DE29700028U1

DE29700028U1 - Selbstdiagnostizierendes Gerät mit Fuzzy-Neuro-Logik-Diagnoseeinrichtung

Info

Publication number: DE29700028U1
Application number: DE29700028U
Authority: DE
Original assignee: Siemens AG; Siemens Corp
Current assignee: Siemens AG; Siemens Corp
Priority date: 1997-01-02
Filing date: 1997-01-02
Publication date: 1997-03-20
Anticipated expiration: 2007-01-03

Description

GR 96 Q 5163

Beschreibung

Selbstdiagnostizierendes Gerät mit Fuzzy-Neuro-Logik-Diagnoseeinrichtung
5

Die Erfindung betrifft ein Gerät (insbesondere ein Gerät mit rotierenden Teilen, die durch eine Welle angetrieben werden), das über eine eigene Fehlerdiagnoseeinrichtung verfügt. Die Fehlerdiagnose erfolgt durch Bewertung von Betriebsgrößen mittels Fuzzy-Logik.

Schwingungsprobleme und mechanische Schäden an Geräten mit rotierenden Teilen, wie z.B. Großpumpen, lassen leistungsfähige Überwachungssysteme zur Früherkennuncj- mechanischer Veränderungen sinnvoll erscheinen. Zur Ermittlung der für die Diagnosezwecke erforderlichen Meßdaten eignen sich vorzugsweise

- die Drehzahl der die rotierenden Teile antreibenden Welle 20

- die aus dem Schwingungsweg der Welle, in zwei Richtungen jeweils um 90^a zueinander versetzt gemessenen, ableitbaren Kennwerte Betrag und Phase der ersten bis zur fünften harmonischen Schwingung, Betrag und Frequenz des Whirls, sowie die spektrale Restenergie

- die aus den Schwinggeschwindigkeiten am Gehäuse, gemessen in jeweils zwei um 90^a zueinander versetzte Richtungen, ableitbaren Kennwerte Betrag und Phase der ersten bis fünften harmonischen Schwingung, sowie die spektrale Restenergie.

Zur Diagnose von Fehlfunktionen eines rotierenden Gerätes ist es erforderlich, die ermittelten Meßdaten mit einer Kenngröße zu vergleichen. In dem DDR-Wirtschaftspatent DD 221 550 Al wird ein Ermittlungsverfahren zur Bestimmung der Diagnosekenngröße angegeben. Die Kenngröße wird dabei als nach einer

GR 96 G 5163

bestimmten Formel berechneter Mittelwert aller Signalanteile im breitbandigen Frequenzbereich normiert.

In neuerer Zeit wird es bevorzugt, Maschinenkennwerte mittels Fuzzy-Regeln zu bewerten. Dabei ist bekannt, daß ein Fuzzy-System in ein neuronales Netzwerk überführt und nach einem Lernvorgang zurück überführt wird. Durch diesen Lernvorgang werden die Parameter des Fuzzy-Systems an die Maschinenkennwerte angepaßt. Der Nachteil dieser Vorgehensweise besteht darin, daß der Fuzzy jeweils neu justiert werden muß, wenn sich die Kennwerte des Gerätes gemäß den Betriebsbedingungen ändern. Auch scheint eine Übertragung des Fuzzy-Systems der Diagnoseeinrichtung auf ändere typgleiche Geräte nicht möglich zu sein.

Aufgabe der Erfindung ist es, für ein solches Gerät eine auf Fuzzy-Logik basierende Diagnose- und Zustandsüberwachungseinrichtung bereitzustellen. Diese Aufgabe ist gelöst durch die Merkmale des Anspruchs &Ggr;. Bevorzugte Weiterbildungen sind in 0 den Unteransprüchen angegeben.

Insbesondere verfügt das Gerät erfindungscjemäß über Meßeinrichtungen, die z.B. an der Welle angebracht sind und deren Drehzahl und deren Schwingungsweg erfassen. Die durch die 5 Meßeinrichtung gewonnen Meßdaten werden zu Maschinendiagnose- und Maschinenüberwachungszwecken in ein online-betriebenes Diagnose- und Überwachunssystem überführt. Das Diagnose- und Überwachunssystem verfügt über ein Bewertungs- und Normierungssystem, auf der Basis von Fuzzy-Neuro-Logik. Die dem Fuzzy-System zugrundeliegenden Normalwerte des Gerätes werden dadurch erstellt, daß die Maschinenmeßwerte und das Fuzzy-System in ein neuronales Netz überführt werden. Dort werden Normalwerte für die Maschinenkennwerte gebildet und das Fuzzy-System einem Lernvorgang unterzogen. Im Anschluß an den Lernvorgang wird das Fuzzy-System mit den NormaJwerten zurück übertragen. Durch einen Vergleich zwischen den aktuellen Meßwerten und den Normalwerten erhält das Diagnosesystem Hin-

GR 96 G 5163

weise auf Abweichungen des Gerätes vom Normalzustand. Wird der Normalzustand des Gerätes etwa durch Geräteumbauten verändert, so erfolgt ein Lernprozeß durch ein neuronales Netz, durch den das Fuzzy-System an die neuen Normalzustandswerte angepaßt wird. Diese Anpassung wird dadurch erzielt, daß ein zweites Bewertungssystem von den ursprünglichen Normalwerten ausgehend untersucht, ob und in welcher Kombination diese vom nunmehrigen Normalzustand abweichen.

Das Fuzzy-Regelsystem kann dadurch optimiert werden, daß ein neuronales Netz die Fuzzy-Regeln des zweiten Bewertungssystems optimiert, indem es aus vorgegebenen Regeln diejenigen auswählt, die während des Gerätebetriebes zur Anwendung gelangt sind.

Eine noch größere Kontroll- und Überwachunssicherheit kann dadurch erreicht werden, daß zusätzlich zur Kontrolle der Welle die Schwingungsgeschwindigkeit des Gehäuses durch Meßaufnehmer ermittelt wird. Diese Meßdaten können dann in der Diagnoseeinrichtung mit Hilfe der Fuzzy-Regeln verarbeitet werden.

Ein Gerät mit rotierenden Teilen, das mit einem derartigen Fehlerdiagnosesystem ausgerüstet ist verfügt insbesondere über die folgenden Vorteile:

Es ist eine einfache und direkte Implementierung von Expertenwissen in unscharfen Regeln auf abstrakter Ebene in das Diagnosesystem möglich.
30

Das in das System implementierte Expertenwissen paßt sich durch selbständiges Lernen selbst an das konkrete Gerät an.

Das zur Diagnose benötigte Wissen wird in einer Regelbasis mittels Fuzzy-Logik bereitgestellt. Dabei werden die Regeln

GR 96 G 5163

in möglichst allgemeiner Form abgefaßt, damit das Wissen auf gleiche bzw. gleichartige Geräte übertragbar ist.

Damit sich die abstrakt gehaltene Regelbasis an das konkrete Gerät anpassen kann, wird ein selbstlernendes System auf Basis eines neuronalen Netzes verwendet. Dazu werden die Fuzzy-Logik-Regeln in eine geeignete Topographie eines neuronalen
Netzes überführt und mittels Trainingsmustern das betreffende Gerät angepaßt. Nach dem Lernvorgang im neuronalen Netr: wird eine Rücktransformation in eine Fuzzy-Logik-Regelbasis vorgenommen .

Das neuronale Netz dient ausschließlich der Anpassung der
allgemeinen Fuzzy-Logik-Regelbasen an das konkrete Gerät und ist kein direkter Bestandteil des Fuzzy-Logik-Systems.

Die Fehlerdiagnose mittels Fuzzy-Logik beinhaltet daher zwei Teilschritte:

- Im ersten Schritt wird das Normverhalten der meßtechnisch überwachten Gerätekomponente festgelegt. Dieses Normverhalten
ist stark abhängig von verschiedenen Betriebsparametern. Eine separate Regelbasis bildet: das Normverhalten ab.

Im zweiten Schritt werden in einer oder mehreren weiteren Regelbasen die Zusammenhänge zwischen den Eigenschaften
der Kennwerte und möglichen Fehlern definiert. Weil die
Abhängigkeiten von Betriebsparametern in der Normalzu-

0 standsregelbasis enthalten sind, können die Regeln in verallgemeinerter Form aufgestellt werden. Diese Regelbasen
schließen aus den Abweichungen der Kennwerte von ihrem
Normalverhalten auf mögliche Fehler.

Hierzu ist es erforderlich, daß das Diagnosesystem den Ma-

schinenzustand modelliert. Zur Beschreibung des Maschinenzustandes werden die Eigenschaften Größe, Varianz und Trend der

GR 96 G 5163

betrachteten Kennwerte verwendet. Die Eigenschaften Trend und Varianz der Kennwerte werden nicht als betriebsparameterabhängig behandelt und sind deshalb für jeden Kennwert nur einmal als Eingangsgröße vorhanden· Sie werden direkt in der Regelbasis zur Fehlerdiagnose verwendet.

Die Kenngröße Trend wird mittels mehreren Zugehörigkeitsfunktionen als linguistische Variable beschrieben. Sie wird durch eine Regressionsgerade gekennzeichnet, deren Steigung für das Bewertungssystem einen Hinweis auf sich anbahnende Veränderungen des Gerätezustandes darstellt. Hieraus kann eine Fehlermeldung resultieren, die als linguistische Variable ausgegeben werden kann und durch weitere Zugehörigkeitsfunktionen beschrieben werden kann. Diese Zugehörigkeitsfunktionen können den fuzzyfizierten Wert in ein possibilistisch.es Maß für das Auftreten eines Fehlers verwandeln.

Da selbst baugleiche Maschinen bei gleichen Betriebsbedingungen starke Unterschiede im Schwingungsverhalten aufweisen, ist es erforderlich, daß sich die allgemein aufgestellten Regelbasen an die konkreten Geräte anpassen. Hierzu werden alle möglichen Regeln zwischen den linguistischen Variablen aufgestellt und mit einem Gewicht versehen. Diese formale Fuzzy-Logik-Regelbasis wird in eine Netztopologie transformiert.

Durch einen mehrstufigen Lernprozeß mit entsprechenden Lerndaten werden die Regelschlußfolgerungen und die Regelgewichte angepaßt. Verfügt das neuronale Netz über ein Verfahren zur Eliminierung von unbenutzten Gewichten zwischen den Neuronen, so können die unbenutzten Regeln.entfernt werden. Damit entsteht nach der Rücktransformation ein Fuzzy-Logik-Regelsystem zur Beschreibung des Kennwertes in Abhängigkeit des Betriebsparameters .

Für die Anpassung des allgemeinen Diagnoseregelbasis an die 5 konkreten Verhältnisse einer Maschine ist ebenfalls eine Fuzzy-Neuro-Transformation einsetzbar. Prinzipiell ist bei Vorhandensein von gesichertem Datenmaterial für einzelne

GR 96 G 5163

Fehlerzustände eine automatisierte Justierung der Regelbasis möglich.

Im Folgenden wird ein Ausführungsbeispiel für eine Großpumpe angegeben, die mit einem Fehlerdiagnosesystem ausgestattet ist, dessen Funktion auf Fuzzy-Neuro-Logik basiert.

Dabei zeigen

FIG 1 den schematischen Aufbau der Diagnose mittels Fuzzy-Neuro-System;

FIG 2 die Zugehörigkeitsfunktionen der linguistischen Variable "Drehzahl";
15

FIG 3 die Zugehörigkeitsfunktionen der linguistischen Variable "Größe eines Kennwerts" am Ausgang;

FIG 4 die Zugehörigkeitsfunktionen für die linguistische Variable "Trend eines Kennwerts";

FIG 5 die Zugehörigkeitsfunktionen für die linguistische Variable "Varianz eines Kennwerts";

FIG 6 die Zugehörigkeitsfunktionen der linguistischen Variable "Zustand der Maschine";

FIG 7 die Zugehörigkeitsfunktionen der linguistischen Variable "Fehler N";
30

FIG 8 Beispiel für eine Fehlerdiagnose mit Fuzzy-Regeln;

FIG 9 Testdaten für Lernvorgang im neuronalen Netz;

FIG 10 mit neuronalem Netz modifizierte Fuzzy-Logik-Regelbasis;

GR 96 G 5163

FIG 11 mittels angepaßtem Fuzzy-System realisierte Modellierung der Parameterabhängigkeit nach Figur 9.

Bei dem Ausführungsbeispiel soll als Kenngröße ausschließlich die Arbeitsdrehzahl der Maschine betrachtet werden. Bei Maschinen mit veränderlicher Betriebsdrehzahl übt diese meist einen dominierenden Einfluß auf die Schwingungskenngrößen aus. Die Abhängigkeit der weiteren Kennwerte von Betriebsparametern ist zwar wahrscheinlich, soll aber zum Zweck einer einfacheren Darstellung weggelassen werden.

Die Welle der Großpumpe ist mit einem Drehzahlaufnehmer ausgerüstet, der seine Daten an das Diagnosesystem weitergibt. Der Aufbau des Diagnosesystems ist schematisch in Fi.gur 1 dargestellt.

Eine Möglichkeit zur Modellierung der Betriebsparameterabhängigkeit, hier der Drehzahl, wird im Folgenden dargestellt:

Der Bereich der Arbeitsdrehzahl der Maschine - z.B. 400 bis

2 000 Umdrehungen pro Minute - wird als linguistische Variable (LV) mit 12 Zugehörigkeitsfunktionen (ZF) aufgeteilt (Figur 2). Dazu wird der Drehzahlbereich in zehn Drehzahlgruppen eingeteilt. Diese sind:
25

"zu klein" - untere Grenze

"1" bis "10" - z.B. zehn Drehzahlgruppen "zu groß" - obere Grenze.

Der Eingangsbereich jeder linguistischen Variable "Kenngröße eines Kennwertes" am Eingang wird analog zur Drehzahl in einzelne und überlappende Zugehörigkeitsfunktionen aufgeteilt (Figur 2). Dabei überstreichen die Zugehörigkeitsfunktionen den gesamten Wertebereich gleichmäßig. Die Drehzahlgruppen erhalten demnach einen Kennwert bestimmter Größe:

GR 96 G 5163

"zu klein" - Meßwert unterhalb der Aufnehmerauflösung "B 01" bis "B 10" - z.B. zehn Kennwertgruppen "zu groß" - Meßwert über Meßbereichsende oder außerhalb physikalischer Sinnfälligkeit.
5

Die Eigenschaft "Größe jedes Kennwertes" am Ausgang wird formal mit einer linguistischen Variablen mit fünf Zugehörigkeitsfunktionen beschrieben (Figur 3). Es werden den Kennwerten also Zugehörigkeitsfunktionen zugeordnet, die diese qualitativ bewerten. Diese Zugehörigkeitsfunktionen sind bezeichnet mit

"zu klein" - kleiner als untere Grenze "klein" - Meßwert kleiner als der Normalbereich - "normal" - Meßwert im Normalbereich "groß" - Meßwert größer als der Normalbereich "zu groß" - größer als obere Grenze.

Mit diesen Voraussetzungen sind formal folgende Regeln zur Beschreibung der Abhängigkeit der Kennwerte von einem Betriebsparameter aufstellbar, wobei ein Kennwert jeweils einen Drehzahlbereich repräsentiert:

Rulel

5 OPTIONS

WEIGHT=IOO
IF (KennGrlE IS zu_klein) AND {Drehzahl IS eins) THEN

KennGrl = zu_klein
END
30

Rule2
OPTIONS

WEIGHT=IOO
IF {KennGrlE IS B_01) AND (Drehzahl IS eins) THEN 5 KennGrl = klein

END

GR 96 G 5163

Rule3 OPTIONS

WEIGHT=50

IF (KennGrlE IS B_01) AND (Drehzahl IS eins) THEN KennGrl = normal END

RuI e4 OPTIONS WEIGHT=IOO IF (KennGrlE IS B_02) AND (Drehzahl IS eins) THEN

KennGrl = normal END

Rule5 OPTIONS

WEIGHT=50 IF (KennGrlE IS B_03) AND (Drehzahl IS eins) THEN KennGrl = normal END

Rule6 OPTIONS WEIGHT=2 IF (KennGrlE IS B_04) AND (Drehzahl IS eins) THEN

KennGrl = gross END

Rule7 0 OPTIONS

WEIGHT=IO IF (KennGrlE IS B_04) AND (Drehzahl IS eins) THEN

KennGrl = groß END 35

GR 96 G 5163

R\ile8 OPTIONS

WEIGHT=20

IF (KennGrlE IS B_05) AND {Drehzahl IS eins) THEN KennGrl = groß END

Rule 9 OPTIONS WEIGHT=30 IF (KennGrlE IS B_06) AND (Drehzahl IS eins) THEN

KennGrl = groß END

RuIel0 OPTIONS

WEIGHT=40 IF (KennGrlE IS B_07) AND (Drehzahl IS eins) THEN KennGrl = groß 0 END

Rulell OPTIONS WEIGHT=50 5 IF (KennGrlE IS B_08) AND (Drehzahl IS eins) THEN

KennGrl = groß END

Rulel2 OPTIONS

WEIGHT=GO IF {KennGrlE IS B_09) AND (Drehzahl IS eins) THEN

KennGrl = groß END 35

GR 96 G 516:

• · * &igr;

Rulel3
OPTIONS

WEIGHT=7 0

IF (KennGrlE IS B_10) AND (Drehzahl IS eins) THEN KennGrl = groß
END

Rulel4
OPTIONS
WEIGHT=IOO

IF (KennGrlE IS zu_gross) AND (Drehzahl IS eins) THEN

KennGrl = zu_groß
END

Durch diese Regeln wird eine Zuordnung einer konkreten Eingangsgröße des Kennwertes zu einer linguistischen Variablen mit abstrakter Größenbezeichnung, z.B. "normal", durchgeführt (vergl. Rule4). Dabei dient das Regelgewicht dem gleitenden Übergang mehrere Eingangsbereiche zu einem Ausgangsbereich (vergl. Rule7 bis Rulel3). Ebenfalls über die Regelgewichte können Übergänge zwischen verschiedenen Eingangsbereichen auf verschiedene Ausgangsbereiche durchgeführt werden (vgl. Rule2 bis Rule6).

5 Die Abhängigkeiten von Betriebsparametern werden somit in den Regeln mit ihren Gewichten modelliert. Für jede Zugehörigkeitsfunktion jeder linguistischen Variable "Größe eines Kennwerts" am Eingang ist die Anzahl der aufzustellenden Regeln mindestens gleich der Zugehörigkeitsfunktion der linguistischen Variable "Drehzahl". Zur Beschreibung des Maschinenzustandes werden die Eigenschaften Größe, Varianz und Trend der betrachteten Kennwerte verwendet.

Die Eigenschaften Trend und Varianz der Kennwerte werden nicht als betriebsparameterabhängig behandelt und sind deshalb für jeden Kennwert nur einmal als Eingangsgröße vorhan-

GR 96 G 5163

den. Sie werden deshalb gemäß Figur 1 direkt in der Regelbasis zur Fehlerdiagnose verwendet.

Die Kenngröße Trend wird mittels fünf Zugehörigkeitsfunktionen als linguistische Variable beschrieben (Figur 4). Anstiege der Regressionsgeraden um ± 0 werden als Zugehörigkeitsfunktion "gleichbleibend" und damit als unauffällig gewertet. Anstiege bis ± 1 werden mit den Zugehörigkeitsfunktionen "steigend" bzw. "fallend" bewertet und können als Hinweise auf sich anbahnende Veränderungen gewertet werden. Anstiege über ± 1 sind als starke Veränderungen des Kennwertes zu interpretieren und werden mit den Zugehörigkeitsfunktionen "stark steigend" bzw. "stark fallend" bezeichnet.

Die Varianz eines Kennwertes (Figur 5) kann als normierter Wert zwischen null und eins betrachtet werden, wobei null keine Varianz und eins große Varianz bedeutet.

Der Zustand des Gerätes wird in fünf Zugehörigkeitsfunktionen aufgeteilt (Figur 6) und bezeichnet mit:

"keine Aussage" - Defaultbereich wenn keine Regel zutrifft "normal" - Normalbereich in Drehzahlgruppe N "auffällig" - ein oder mehrere Kennwerte haben ihren Normalbereich verlassen und befinden sich im Bereich "klein" oder "groß"

"außer Bereich" - ein oder mehrere Kennwerte haben ihren Normalbereich verlassen und befinden sich im Bereich "zu klein¹' oder "zu groß"

- "unzulässig oben" - Bereich wird zur Zeit nicht verwendet.

Die Beschreibung der linguistischen Variablen "Fehler N" für die betrachteten M Fehler (Figur 7) wird in einfacher Form durch zwei Zugehörigkeitsfunktionen "unwahrscheinlich" und "wahrscheinlich" beschrieben. Damit ist der defuzzyfizierte Wert als possibilistisches Maß für das Auftreten des Fehlers verwendbar.

GR 96 G 5163

13

Somit ist das Aufstellen von formalen Regeln zur Beschreibung des Maschinenzustandes und den betrachteten Einzelfehlern in folgender Weise möglich:

Rulel

IF {KennGrl IS gross) AND (KennGrl_Trend IS steigend) THEN

Fehlerl = wahrscheinlich END
10

Rule2

IF (KennGr2 IS klein) AND (KennGr2_Trend IS konstant) AND (KennGr2_Varianz IS konstant) THEN

Fehlerl = unwahrscheinlich END

Rule3

IF (KennGrl IS normal) AND {(KennGrl_Trend IS stark_steigend) OR {KennGrl_Trend IS stark_fallend)) THEN

Fehlerl = wahrscheinlich Fehler3 = wahrscheinlich END
25

Die konkrete Formulierung der Regelbasis geschieht im Entwicklungsprojekt des Systems (z.B. Figur 8). Während der Lern- und Testphase in einem Feldversuch wird die Regelbasis hinsichtlich der verwendeten Kennwerte und der aufgestellten Regeln modifiziert.

Die allgemein aufgestellten Regelbasen passen sich an das konkrete Gerät an. Dabei wird die Regelbasis für die Modellierung der Betriebsparameterabhängigkeit an dem Gerät mittels neuronalem Netz modifiziert. Hierzu werden formal alle möglichen Regeln zwischen den linguistischen Variablen "Größe eines Kennwertes" am Eingang der linguistischen Variable

5R 96 G 5163

"Drehzahl" und der linguistischen Variable "Größe eines Kennwertes" am Ausgang aufgestellt und mit dem Gewicht 100 versehen (vergl. die nachfolgende RuIeXX).

RuIeXX
OPTIONS

WEIGHT=IOO
IF (KennGRlE IS &ldquor;ZFE") AND {Drehzahl IS &ldquor;ZFD") THEN KennGrl = normal.
END

mit

&ldquor;ZFE" = &ldquor;zu_klein", &ldquor;B_01",.., &ldquor;B_10", &ldquor;zu_gross" &ldquor;ZFD" = &ldquor;zu_klein", &ldquor;eins",.,, &ldquor;zehn", &ldquor;zu_gross"

Diese formale Fuzzy-Logik-Regelbasis wird in eine Netztopographie transformiert. Durch einen mehrstufigen Lernprozeß mit entsprechenden Lerndaten (z.B. Figur 9) werden die Regel-Schlußfolgerungen und die Regelgewichte angepaßt {Figur 10).

Da das neuronale Netz über ein Verfahren zur Eliminierung von unbenutzten Gewichten zwischen den Neuronen verfügt, können die unbenutzten Regeln (Gewicht = 0) entfernt werden.

Damit entsteht nach der Rücktransformation ein Fuzzy-Logik-Regelsystem zur Beschreibung des Kennwertes in Abhängigkeit des BetriebLparameters (Figur 11).

Für die Anpassung der allgemeinen Diagnoseregelbasis an die konkreten Verhältnisse eines Gerätes wird ebenfalls eine Fuzzy-Neuro-Transformation eingesetzt. Prinzipiell ist bei Vorhandensein von gesichertem Datenmaterial für einzelne Fehlerzustände, z.B. aus' Simulationsrechnungen oder Versuchen, eine automatisierte Justierung der Regelbasis denkbar (Figur 8) .

Claims

GR 96 G 5163 15 Schut zansprüche

1. Gerät mit einer elektronischen Auswerteeinrichtung, in die eine Fuzzy-Logik zur Bewertung von Betriebsgrößen des Geräts implantiert ist,

gekennzeichnet durch am Gerät angeordneten Meßeinrichtungen zur Bildung von Meßwerten, einen Online-Anschluß der Meßeinrichtungen an die elektronische Auswerteeinrichtung, ein erstes in die elektronische Auswerteeinrichtung implantiertes System zur Normierung der Meßwerte, ein zweites in die elektronische Auswerteeinrichtung implantiertes System, das als Betriebsgrößen des Geräts die normierten Meßwerte nach einem das Gerät nachbildenden System von Fuzzy-Regeln auswertet, und eine vom zweiten implantierten System gespeiste Ausgabeeinheit zur Ausgabe von Diagnose- und Fehler er kennungs s igna1en.

2. Gerät mit Auswerteeinrichtung nach Anspruch 1, dadurch gekennzeichnet, daß das erste 0 implantierte System Fuzzy-Regeln, die das Normalverhalten des Geräts modellieren, enthält.

3. Gerät mit Auswerteeinrichtung nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß die Fuzzy-Regeln des zweiten Systems die Abweichung der aktuellen Meßwerte von den Normalwerten bewerten.

4. Gerät mit Auswerteeinrichtung nach Anspruch 2 oder 3, gekennzeichnet durch ein in die Auswer-0 teeinrichtung implantiertes neuronales Netz, dessen Topologie den Fuzzy-Regeln entspricht und das erste und/oder zweite System einem Lernvorgang unterzieht.

GR 9&zgr; G 5163

5. Gerät mit Auswerteeinrichtung nach einem der Ansprüche 1 bis A,

dadurch gekennzeichnet, daß das Gerät rotierende Teile enthält und die Meßeinrichtungen mindestens Kenndaten aus dem Schwingungsspektrum der rotierenden Teile erfassen.

6. Gerät mit Auswerteeinrichtung nach Anspruch 1, dadurch gekennzeichnet, daß das Gerät eine Großpurupe ist.