用于评估工艺设备的资源消耗量的方法和工艺设备与流程

本发明涉及工艺监测和工艺控制的领域。尤其是在制造工艺、处理工艺和其他的工业工艺中，始终有优化能量需求的愿望。通过设备优化使资源消耗量减少一定比例的要求迄今并不罕见，然而这并不与工艺设备的复杂性相适应。

背景技术：

技术实现思路

1、因此，本发明的目的是创建一种方法，借助该方法可以在考虑工艺设备的复杂性的情况下对工艺设备的资源消耗量进行有说服力的评估。

2、根据本发明，该目的通过根据权利要求1所述的方法得以实现。

3、该方法是一种用于评估工艺设备的资源消耗量的方法。尤其地，该方法是一种用于评估生产设备或处理设备的资源消耗量的方法。

4、该方法优选地包括：

5、a)执行数据检测，以检测对于工艺设备的运行而言重要的数据、尤其是工艺设备的运行数据和/或框架数据；

6、b)在使用数据模型的情况下基于检测的数据查明、尤其是计算和/或模拟当前和/或未来的资源消耗量，借助该数据模型在检测的数据相互之间和/或在检测的数据与工艺设备的资源消耗量之间建立相关性；

7、c)对测量的资源消耗量进行评估，尤其是通过将测量的资源消耗量与查明的、尤其是计算的和/或模拟的资源消耗量进行比较。

8、资源消耗量例如是能量消耗量，但也可以是材料消耗量或其他方式的消耗量或有形和无形的费用来源的其他用量。

9、因此，资源消耗量尤其也是工艺设备的运行措施的消耗量，例如在被构造为涂漆设备的工艺设备的情况下是漆的消耗量、水的消耗量、过滤辅助材料消耗量、过滤元件消耗量等。

10、利用数据模型优选地能够对整个工艺设备的运行进行评估。工艺设备的操作者或用户优选地可以在考虑当前或未来的工艺参数、尤其是生产参数的情况下，和/或在考虑当前或未来的天气条件的情况下查明能量消耗量是否正常、即是否在可接受的值范围之内。此外，由此优选地可以查明设备运行时的变化是否已经导致消耗了更多或更少的能量。优选地，甚至可以查明设备运行时的哪些变化曾经是或现在是能量消耗量变化的原因。

11、可以有益的是，还可以借助数据模型查明设备运行时的变化是否可能导致资源消耗量、尤其是能量消耗量的变化。此外，优选地可以查明这些变化的幅度。

12、最后，在考虑到件数、天气数据和设定参数的情况下，优选地可以在使用数据模型的情况下预测资源消耗量、尤其是能量消耗量在未来会有多大。

13、该方法优选地基于机器学习模型，该机器学习模型建立在一方面对于工艺设备的运行而言重要的数据，尤其是工艺设备的运行数据和/或框架数据，例如生产数据、工艺值、设定参数和外部影响参量(空气温度、湿度)与另一方面的资源消耗量之间的关联性。为了学习这种关联性，基于历史数据训练数据模型，其中针对历史数据优选地已知相应地所配属的资源消耗量或至少一种与资源消耗量的关联性。

14、该方法尤其包括以下子步骤：

15、(1)数据检测/加工

16、(2)数据模型的训练

17、(3)模拟

18、(4)评估

19、(5)设备优化

20、(6)参数影响的确定

21、(7)参数评估

22、(8)参数优化

23、(1)数据检测/加工

24、在执行数据检测以检测对于工艺设备的运行而言重要的数据时，优选地检测、尤其是测量或以其他方式诸如查明以下数据中的一者或多者：

25、-能量消耗量、尤其是来自工艺控制部和能量馈入部的能量消耗量；

26、-工件相关的数据：相应的工件的类型，处理或其他的工艺的时间点，相应的工件的地点或位置或取向，工件的数量，尤其是从生产控制部、例如所谓的制造执行系统(mes)中获得的工艺规划；

27、-设定参数，尤其是来自工艺控制部的设定参数，例如工艺值的额定值和/或(从工艺控制部、气象站和/或外部数据库中获得的)气象数据(尤其是温度、降水量、云量以及风速)，以及其他上下文数据(尤其时钟时间或日期时间)。

28、优选地，检测的数据被存储和/或评定和/或编辑。例如可以规定，根据以下选项中的一者或多者来编辑检测的数据：

29、-数据、尤其是工艺控制部的数据被检测作为数据库中的时间序列；

30、-数据、尤其是生产控制部的数据部分地被检测作为数据库中的时间序列并且部分地与工件有关(werkstückbezug)；

31、-用时间窗口分割和/或整合数据，其中时间窗口的长度优选地取决于工艺、尤其是处理工艺或计件工艺的惯性

32、-例如根据以下选项中的一者或多者从原始数据中推导出特征：

33、□消耗量和生产数的求积分/求总和；

34、□统计学特征、例如工艺数据的平均值和标准偏差；

35、□基于区段的统计学特征、例如平均值和方差漫射参数；

36、□来自例如傅里叶变换和小波变换的信号分析的特征；

37、□在预先给定的或平均的时间窗口内的平均能量消耗量；

38、□每个时间窗口的任务数据，例如工件的类型、工件的数量、每种衍生物(derivat)的数量；

39、□在预先给定的或平均的时间窗口内的平均设定参数。

40、优选地由此创建了被预加工的数据集，其可以用作机器学习模型的基础，尤其以便能够在可检测的影响参量和资源消耗量之间建立关联性，其中不是必须先验地已知这些关联性。

41、(2)数据模型的训练

42、优选地借助机器学习方法来训练数据模型。在此，数据模型优选地从整合的特征中学习数据模型输入(例如，车身的数量、车身的类型、设定参数、工艺值、天气条件、衍生物的数量等)与数据模型输出(尤其是在预先给定的或平均的时间窗口内的资源消耗量)之间的关联性。

43、训练过的数据模型优选地能够根据从历史数据中学习到的关联性由测量的数据模型输入来查明理论上的资源消耗量。

44、数据模型质量取决于所考虑的历史数据的数量。基本的训练时段越长，数据模型的预期准确性就越高。

45、优选地，数据模型可以推广到其他工作领域。然而，为了对于设定参数对资源消耗量的影响进行说明，有必要根据历史数据获取(angefahren)不同的额定值，另请参见步骤(6)“参数影响的确定”。

46、可以规定，在历史数据中包含有设定参数的至少两种构造。

47、可以有益的是，在工艺设备处或中对训练模式进行设置，尤其是例如通过使用不同的生产数和设定参数来优化数据模型。

48、例如，数据模型可以被实施为动态数据模型。在这种情况下，将先前时间点的数据模型输入和数据模型输出附加地用作数据模型输入，或者使用具有存储器状态的数据模型。

49、可以有益的是，数据模型所基于的机器学习方法是关于数据模型参数和/或系数可逆的，即数据模型参数可以唯一对应于作为系数的影响参量。所采用的方法优选地能够实现这种直接的可解释性(interpretierbarkeit)，并且包括例如线性回归法或决策树。对可解释的机器学习方法的限制优选地对于步骤(6)“参数影响的确定”可以是有利的。

50、可以规定，如果在评估(步骤(4))时判断出有必要重新训练，或者用户或设备操作者作出这样的判断，则触发再学习或再次训练(步骤(4)至步骤(2))。

51、优选地，通过数据模型的训练，数据模型能够建立影响参量与资源消耗量之间的关联性。优选地，可以从数据模型结构中推导出附加信息，尤其是关于参量对资源消耗量、例如能量消耗量的影响的附加信息(参见步骤(6))。

52、(3)模拟

53、在使用数据模型的情况下优选地查明当前和/或未来的资源消耗量。尤其是计算或模拟当前和/或未来的资源消耗量。

54、模拟当前和/或未来的资源消耗量的基础是训练过的数据模型。

55、工艺控制和/或制造执行系统(mes)和/或气象站的实际值优选地用作用于模拟的输入参数，其中如此被检测的值优选相应地通过时间窗口尤其是在使用缓存器或数据库的情况下被整合。

56、模拟尤其是资源消耗量、尤其是能量消耗量的实际模拟。

57、此外，优选地可以借助模拟进行预测。为此，来自生产规划和/或设计数据和/或天气预测数据的规划值被检测作为输入数据，尤其以便获得资源消耗量、尤其是能量消耗量的预告。

58、尤其是针对每个输入参数或根据每个输入参数，优选地可以提供针对一个时间段或时间窗口的资源消耗量的模型值和/或预告的资源消耗量作为输出参数。

59、可在查明时获得的模拟值优选地被存放在数据库中以便进一步加工。

60、在执行实际模拟时、即在查明当前资源消耗量时，优选地规定：

61、实际模拟优选地以预定义的时间间隔定期进行，或者在影响参数发生变化时进行，以便能够实现对资源消耗量的连续监测。

62、结果优选地是数据模型实际资源消耗量的时间序列，该时间序列用于与测量的资源消耗量进行比较(参见步骤(4))。

63、在进行预告时、即在查明未来的资源消耗量时，优选地规定：

64、预告是可选的方法步骤，该方法步骤可以被纳入评估中。

65、预告优选地以预定义的时间间隔定期进行，或者在未来的规划值和/或预测的天气条件发生变化时进行，以便能够实现对未来资源消耗量的连续监测。

66、结果优选地是资源消耗量的预告的时间序列，该时间序列尤其可以用于资源需求量规划和/或用作优化步骤的基础(例如，用于负荷峰值降低，参见步骤(8))。

67、(4)评估

68、为了进行评估，优选地将资源消耗量的模拟的时间序列和测量的时间序列进行相互比较。

69、为此例如形成值之间的差，其中尤其得到代表偏差的时间序列(德尔塔时间序列)。

70、优选地由此得出关于资源消耗量的结论，例如以便完成自动判断或为用户或设备操作者创建判断基础，以对进一步的步骤作出判断：

71、□例如如果实际能量消耗量和数据模型是正常的，则不需要进一步的步骤；

72、□例如如果实际能量消耗量是不正常的，但数据模型是正常的，则模拟的能量消耗量可能低于或高于测量的能量消耗量。因此在工艺设备处一定已经发生了一些变化，这影响了能量消耗量并且没有通过迄今的影响参数检测到。在这种情况下，继续进行设备优化(步骤(5))；

73、□如果数据模型是不正常的，则例如可能是模拟的能量消耗量与测量的消耗量不同。如果此后排除了设备误差或设备变化，则用户或设备操作者尤其是在检查了误差信息之后必须进行评估。随后，可以开始数据模型的补充训练(步骤(2))。

74、可以有益的是，不考虑在查明、尤其是计算和/或模拟当前和/或未来的资源消耗量时的当前实际值，而是考虑时间序列。由此可以优选地实现更好的评估，因为例如可以同时考虑动态效果(例如，与误差的快速增加相比，几天或几周期间的误差趋势)。

75、可选地可以规定，对误差样本、尤其是资源误差样本进行标记、尤其是手动进行标记。在这种情况下，尤其可以对资源误差的时间序列中的样本进行归因。

76、例如可能发生的情况是，当打开阀(klappe)时，总是存在一定的误差(实际能量的突然变化)，或者在空载生产(空转)时，在执行工艺期间在干燥器中的能量消耗量高于比较干燥器或比较时段中的能量消耗量。在这种情况下，优选地可以推断出闸中的错误构造，其中该信息可以被储存在数据模型中并且可以在未来被利用。

77、优选地可以由用户储存误差的原因。

78、方法步骤的结果优选地形成设备变化和/或再次进行数据模型训练的判断基础。

79、(5)设备优化

80、设备优化优选地由用户或设备操作者手动执行，或者由控制装置自动执行。

81、优选地，所执行的优化措施可以由用户或设备操作者储存或者自动储存在尤其是数据模型或数据库中。

82、(6)参数影响

83、例如，a)为了查明、尤其是计算和/或模拟当前和/或未来的资源消耗量和/或b)为了评估测量的资源消耗量，优选地查明输入参量的影响、尤其是检测的数据的数据值和/或数据种类对资源消耗量的影响。例如在这种情况下可以规定，从数据模型、尤其是数据模型参数中借助相关性、例如借助系数来描述输入参量对资源消耗量的影响。例如，在天气、额定值和/或工艺参量发生变化的情况下，可以借助相关性、尤其是借助系数来描述对资源消耗量的影响的程度。

84、优选地可以规定，尤其是在第一步骤中借由从数据模型中提取的和/或可从中推导的关联性来识别最重要和/或影响最大的输入参量。

85、随后将最重要的和/或影响最大的输入参量对资源消耗量的影响量化。

86、优选地在每次变化后和/或在每次数据检测后将影响因素及其查明的重要性和/或查明的影响程度写入数据库和/或数据模型中。由此，优选地可以理解影响参量的变化的走向。

87、优选地，可以在一方面的输入参量和/或影响因素与另一方面的资源消耗量之间建立关系、尤其是相关性，这种关系在整个训练的时段内都有效和/或在整个训练的时段内都以下述方式改变，即优选地始终可以尽可能最佳地查明、尤其是计算和/或模拟当前和/或未来的资源消耗量。

88、(7)参数评估

89、可以有益的是，查明、尤其是核查资源消耗量的查明的和/或测量的变化是否归因于输入参量和/或影响因素、尤其是影响参数的偏差。

90、在这种情况下例如可以核查、尤其是分析资源消耗量的走向的变化、尤其是对资源消耗量的走向的数学推导。

91、在一个设计方案中可以规定，在测量或查明的资源消耗量变化时、例如在实际能量消耗量增加或减少时，对用户或设备操作者显示或以其他方式诸如传达：哪个参数已经发生变化并且已经对实际能量消耗量的变化产生影响、尤其是显著影响。

92、为此优选地首先核查，变化的资源消耗量、尤其是能量消耗量是否基于已由数据模型考虑的影响参数。对此优选地使用来自步骤(4)的评估。

93、可以规定，使用和/或考虑一个或多个未来的数据值、尤其是一个或多个预告的数据值以用于参数评估。例如，可以使用和/或考虑生产规划和预测的天气数据对资源消耗量、尤其是能量消耗量的影响。

94、优选地可以提供如下说明，即哪个参数已经或将对资源消耗量、尤其是能量消耗量产生负面或正面影响。

95、(8)参数优化

96、如果可能的话，优选地对参数进行优化，尤其是自动地或通过在工艺设备中进行手动干预。

97、例如，基于对参数评估的认知、尤其是说明进行手动改变。

98、例如，通过对优化问题进行数学求解来进行自动的参数优化。为此，使用优化函数来优化生产规划和/或检测的或查明的数据类型和/或数据种类的额定值。

99、例如，待解决的优化问题包含约束条件，例如：工艺中工件的最低数量和/或可允许的额定值范围，优选地以便确保工件和/或待制造的产品的质量。

100、对此替选地或补充地，可以基于动态数据模型进行优化，尤其是自动地进行优化。

101、作为一个方面可以规定，进行负荷峰值监测和/或负荷峰值降低。为此，尤其始终在考虑另外的部件和/或设备零件的情况下对例如工艺设备的部件的启动时间点和/或调节参数进行优化。

102、在本方法中，优选地规定对调节策略的优化。除了对设定参数进行优化之外，动态的运行方式(fahrweise)、例如调节策略优选地也可以被自动地评估和/或优化。例如，可以允许调节允差和/或可以基于对资源消耗量的参数评估使用额定值的定义。

103、优选地，通过对当前和/或未来的资源消耗量的查明、尤其是计算和/或模拟可以推导出针对资源消耗量的参考值，这些参考值被存档或可被存档在中央数据库中以用于具有特定设计/尺寸的设备。优选地可以在类似的设备构造和/或类似的设备尺寸的情况下利用这些参考值为资源消耗量设立基准。

104、此外，可以用算出的资源消耗量值、尤其是能量值对工艺设备的设计和/或规定的能量极限进行优化。

105、在该方法的一个设计方案中可以规定，给出测量的资源消耗量是在可接受的消耗量范围之内还是之外，作为对测量的资源消耗量的评估的结果。在此优选地由查明的、尤其是计算的和/或模拟的资源消耗量得出可接受的消耗量范围。尤其地，可接受的消耗量范围由查明的、尤其是计算的和/或模拟的资源消耗量预先给定。

106、可以有益的是，得出是否存在工艺设备的失灵和/或错误操作和/或者异常行为的推断，作为对测量的资源消耗量的评估的结果。例如，可以由变化速度推断出手动或自动引起的控制和/或调节误差。

107、异常行为或异常尤其应理解为存在和/或检测到通常作为异常值被标示的数据点，该数据点的特性以如下程度偏离标准值，即怀疑其是由特定机制产生的和/或是可疑事件的结果。在这种情况下，尤其可以区分为点异常、全局异常、上下文异常和/或集合异常。

108、点异常或全局异常描述了与其余的数据点偏离过多的单个数据点。上下文异常在一个数据集的上下文中有所偏离，而在另一个数据集的上下文中是正常的。在集合异常的情况下，整个数据子集偏离了更广泛的(breiteren)数据集；在识别集合异常的情况下，各个数据点不起作用。

109、对此替选地或补充地可以规定，得出设备在与此前不同的或与其应当所在的运行范围或运行模式不同的运行范围或运行模式下运行的推断，作为对测量的资源消耗量的评估的结果。例如，这可能是由额定值变化引起的。例如，如果在训练数据模型时没有检测到或不正确地检测了新的额定值，则可能在实际消耗方面出现偏差。

110、可以有利的是，在作为对测量的资源消耗量的评估的结果的推断中为用户提供输入方案，其中用户可以特别给出从何产生了所查明的偏差。根据用户的输入和/或根据推断和/或根据评估的结果，优选地可以判断、尤其是自动判断数据模型是否必须再次调整、再次训练或重新训练。

111、例如可以规定，为了进行推断，考虑对工艺设备的运行而言重要的数据的单值和/或工艺设备的一个或多个用户的输入值。

112、对工艺设备的运行而言重要的数据和/或输入值可以包括或是工艺设备的运行参数。

113、可以有利的是，检测和/或利用工艺设备的部件的尤其是描述工艺设备的状态的一个或多个数据，作为工艺设备的运行数据，其中该数据优选地是或包括：

114、工艺设备的一个或多个部件的测量值；

115、工艺设备的负荷程度；

116、关于工艺设备的运行类型或运行模式的信息。

117、优选地，检测或利用一个或多个数据，作为工艺设备的框架数据，

118、a)该数据与不属于工艺设备的部件无关；和/或

119、b)该数据与工艺设备的设计和/或工艺设备的运行模式无关。

120、框架数据例如是或包括当前或特定时间点的预期的时钟时间或日期时间；和/或当前或预期的工作日(wochentag)；和/或当前或预测的天气数据；和/或当前或预期的电力成本和/或材料采购成本和/或者材料处置成本。

121、可以有益的是，在数据检测的框架下检测的数据被编辑和/或被加工，例如

122、a)通过对离散特征值进行分类、尤其是编码；和/或

123、b)通过被划分为或配属至时间序列；和/或

124、c)通过统计学评定，例如形成平均值、查明标准偏差、查明方差漫射参数等。

125、在本发明的一个设计方案中可以规定，根据对测量的资源消耗量的评估而对工艺设备的运行模式和/或运行参数进行改变，尤其是以便恢复到测量的资源消耗量处于可接受的消耗量范围内的状态，其中尤其是在保持工件(106)和/或待制造产品的特定质量的情况下进行改变。

126、可以有益的是，尤其是响应于作为所执行的评估的结果的对应的显示或其他的传达内容，由用户或设备操作者手动地进行一个或多个、尤其是所有的改变。

127、对此替选地或补充地可以规定，例如在解决了响应于所执行的评估的优化问题之后，由工艺设备本身、尤其是由工艺设备的控制装置自动地进行一个或多个、尤其是所有的改变。

128、此外，本发明涉及提供一种用于评估工艺设备的资源消耗量的数据模型。就此而言，本发明的目的是提供一种数据模型，借助该数据模型可以在考虑工艺设备的复杂性的情况下对工艺设备的资源消耗量进行有说服力的评估。

129、根据本发明，该目的通过独立的方法权利要求得以实现，其涉及一种用来提供用于评估工艺设备的资源消耗量的数据模型的方法。

130、工艺设备尤其是用于处理工件、尤其是车辆车身的生产设备或处理设备、例如是涂漆设备和/或干燥设备。

131、根据本发明的用来提供用于评估工艺设备的资源消耗量的数据模型的方法优选地包括：

132、i)提供工艺设备的历史数据，该历史数据

133、a)包括以前查明的运行数据和/或框架数据；以及

134、b)包括以前查明的资源消耗量数据；

135、ii)在使用历史数据的情况下来创建和/或训练数据模型，其中借助数据模型建立在以前查明的运行数据和/或框架数据与以前查明的资源消耗量数据之间的相关性。

136、优选地，在数据模型中对相关性、例如系数进行储存，该相关性描述了用作输入参量的历史数据的变化对资源消耗量的影响程度的影响程度。

137、优选地，在创建和/或训练数据模型时考虑时间的上下文。这意味着，历史数据的时间进程和/或时间序列优选地被纳入数据模型中和/或被映射在数据模型中。尤其地，时间序列模型可以用于加工和/或考虑历史数据。

138、优选地，可以通过考虑历史数据的时间的上下文来预测资源消耗量数据的未来的时间发展。

139、在根据本发明的用于评估工艺设备的资源消耗量的方法中，优选地由根据本发明的用于提供数据模型的方法来提供数据模型或者是由根据本发明的用于提供数据模型的方法来提供数据模型的。

140、本发明还涉及一种工艺设备、尤其是处理设备、例如涂漆设备和/或干燥设备。

141、就此而言，本发明的目的是提供一种结构简单且可高效运行的工艺设备。

142、根据本发明，该目的通过针对工艺设备的独立权利要求得以实现。

143、工艺设备、尤其是处理设备、例如涂漆设备和/或干燥设备优选地包括控制装置，该控制装置被配置和构造为使得可以在工艺设备上和/或借助工艺设备来执行所描述的方法中的一者或多者。

144、工艺设备优选地还具有结合该方法所描述的特征和/或优点中的一者或多者。

145、在应用所描述的方法时，工艺设备的设备操作者优选地能够客观地评估其设备的资源消耗量、例如能量消耗量并进行优化。评估和优化的基础优选地是设备的测量数据和训练的运行方式，而不是设备操作者的主观经验。

146、设备操作者优选地通过所描述的方法了解资源消耗量的主要影响因素，并可以利用这些知识对资源消耗量进行优化。

147、优选地，其允许资源消耗量预告、例如能量消耗量预告，更好地规划能量需求，并在了解影响因素的情况下进行调整。

148、可以有益的是，这个方法或这些方法可以被传输至不同的工艺设备。尤其地，数据模型优选地可以从一个工艺设备被传输到相同或至少类似的工艺设备。在传输之后，优选地只需要通过再次或继续训练来对数据模型、尤其是数据模型参数进行精细校正。