eingezeichnet; ebenso können aber andere Zeitbereichsmerkmale bestimmt werden, insbesondere die oben angeführten. 2c zeigt schließlich ein durch Fouriertransformation erhaltenes Amplitudenspektrum 220 im Frequenzbereich. Auch hier sind einzelne Merkmale im Frequenzbereich beispielhaft dargestellt, nämlich die Kolbenfrequenzen 230 als deutliche Peaks im niederfrequenten Bereich, das quadratische Mittel 245 im Frequenzband 240 von 1500 Hz bis 2000 Hz, sowie der Maximalwert 255 der Amplituden im Frequenzband 250 von 2000 bis 2500 Hz. Auch hier können aber alle beliebigen Merkmale im Frequenzbereich bestimmt werden, insbesondere die oben beispielhaft genannten. 2a shows an example of a signal section with a length of one second of a detected vibration signal 200, in which case the amplitude A of the surface vibration acceleration was measured and is plotted against time in seconds. 2 B then shows a frequency distribution 210 extracted from this signal in the time domain, where the frequency of each amplitude value (ie the number of its occurrences) in the signal section under consideration is plotted against the amplitude value. As an example, the arithmetic mean 212 (with an amplitude value of 0), the maximum amplitude 218 at approximately 1.5 m/s ² , the minimum amplitude 216 at approximately -0.9 m/s ² and the standard deviation 214 of the amplitude values are shown ; However, other time domain features can also be determined, in particular those listed above. 2c finally shows an amplitude spectrum 220 in the frequency domain obtained by Fourier transformation. Here too, individual features in the frequency range are shown as examples, namely the piston frequencies 230 as clear peaks in the low-frequency range, the root mean square 245 in the frequency band 240 from 1500 Hz to 2000 Hz, and the maximum value 255 of the amplitudes in the frequency band 250 from 2000 to 2500 Hz. Here too, any features in the frequency range can be determined, in particular those mentioned above as examples.

Auf diese Weise können für eine Schallmessung mehrere tausend Datenpunkte ausgewertet werden, aus denen pro Signalabschnitt mehrere hundert Merkmale extrahiert werden können. Als eine Schallmessung soll hier ein Versuchsaufbau betrachtet werden, bei dem unterschiedliche Betriebspunktbereiche angesteuert werden, so dass der mehrdimensionale Raum der Betriebspunkte möglichst gut abgedeckt ist und die spätere Klassifikation in allen Bereichen zuverlässige Ergebnisse erreicht. Diese Werte seien jedoch nur beispielhaft genannt; es können grundsätzlich auch mehr oder weniger Datenpunkte und Merkmale verwendet werden, solange damit ein ausreichend großer Datensatz zur Klassifizierung zur Verfügung steht. Die Anzahl und Auswahl der Merkmale kann auch in Abhängigkeit von einem jeweiligen Klassifikatormodell und/oder von der Klassenwahl erfolgen werden; für ein anderes Klassifikatormodell können dann andere Merkmale vorteilhafter sein. Auch übliche Methoden zur Merkmalsreduktion (z.B. Varianzanalyse) können angewendet werden, um den endgültigen Merkmalssatz zur Klassifizierung und zur Bildung von Trainingsdaten festzulegen. Dabei ist insbesondere möglich, dass das Training mit einem größeren Merkmalssatz durchgeführt wird als die spätere Klassifizierung, und dass nach dem Training des Modells durch die beschriebenen Methoden die wichtigsten Merkmale bestimmt werden. Auch Merkmale, die keinen Informationsgewinn beinhalten, z.B. weil sie stark positiv oder negativ mit anderen Merkmalen korrelieren, können dann für die Klassifizierung außer Acht gelassen werden.In this way, several thousand data points can be evaluated for a sound measurement, from which several hundred features can be extracted per signal section. A sound measurement should be considered here as an experimental setup in which different operating point ranges are controlled so that the multidimensional space of the operating points is covered as well as possible and the subsequent classification achieves reliable results in all areas. However, these values are only mentioned as examples; In principle, more or fewer data points and features can be used, as long as a sufficiently large data set is available for classification. The number and selection of features can also be made depending on a respective classifier model and/or on the choice of class; Other features may then be more advantageous for a different classifier model. Common feature reduction methods (e.g. variance analysis) can also be used to determine the final feature set for classification and training data formation. In particular, it is possible that the training is carried out with a larger set of features than the later classification, and that after training the model, the most important features are determined using the methods described. Even features that do not provide any information gain, e.g. because they correlate strongly positively or negatively with other features, can then be ignored for classification.

Optional bzw. abhängig von der Art des verwendeten Klassifikators können die erfassten Daten bzw. Merkmale auch noch normiert oder standardisiert (z-Wert) werden.Optionally or depending on the type of classifier used, the recorded data or features can also be normalized or standardized (z-value).

Die hier beschriebene Merkmalsextraktion 310 aus den erfassten Signalabschnitten des Schallsignals kann auf diese Weise sowohl für die Trainingsphase 320, eine Testphase 330 sowie auch für die tatsächliche Betriebspunktschätzung 340 durch reine Schallmessung vorgenommen werden. Da durch die Merkmale systemimmanente Eigenschaften miterfasst werden, ist üblicherweise nicht nur für jedes System, sondern auch für jede Sensorposition und jeden Anwendungsfall ein eigener Trainingsprozess notwendig. Allerdings ist es auch möglich, dass ein Datensatz über mehrere Systemvarianten hinweg trainiert wird, z.B. in verschiedenen Anwendungen, oder bei unterschiedlichen Pumpenmodellen. Damit kann ein robusterer Klassifikator erreicht werden, der bei ausreichend großer Datenvarianz auch in der Lage sein kann, Merkmale zu identifizieren, die nicht spezifisch für das System sind, sondern über Systemgrenzen hinweg gelten.The feature extraction 310 described here from the recorded signal sections of the sound signal can be carried out in this way for both the training phase 320, a test phase 330 and also for the actual operating point estimate 340 by pure sound measurement. Since the features also capture system-inherent properties, a separate training process is usually necessary not only for each system, but also for each sensor position and each application. However, it is also possible for a data set to be trained across several system variants, e.g. in different applications or with different pump models. This makes it possible to achieve a more robust classifier that, given sufficiently large data variance, can also be able to identify features that are not specific to the system, but apply across system boundaries.

Mit den so extrahierten Merkmalen kann dann zunächst ein Klassifikatormodell oder ein Regressionsmodell trainiert werden. Im Folgenden werden Klassifikatormodelle beschrieben; es versteht sich, dass die entsprechenden Schritte auf ein Regressionsmodell oder auf andere als die hier beschriebenen Klassifikatormodelle übertragen werden können.A classifier model or a regression model can then be trained using the features extracted in this way. Classifier models are described below; It is understood that the corresponding steps can be transferred to a regression model or to classifier models other than those described here.

Die Klasseneinteilung für die Klassifizierung kann zu einem beliebigen Zeitpunkt vor dem Training des Modells bzw. vor dem Labeln der Trainingsdaten festgelegt werden. Dazu gehört beispielsweise die Festlegung der Klassenanzahl sowie die bereits oben in Verbindung mit 1 beschriebene Einteilung bzw. Diskretisierung der Klassen. Anstelle der dort beispielhaft genannten äquidistanten Einteilung der Bereiche könnte beispielsweise für den Druck auch eine andere Einteilung gewählt werden, die das Klassifikationsgitter in relevanten Bereichen, wie im Bereich um den Nenndruck der Einheit, feiner diskretisiert. Wie bereits beschrieben, kann sowohl die Anzahl als auch die Einteilung im Wesentlichen frei gewählt werden. Es ist beispielsweise denkbar, die Klassenwahl erst nach der Erfassung der Messdaten vorzunehmen, so dass die oberen und unteren Grenzen für die jeweiligen Lastgrößen bereits aus den Messungen bekannt sind. Ebenso können aber auch theoretisch bestimmte oder aus anderen Messungen abgeschätzte Grenzen für die Betriebspunktklassen verwendet werden.The class division for the classification can be set at any time before training the model or before labeling the training data. This includes, for example, determining the number of classes as well as those already mentioned above 1 described classification or discretization of the classes. Instead of the equidistant division of the areas mentioned there as an example, a different division could also be chosen for the pressure, which discretizes the classification grid more finely in relevant areas, such as in the area around the nominal pressure of the unit. As already described, both the number and the division can essentially be chosen freely. For example, it is conceivable to select the class only after the measurement data has been recorded, so that the upper and lower limits for the respective load variables are already known from the measurements. Limits that are theoretically determined or estimated from other measurements can also be used for the operating point classes.

Da die Merkmale und die einzelnen Lastgrößen zu den Merkmalen im Rahmen der vorgenommenen Messungen exakt bekannt sind, kann eine Veränderung der Klassenwahl bzw. Klasseneinteilung und eine entsprechende Anpassung der Label für die Trainingsdaten auf einfache Weise erfolgen. Auf diese Weise könnten unterschiedliche Klassifizierungsvarianten geprüft werden, indem jeweils neue Modelle mit anderen Klassifizierungen trainiert werden.Since the characteristics and the individual load variables for the characteristics are known exactly in the context of the measurements taken, a change in the choice of classes or classification and a corresponding adjustment of the labels for the training data can be done in a simple manner. In this way, different classification variants could be tested by training new models with different classifications.

Die erfassten Merkmale 310 für jeden Signalabschnitt können dann jeweils dem stationären bzw. quasi-stationären Betriebspunkt des Signalabschnitts zugeordnet werden, wobei die Betriebspunkte (als Kombination der Lastgrößen am Betriebspunkt) wiederum den gewählten Klassen zugeordnet werden können, so dass in Schritt 322 wie schon beschrieben gelabelte Merkmale als Trainingsdatensatz erhalten werden. Mit diesen Trainingsdaten kann dann in Schritt 324 ein Klassifikatormodell oder auch mehrere Klassifikatormodelle als Ensemble-Lerner trainiert werden, d.h. für überwachtes maschinelles Lernen genutzt werden. Als Beispiele für mögliche Klassifikator- oder Regressormodelle aus dem Bereich des maschinellen Lernens, die hier zum Einsatz kommen können, sollen hier das Random Forest-Verfahren, Gradient Boosting und verallgemeinerte lineare Modelle genannt werden. Details dieser Modelle sind dem Fachmann bekannt und können beispielsweise dem Buch „Pattern recognition and Machine Learning“, Bishop, Springer New York 2006 entnommen werden und werden hier nicht näher ausgeführt. Diese Modelle können einzeln oder als Ensemble verwendet werden. Ebenso können aber auch andere Klassifikatoren verwendet werden, die eine Klassifizierung in mehrere Klassen erlauben. Es können beispielsweise auch Multi-Klassifkationsmodelle wie eine Softmax-Regression verwendet werden, die unter anderem eine Wahrscheinlichkeitsaussage zur Klassenzugehörigkeit ermöglicht.The detected features 310 for each signal section can then be assigned to the stationary or quasi-stationary operating point of the signal section, whereby the operating points (as a combination of the load variables at the operating point) can in turn be assigned to the selected classes, so that in step 322 as already described labeled features are obtained as a training data set. With this training data, a classifier model or several classifier models can then be trained as an ensemble learner in step 324, i.e. used for supervised machine learning. Examples of possible classifier or regressor models from the field of machine learning that can be used here include the random forest method, gradient boosting and generalized linear models. Details of these models are known to those skilled in the art and can be found, for example, in the book “Pattern recognition and Machine Learning”, Bishop, Springer New York 2006 and are not explained in more detail here. These models can be used individually or as an ensemble. However, other classifiers can also be used that allow classification into several classes. For example, multi-classification models such as a softmax regression can also be used, which, among other things, enables a probability statement about class membership.

Für das Random-Forest-Verfahren können beispielsweise auf übliche Weise Wichtigkeitsmaße (Feature Importance) für die verwendeten Variablen ermittelt und beurteilt werden, und auf dieser Basis geeignete Merkmale für die endgültige Modellbildung und Klassifizierung ausgewählt werden. Im bereits genannten Beispiel eines Schrägachsenmotors könnte die normierte Merkmalswichtigkeit wie in den 4a und 4b für die zehn wichtigsten Merkmale bestimmt werden.For the random forest method, for example, feature importance can be determined and assessed for the variables used in the usual way, and on this basis suitable features can be selected for the final model formation and classification. In the example of a bent-axis motor mentioned above, the standardized feature importance could be as shown in 4a and 4b for the ten most important characteristics.

4a zeigt die beispielhafte Merkmalswichtigkeit für einen Distributed Random Forest. Die Wichtigkeit der Merkmale wurde dabei auf Grundlage des quadratischen Fehlers des jeweiligen Merkmals im zugehörigen Entscheidungsknoten über alle Bäume bestimmt werden. Dabei haben sich das arithmetische Mittel und der Maximalwert im 13000-13500-Hz-Band als wichtigste Merkmale herausgestellt, danach folgen das arithmetische Mittel im 15500-16000-Hz-Band, das arithmetische Mittel im 3500-4000-Hz-Band, das quadratische Mittel im 7000-7500-Hz-Band, die arithmetischen Mittel in den Frequenzbändern von 13500 bis 14000-Hz, von 15500 bis 16000-Hz, von 17.000 bis 17500 Hz und von 10500 bis 11000 Hz, sowie der Maximalwert im 10500-11000 Hz-Band. 4a shows the exemplary feature importance for a distributed random forest. The importance of the features was determined based on the squared error of the respective feature in the associated decision node across all trees. The arithmetic mean and the maximum value in the 13000-13500 Hz band turned out to be the most important features, followed by the arithmetic with tel in the 15500-16000 Hz band, the arithmetic mean in the 3500-4000 Hz band, the root mean square in the 7000-7500 Hz band, the arithmetic means in the frequency bands from 13500 to 14000 Hz, from 15500 to 16000-Hz, from 17,000 to 17,500 Hz and from 10,500 to 11,000 Hz, as well as the maximum value in the 10,500-11,000 Hz band.

Auf ähnliche Weise wurden wie in 4b dargestellt die wichtigsten Merkmale für eine Gradient Boosting Machine beispielhaft bestimmt; hier ergeben sich als wichtigste Merkmale (von oben nach unten) das arithmetische Mittel sowie das quadratische Mittel im 13000-13500-Hz-Band, die quadratischen Mittel im 7000-7500-Hz-Band und im 20000-20500-Hz-Band, die arithmetischen Mittel im 16000-16500-Hz-Band, im 13500-14000-Hz-Band und im 7000-7500-Hz-Band, die spektrale Ebenheit im Terzband (14,1-17,8 kHz), sowie die quadratischen Mittel im 16000-16500-Hz-Band und im 15500-16000-Hz-Band.In a similar way as in 4b presented the most important features for a gradient boosting machine as an example; The most important features here (from top to bottom) are the arithmetic mean and the root mean square in the 13000-13500 Hz band, the root mean square in the 7000-7500 Hz band and in the 20000-20500 Hz band, the arithmetic means in the 16000-16500 Hz band, in the 13500-14000 Hz band and in the 7000-7500 Hz band, the spectral flatness in the third octave band (14.1-17.8 kHz), as well as the root mean squares in 16000-16500 Hz band and in the 15500-16000 Hz band.

Für die spätere Auswertung von Schallsignalen kann damit die Anzahl der Merkmale, die kontinuierlich aus dem gemessenen Signal extrahiert werden, deutlich reduziert werden und so das Verfahren, der Datenbedarf und die Rechenzeit wesentlich vereinfacht werden. Es versteht sich, dass sowohl die Auswahl und Anzahl dieser Merkmale als auch die genannten Frequenzbänder rein beispielhaft genannt sind und dass diese sowohl von der überwachten Maschine, von der Sensorposition des Schallsensors, als auch vom betrachteten Anwendungsfall, also z.B. von einem bestimmten Betriebszyklus, abhängig sind.For the later evaluation of sound signals, the number of features that are continuously extracted from the measured signal can be significantly reduced, thus significantly simplifying the process, the data requirement and the computing time. It is understood that both the selection and number of these features as well as the frequency bands mentioned are mentioned purely as examples and that these depend on both the monitored machine, the sensor position of the sound sensor, and the application under consideration, i.e., for example, on a specific operating cycle are.

Nach dem Abschluss der Trainingsphase 320 (bzw. zur Bestimmung eines ausreichenden Trainingszustands) können weitere Messdaten bzw. daraus extrahierte Merkmale mit bekannten zugehörigen Betriebspunkten in Schritt 330 als Testdatensatz verwendet werden. Dazu kann beispielsweise ein Teil der gemessenen Daten, für welche tatsächlich gemessene Betriebspunkte bekannt sind, zurückbehalten werden und nicht für das Training verwendet werden. Der Testdatensatz kann dabei eine möglichst breite Verteilung unterschiedlicher Betriebspunkte umfassen, um den gesamten Klassenraum zu validieren. Grundsätzlich ist es auch möglich, Daten für die Validierung zu verwenden, die bereits in den Trainingsdaten enthalten waren. Aus den gemessenen Signalen werden auch in diesem Fall auf dieselbe Weise wie schon für die Trainingsdaten beschrieben die Merkmale extrahiert und zur Prüfung mit den jeweiligen Betriebspunktklassen verknüpft. Dabei kann zur Ermittlung des Modellzustands beispielsweise wie üblich eine Konfusionsmatrix verwendet werden, welche die tatsächlichen Klassenzugehörigkeiten und die durch die Klassifizierung bestimmten Klassen gegenüberstellt. Für die genannten Klassifikatormodelle konnte dabei im Versuch eine sehr hohe Genauigkeit der Betriebspunktklassifizierung gezeigt werden; der mittlere Fehler pro Klasse lag bei beispielhaften Durchläufen im niedrigen einstelligen Prozentbereich.After the completion of the training phase 320 (or to determine a sufficient training state), further measurement data or features extracted therefrom with known associated operating points can be used as a test data set in step 330. For this purpose, for example, part of the measured data for which actually measured operating points are known can be retained and not used for training. The test data set can include the widest possible distribution of different operating points in order to validate the entire classroom. In principle, it is also possible to use data for validation that was already included in the training data. In this case, too, the features are extracted from the measured signals in the same way as already described for the training data and linked to the respective operating point classes for testing. To determine the model state, for example, a confusion matrix can be used as usual, which compares the actual class memberships and the classes determined by the classification. The test demonstrated a very high level of accuracy in the operating point classification for the classifier models mentioned; The average error per class was in the low single-digit percentage range in exemplary runs.

Sobald auf diese Weise in Schritt 340 ein trainiertes Modell mit einem oder mehreren Klassifikatoren bzw. Regressoren erhalten wurde, kann dieses für weitere Messungen 350 in einem korrespondierenden System angewendet werden, also bevorzugt für Systeme/Maschinen mit gleicher Bauform, gleicher Sensorposition und gleichem Anwendungsfall. Es ist denkbar, entsprechende Körperschallsensoren fest im Gehäuse zu verbauen oder entsprechende Halterungen für Schallsensoren vorzusehen und so eine konstante Sensorposition für alle Anwendungen sicherzustellen. Dann können für alle üblichen Betriebszyklen auf die oben beschriebene Weise Modelle trainiert werden und separat abgespeichert werden. Im tatsächlichen Betrieb 350 des Systems kann dann beispielsweise der aktuelle Anwendungsfall manuell durch einen Benutzer oder automatisch anhand verschiedener Steuerungs- und Messdaten bestimmt werden und das entsprechende trainierte Klassifikationsmodell ausgewählt werden. Die erfassten Schallsignale können dann auf dieselbe Weise wie für das Training beschrieben in Signalabschnitte aufgeteilt werden, aus denen mindestens die für dieses Modell vorgegebenen Merkmale extrahiert werden. Es versteht sich, dass dabei im Klassifikationsbetrieb die Prüfung auf stationäre Betriebspunkte entfallen kann. Die extrahierten Merkmale werden dann als Eingangsdaten für das trainierte Modell verwendet, welches als Ausgabe jeweils eine geschätzte Betriebspunktklasse für den zu den Merkmalen zugehörigen Signalabschnitt ermittelt.As soon as a trained model with one or more classifiers or regressors has been obtained in this way in step 340, this can be used for further measurements 350 in a corresponding system, i.e. preferably for systems/machines with the same design, the same sensor position and the same application. It is conceivable to install corresponding structure-borne sound sensors permanently in the housing or to provide appropriate holders for sound sensors and thus ensure a constant sensor position for all applications. Models can then be trained for all common operating cycles in the manner described above and saved separately. In the actual operation 350 of the system, for example, the current use case can then be determined manually by a user or automatically based on various control and measurement data and the corresponding trained classification model can be selected. The recorded sound signals can then be divided into signal sections in the same way as described for training, from which at least the features specified for this model are extracted. It goes without saying that the test for stationary operating points can be omitted in classification operation. The extracted features are then used as input data for the trained model, which determines as output an estimated operating point class for the signal section associated with the features.

Aus den so erhaltenen Betriebspunktklassifizierungen können verschiedene Informationen abgeleitet werden. Beispielsweise können daraus Informationen über anwendungs- und anwenderabhängige Belastungen erzeugt werden, die bei der Auslegung oder Konstruktion eines Systems berücksichtigt werden können. Zusätzlich oder alternativ können typische Belastungszyklen, z.B. in der Fahr- und Arbeitshydraulik abgeleitet werden, die dann als Eingangsgröße für Zuverlässigkeitsmodelle verwendet werden können.Various information can be derived from the operating point classifications obtained in this way. For example, information about application and user-dependent loads can be generated, which can be taken into account when designing or constructing a system. Additionally or alternatively, typical load cycles, e.g. in driving and working hydraulics, can be derived, which can then be used as input variables for reliability models.

Optional können die erhaltenen Daten auch noch weiterverarbeitet werden, z.B. durch Kombination mit Daten aus anderen Modellen oder mit gemessenen Werten aus zusätzlichen Sensoren. Falls beispielsweise zumindest ein Teil der relevanten Lastgrößen weiterhin durch vorhandene Sensoren gemessen werden kann, können diese sowohl in eine Betriebspunktbestimmung als auch für weitere Prozesse verwendet werden. Als Beispiel kann ein Vergleich zwischen dem tatsächlichen Betriebszustand (z.B. durch Messung von Druck, Schwenkwinkel und Temperatur wie im obigen Beispiel) mit einem durch das Modell bestimmten Prognosewert vorgenommen werden, und aus einer möglichen Abweichung können Rückschlüsse auf Anomalien im Maschinenverhalten geschlossen werden, wie etwa vermutete Schädigungen von Bauteilen.Optionally, the data obtained can also be further processed, for example by combining it with data from other models or with measured values from additional sensors. If, for example, at least some of the relevant load variables can still be measured by existing sensors, these can be used both in determining the operating point and for other processes. As an example, a comparison between the actual operating conditions can be made (e.g. by measuring pressure, swivel angle and temperature as in the example above) with a forecast value determined by the model, and from a possible deviation conclusions can be drawn about anomalies in the machine behavior, such as suspected damage to components.

Alternativ oder zusätzlich zu dem im Beispiel verwendeten Körperschallsignal in Form einer Oberflächenschwingbeschleunigung können auch andere Schwingungssignale zur Auswertung verwendet werden, die einen Rückschluss auf den Betriebspunkt zulassen, wie etwa die Oberflächenschwingschnelle, der Schalldruck oder andere. Ebenso können auch mehrere unterschiedliche Schallgrößen ausgewertet werden, oder mehrere gleichwertige Schallsignale an verschiedenen Sensororten erfasst werden.Alternatively or in addition to the structure-borne sound signal used in the example in the form of a surface vibration acceleration, other vibration signals can also be used for evaluation that allow conclusions to be drawn about the operating point, such as the surface vibration speed, the sound pressure or others. Likewise, several different sound quantities can be evaluated, or several equivalent sound signals can be recorded at different sensor locations.

Die beschriebenen Verfahrensschritte zur Signalverarbeitung und Merkmalsextraktion sowie die Klassifizierung durch ein Modell können in einer einzigen Verarbeitungseinheit umgesetzt werden, z.B. einem Messrechner mit üblicher Ausstattung wie Prozessor und Speicherelementen, oder durch einen Mikrocontroller, Mikroprozessor oder andere Verarbeitungseinheiten, die ausreichend für die beschriebenen Schritte sind. Solche Verarbeitungseinheiten können mit einem entsprechenden Sensor als kompakte Einheit integriert vorliegen, z.B. in einem sogenannten intelligenten Sensor, oder als separate Einheit mit dem Sensor verbunden werden.The described method steps for signal processing and feature extraction as well as the classification by a model can be implemented in a single processing unit, e.g. a measuring computer with usual equipment such as a processor and memory elements, or by a microcontroller, microprocessor or other processing units that are sufficient for the steps described. Such processing units can be integrated with a corresponding sensor as a compact unit, for example in a so-called intelligent sensor, or can be connected to the sensor as a separate unit.

Alternativ ist es auch möglich, dass die verschiedenen Schritte zeitlich und/oder räumlich getrennt ausgeführt werden. So könnte die Vorverarbeitung des Signals bzw. die Merkmalsextraktion zumindest teilweise durch eine erste Verarbeitungseinheit wie etwa einen Mikrocontroller durchgeführt werden, der sich direkt am Sensor befindet oder mit einem oder mehreren Sensoren verbunden ist. Als Ausgangswert dieser ersten Verarbeitungseinheit könnten dann beispielsweise nur die Signale und Häufigkeitsverteilungen im Zeit- und Frequenzbereich und/oder die aus den Signalabschnitten extrahierten Merkmale vorliegen. Diese Daten können wiederum lokal oder auch in einer zweiten, separaten Verarbeitungseinheit weiterbearbeitet werden und zu diesem Zweck abgespeichert oder über eine drahtlose oder drahtgebundene Kommunikationsverbindung an die zweite Verarbeitungseinheit übermittelt werden. Dabei kann auch die zweite Verarbeitungseinheit auf jede beliebige Art implementiert sein, z.B. als eine zentrale Steuereinheit oder ein Teil davon, als Steuerrechner, über einen externen Server, als Cloud-Dienst oder andere. Auf diese Weise können die rechenintensiven Schritte, wie etwa die Klassifizierung durch ein trainiertes Modell, auf Verarbeitungseinheiten mit mehr Rechen- und/oder Speicherleistung übertragen werden, während einfachere Schritte wie die Vorverarbeitung des Signals durch einfachere Elemente wie Mikrocontroller erledigt werden können. Dabei kann die Aufteilung der Verfahrensschritte auf zwei oder mehr Verarbeitungseinheiten beliebig gewählt werden, so dass beispielsweise auch die Vorverarbeitung noch einmal auf verschiedene Einheiten aufgeteilt werden kann (z.B. durch Auslagerung einer eher rechenintensiven Fouriertransformation oder Wavelet-Transformation).Alternatively, it is also possible for the various steps to be carried out separately in time and/or space. The preprocessing of the signal or the feature extraction could be carried out at least partially by a first processing unit such as a microcontroller, which is located directly on the sensor or is connected to one or more sensors. For example, only the signals and frequency distributions in the time and frequency domain and/or the features extracted from the signal sections could be present as the output value of this first processing unit. This data can in turn be further processed locally or in a second, separate processing unit and stored for this purpose or transmitted to the second processing unit via a wireless or wired communication connection. The second processing unit can also be implemented in any way, for example as a central control unit or part thereof, as a control computer, via an external server, as a cloud service or others. In this way, the computationally intensive steps, such as classification by a trained model, can be transferred to processing units with more computing and/or storage power, while simpler steps such as pre-processing the signal can be handled by simpler elements such as microcontrollers. The division of the process steps into two or more processing units can be chosen arbitrarily, so that, for example, the preprocessing can also be divided into different units (e.g. by outsourcing a rather computationally intensive Fourier transformation or wavelet transformation).

Durch eine Aufteilung der Verfahrensschritte auf unterschiedliche Verarbeitungseinheiten ist es auch möglich, die Aufteilung so zu wählen, dass nur ein reduzierter Datensatz an die zweite (oder weitere) Verarbeitungseinheit weitergeleitet wird. Beispielsweise können gezielt die für die Auswertung ausgewählten Merkmale extrahiert werden und nur diese dann in einer entfernten Einheit weiterverarbeitet werden. Durch die Reduzierung der Datenmenge kann ein solches Verfahren insbesondere bei Übertragungswegen mit geringer Bandbreite eingesetzt werden (z.B. Bussysteme wie CAN-Bus, Mobilfunkverbindungen über GSM, Bluetooth).By dividing the method steps between different processing units, it is also possible to choose the division so that only a reduced data set is forwarded to the second (or further) processing unit. For example, the features selected for the evaluation can be specifically extracted and only these can then be further processed in a remote unit. By reducing the amount of data, such a method can be used particularly on transmission paths with low bandwidth (e.g. bus systems such as CAN bus, mobile phone connections via GSM, Bluetooth).

Es ist auch möglich, dass erfasste Schallsignale, daraus berechnete Verteilungen und Spektren oder extrahierte Merkmale zumindest vorübergehend abgespeichert werden und zu einem späteren Zeitpunkt weiterverarbeitet werden oder für weitere Analysen dauerhaft abgespeichert werden. Es versteht sich, dass entsprechende Speichereinheiten am Sensor, in einer Verarbeitungseinheit und/oder als entfernter Cloudspeicher vorliegen können. Damit kann zwischen der Messung eines Signals und den weiteren Schritten zur Verarbeitung und Auswertung jeweils grundsätzlich eine beliebige Zeitspanne liegen; es ist aber auch möglich, dass die Signale unmittelbar weiterverarbeitet und ausgewertet werden, z.B. zur Fehlererkennung oder Modellierung im laufenden Betrieb.It is also possible for recorded sound signals, distributions and spectra calculated therefrom or extracted features to be stored at least temporarily and to be further processed at a later point in time or to be permanently stored for further analyses. It is understood that corresponding storage units can be present on the sensor, in a processing unit and/or as remote cloud storage. This means that there can be any length of time between the measurement of a signal and the further processing and evaluation steps; However, it is also possible for the signals to be further processed and evaluated immediately, e.g. for error detection or modeling during ongoing operation.

In allen Fällen können außerdem geeignete Benutzerschnittstellen wie etwa Displays, Bildschirme, Lautsprecher, Touchscreens oder sonstige Ausgabeelemente verwendet werden, um beispielsweise Ergebnisse der Betriebspunktklassifizierung anzuzeigen, um Zwischenschritte für einen Benutzer abzubilden (z.B. die gemessenen Schallsignale), um Hinweise auf abgeschätzte Fehlerzustände oder Zustandsprognosen zu geben, um Probleme bei der Auswertung (z.B. fehlerhafte Messung, nicht genügend Messpunkte oder andere) wiederzugeben oder sonstige Informationen für einen Benutzer auszugeben. Ebenso können Eingabemittel vorhanden sein, z.B. Tastatur und/oder Maus, ein Touchscreen, ein Mikrofon zur Spracheingabe, oder beliebige andere übliche Eingabemittel, über welche beispielsweise Verfahrensparameter ausgewählt oder verändert werden können.In all cases, suitable user interfaces such as displays, screens, loudspeakers, touchscreens or other output elements can also be used, for example to display results of the operating point classification, to map intermediate steps for a user (e.g. the measured sound signals), to provide information about estimated fault conditions or condition forecasts to reflect problems in the evaluation (e.g. incorrect measurement, not enough measuring points or others) or to output other information for a user. Input means can also be present, for example a keyboard and/or mouse, a touchscreen, a microphone for voice input, or any other common input means, for example wise process parameters can be selected or changed.

Claims

Method for forming a model (340) for operating point detection on a machine, comprising: detecting (302) a sound signal emanating from the machine and simultaneously detecting one or more load variables of the machine; Determining (304) signal sections (200) of the sound signal with a stationary operating point, in which the one or more load variables remain unchanged within predetermined threshold values over the length of the associated signal section; Extracting (310) features in the time domain (210, 212, 214, 216, 218) and/or in the frequency domain (220, 230, 245, 255) and/or in the time-frequency domain for one or more stationary signal sections of the sound signal with stationary operating point; Forming training data (320) for at least one machine learning classifier or regressor model by labeling (322) the extracted features for each signal section with one of several operating point classes (110), the operating point classes being determined by at least a part of the one or more load variables machine are defined; and Training (324) the machine learning classifier or regressor model with the formed training data.

Procedure according to Claim 1 , further comprising: determining multiple value ranges for each of the portion of the one or more load sizes; and defining the plurality of multi-dimensional operating point classes as factor combinations of the specified value ranges for the portion of the one or more load variables.

Procedure according to Claim 1 or 2 , further comprising: determining relevant features from the extracted features for each machine learning classifier or regressor model used, wherein determining comprises one of the following: a determination of a feature importance, a principal component analysis, a feature reduction.

Method according to one of the preceding claims, wherein additional features are extracted from signal sections of the oscillation signal in which there is no stationary operating point, and wherein the features from the signal sections in which there is no stationary operating point are labeled as non-stationary and as additional training data for the training of at least one classifier or regressor model can be used.

Method for detecting operating points on a machine, comprising: detecting (300, 302) a sound signal emanating from the machine; Extracting (310) one or more predefined features in the time domain and/or in the frequency domain and/or in the time-frequency domain for one or more signal sections (304) of a predetermined length of the sound signal; Using (340) the extracted features of each signal section as input data for at least one trained classifier or regressor model, the at least one classifier or regressor model being adapted to assign each signal section to one of a plurality of predetermined operating point classes; and for each signal section, obtaining (350) an associated operating point class (110) as an output value of the at least one trained classifier or regressor model.

Procedure according to Claim 5 , wherein the at least one trained classifier or regressor model with a method according to one of Claims 1 until 4 was formed.

Method according to one of the preceding claims, wherein extracting one or more predefined features comprises one or more of the following: forming a frequency distribution of the amplitude values for a signal section, forming a Fourier transform of the signal section, forming a wavelet transform of the signal section, forming a Empirical mode decomposition of the sound signal, forming a frequency distribution of zero crossings within a signal section.

Method according to one of the preceding claims, wherein the extracted features in the time domain comprise one or more of the following: one or more of the statistical moments of a frequency distribution, one or more of the central moments of a frequency distribution, an arithmetic mean, a median, an arithmetic mean of the absolute value , a standard deviation, a variance, a maximum value, a minimum value, a peak-to-peak value, various percentiles, the curvature, the skewness, the root mean square, the crest factor, the number of unique values per section, the number of zero crossings per Signal section, the entropy, the correlation dimension of the signal in the signal section.

Method according to one of the preceding claims, wherein the features in the frequency domain are extracted for the entire spectrum of each signal section and/or for a part of the spectrum of each signal section, and wherein the extracted features comprise one or more of the following: an arithmetic mean, a root mean square , a median, a crest factor, maximum and/or minimum values, a standard deviation, a spectral flatness.

Method according to one of the preceding claims, wherein the at least one classifier or regressor model comprises one of the following: a random forest algorithm, a gradient boosting machine, a generalized linear model.

Method according to one of the preceding claims, wherein the machine comprises a hydraulic unit, and wherein the load quantities include a pivot angle, a pressure and an oil temperature of the hydraulic unit.

Method according to one of the preceding claims, wherein the sound signal comprises at least one of the following: a surface sound acceleration, a surface vibration velocity, a sound pressure.

Computing unit comprising a processor configured to carry out the method according to any one of the preceding claims.

Computer program comprising commands which, when the program is executed by a computer, cause it to follow the method Claim 1 until 12 to carry out.

Computer-readable data carrier on which the computer program is written Claim 14 is stored.