本发明涉及产品的制造以及在制造设施中的制造设备的监控、诊断和维护。
背景技术：
1、例如，在汽车生产中，单个站点的故障可迅速使整个生产系统停止运转。在润滑油分配系统中，经常由于轴承磨损、沉积物、过度潮湿或泄漏等小事而造成故障。定期的维护间隔并不足以避免计划外的停机时间。监控生产系统的状态和预先识别即将发生的错误是很重要的。
2、尤其是在汽车工业中，压力机是制造过程中的关键资产。它们的故障可以使整个生产线停止运行。针对压力机的预测性服务使得此类生产线的操作员能够在错误发生之前识别和/或预测即将发生的错误和/或执行纠正动作。由此，维护可以与系统的实际情况保持一致，并不依赖于固定的维护间隔。
3、汽车压力机的停机时间的成本非常高。汽车工厂需要尽可能地减少计划外的停工时间，以在市场上保持竞争力。尤其是，冲压线是非常关键的，对整体生产成本和效率产生巨大的影响。
4、汽车生产可以包括在不同生产站点的其他生产步骤，如车身车间、涂装车间、铸造厂、动力系统组装和最终组装，在那里使用一个或多个制造设备对工件进行焊接、涂装、铸造和/或组装，如图1所示。
技术实现思路
1、在任何制造设施中，计划外的停机时间、例如冲压线的传动系统的停机时间，都是非常耗费成本的。此外，没有系统可用于收集用于检测一个或多个制造设备的磨损和撕裂的必要数据，并且可靠地确定和/或预测制造设备运行中的错误。因此，本发明的目的是克服这些缺点并且提供一个或多个制造设备的运行的透明性并且允许监控一个或多个制造设备。其他目的在于减少一个或多个制造设备的计划外的停机时间，尤其是通过早期检测由于磨损和/或撕裂引起的异常并且允许优化维护调度。
2、根据第一个方面，该目的通过一种监控周期性运行的制造设备的计算机实现方法来实现。该方法包括以下步骤：在该制造设备的运行的多个周期期间，测量与该制造设备的运行相关的物理特性的实际值。该方法还包括以下步骤：基于经训练的机器学习模型(优选为人工神经网络、且更优选为多层感知器)，确定多个周期中的每个周期的物理特性的参考值。该方法还包括以下步骤：基于距离函数(优选为wasserstein距离)，比较实际值的分布与参考值的分布。该方法还包括以下步骤：在该距离函数超过预定阈值的情况下，发起警报。
3、根据第二方面，该目标通过可运行以执行根据第一方面的方法步骤的装置来实现。
4、根据第三方面，该目的通过一种计算机程序产品来实现，该计算机程序产品包括程序代码，该程序代码在被执行时执行根据第一方面的方法。
1.一种监控周期性运行的制造设备(3a)的计算机实现方法，包括以下步骤：
2.根据前述权利要求所述的方法，根据所述制造设备(3a)的周期性运行的一个或多个子部分(1-16)，将与所述制造设备的周期性运行(c1，c2，c3)相关的所述实际值细分成子集，其中，所述制造设备(3a)的周期性运行的每个周期包括多个子部分(1-16)。
3.根据前述权利要求所述的方法，
4.根据前述权利要求所述的方法，
5.根据前述权利要求2至4中任一项所述的方法，其中，将所述实际值细分成子集的步骤包括：通过识别两个随后的局部最小值和/或局部最大值并且将所述局部最小值和/或最大值之间的实际值与相应的子部分(1-16)相关联以形成子集，从而确定子部分(1-16)。
6.根据前述权利要求所述的方法，
7.根据前述权利要求中任一项所述的方法，
8.根据前述权利要求2至6中任一项所述的方法，
9.根据前述权利要求2至6和/或权利要求8中任一项所述的方法，其中，所述周期性运行包括例如经由渐进式分配器(31)的出口，周期地替换润滑剂，并且其中，优选地，所述子部分对应于所述润滑剂的经由所述渐进式分配器(31)的相应出口(01，02)的替换。
10.根据前述权利要求中任一项所述的方法，通过一个或多个传感器(m1，m2，m3，m4，m5)，确定运行变量的运行值，所述运行值优选地包括以下中的一个或多个：
11.根据前述权利要求所述的方法，所述警报指示所述制造设备(3a)的故障。
12.根据前述权利要求所述的方法，所述警报指示所述制造设备的轴承的磨损和/或所述制造设备(3a)的润滑线(l1，l2，l3)的泄漏或断裂。
13.根据前述权利要求所述的方法，所述警报指示所述制造设备(3a)的多个轴承(b1，b2)中的一个轴承的磨损和/或所述制造设备(3a)的多个润滑线(l1，l2，l3)中的一个润滑线的泄漏或破裂。
14.一种训练用于监控周期性运行的制造设备(3a)的运行的机器学习模型(ml)的方法，包括以下步骤：
15.一种用于执行权利要求1至14中任一项所述的方法的步骤的装置(101)。
16.一种计算机程序产品，包括当在执行时执行权利要求1至14的方法步骤中的任一项的程序代码。
