Die Erfindung betrifft ein Verfahren zum Betreiben einer Messstelie zum Bestimmen mindestens einer Messgröße eines Mediums, wobei die Messstelle eine Basiseinheit umfasst, die lösbar mit einer Sensoreinheit verbunden ist, und dse zur Kommunikation eines den Wert der Messgrόße repräsentierenden Signals an eine Prozessüberwachungsanlage vorgesehen ist.

Derartige Messstellen sind beispielsweise pH-Messstellen oder andere Messstellen der Analysemesstechnik. Hierzu gehören insbesondere wettere potentiometπsche, amperometπsche, coulometπsche, colorimetnsche, photometrische, turbidimetnsche und spektrometrische Einheiten.

Das der Erfindung zugrunde liegende Problem soli anhand eines Beispiels von pH-Messsteilen erläutert werden, ohne dass jedoch die Erfindung auf ein Verfahren zum Betreiben von pH- Messstelien beschränkt sein soli.

Eine Sensoreinheit umfasst mindestens einen Wandler, der ein vom Wert der Messgroße abhängiges elektrisches Signal ausgibt. Häufig ist die LJbertragungsfunktion des Wandlers veränderlich Dies gilt in besonderem Maße für pH-Sensoren. Deshalb müssen pH-Sensoren bzw pH-Elektroden zu geeigneten Zeitpunkten gewartet, insbesondere neu kalibriert, werden. Die Länge der Zeitintervalle zwischen den Wartungsmaßnahmen bzw die Kalibrienntervaile hängen stark von den Umgebungseinflüssen ab, denen der Sensor wahrend seiner Lebenszeit ausgesetzt ist Auch die Gesamtlebensdauer des Sensors wird stark von diesen Umgebungsbedingungen beeinflusst.

Der Begriff der Kalibrierung wird in der pH-Messung häufig anders gebraucht, als allgemein üblich Aligemein versteht man unter der Kalibrierung die Überprüfung der Anzeige eines Messgerätes mit einem Standard; die Abweichung zwischen wahrem Wert und Anzeigewert wird festgestellt. Das Angleichen des Anzeigewertes an den wahren Wert wird als Justieren bezeichnet. Die Kalibrierung beim pH-Sensor stellt strenggenommen eine Justierung dar. Da der Begriff Kalibrierung in der Elektrochemie weit verbreitet ist, wird der auch hier verwendet

in den Richtlinien VDI/VDE 2650 und NAMUR NE107 wird in jüngster Zeit auf zukünftige Marktentwicklungen auf dem Gebiet der Sensordiagnose verstärkt hingewiesen.

Aus dem Stand der Technik sind Ansätze bekannt, Sensoren mit intelligenter Selbstdiagnose auszustatten So gibt es erste Veröffentlichungen in Bezug auf die Analyse einzelner

Sensorkenndaten zur Ermittlung des Zeitraums bis zum Eintreten eines erklärten Sensorzustandes in der Zukunft, z.B. des Endes der Sensorlebenzeit oder eines Zeitpunkts, zu dem eine neue Kalibrierung notwendig ist Beispielhaft seien DE 10141408, JP 05-209858, JP 2002-228495, DE 10 2004 012420 und DE 10239610 genannt

Die in den genannten Veröffentlichungen beschriebenen Methoden beruhen auf der Annahme, dass sich das Verhalten esnes Sensors in einem Medium mit im Wesentlichen bekannten Inhaltsstoffen und bei bekannten Umgebungsbedingungen über ein Modell ausreichend gut beschreiben lasst Tatsachlich sind die Zusammenhange jedoch um ein Vielfaches komplexer, so dass eine Abbildung der Vorgange, die die Ubertragungsfunktion eines Sensors, insbesondere einer pH-Elektrode beeinflussen über ein Modell nicht oder allenfalls mit großem Aufwand möglich ist

Als Eiπstabmessketten ausgestaltete pH-Glaselektroden unterliegen einem Verschleiß, der zu einem großen Teil von dem pH-Wert und der Temperatur der Umgebung abhangt Neben der Glasmembran ist auch die Referenzhalbzelle einer Glaselektrode stark beansprucht Wahrend an der Glasmembran unter Medienemfluss esne allmähliche Zersetzung stattfindet und dadurch die Wahrscheinlichkeit für einen Sensorausfail zunimmt können Diaphragmaveranderungen, Vergiftung und Zersetzung des Referenzelektrolyts der Referenzhalbzelle die Funktionalität des Sensors beeinträchtigen

Aufgrund der Vielzahl der Parameter, die die Lebensdauer eines Sensors, die auch als Standzeit des Sensors bezeichnet wird, bestimmen ist eine Vorhersage der Lebensdauer schwierig zumal auch eine erhebliche Streuung von Sensorexemplar zu Sensorexemplar gleichen Typs auftritt

Es ist daher die Aufgabe der vorliegenden Erfindung, ein Verfahren zum Betreiben einer MesssteNe anzugeben, welches den zuvor geschilderten Anforderungen gerecht wird und das es insbesondere erlaubt, mit geringem Aufwand eine verlassliche Aussage über den Zeitraum bis zum Erreichen eines definierten Sensorzustands in der Zukunft zu treffen

Diese Aufgabe wird gelost durch ein Verfahren zum Betreiben einer Messstelle zum Bestimmen mindestens einer Messgroße eines Mediums, wobei die Messstelle eine Basiseinheit umfasst die losbar mit einer Sensoreinheit verbunden ist und die zur Kommunikation eines den Wert der Messgroße repräsentierenden Signals an eine Prozessuberwachungsanlage vorgesehen ist, umfassend mindestens die Schritte

(a) Mindestens einmaliges Erfassen und Speichern eines in der Sensoreinheit gespeicherten oder von der Sensoreinheit erzeugten Wertes eines Diagnoseparameters in einer ersten

Datenspeichereinheit der Basiseinheit (b) Anhand des mindestens einen in der ersten Datenspeichereinheit gespeicherten Wertes des

Diagnoseparameters Anpassen eines in einer zweiten Datenspeichereinheit der Basiseinheit gespeicherten Prognosewertes oder Prognoseintervalls und Hinterlegen des angepassten

Prognose wertes oder Prognoseintervalls in der zweiten Datenspeichereinheit der Basiseinheit anstelle des bisher hinterlegten Prognosewerts oder Prognoseintervalis.

Die Sensoreinheit umfasst mindestens einen Primärsensor und einen Sensorkopf, wobei das Medium auf den Primärsensor einwirkt, welcher einen Wandler mit einem Signalausgang umfasst, welcher ein von dem Wert der Messgröße abhängiges elektrisches Signal ausgibt, wobei der Wandler eine veränderliche Übertragungsfunktion aufweist. Im Sensorkopf kann eine Schaltung zur Aufbereitung der Wandlersigπale integriert sein, welche einen A/D-Wandler und einen zweiten Mikroprozessor zur Verarbeitung der digitalisierten Signale aufweist. Ein in der Sensoreiπheit erzeugtes Signa! kann daher beispielsweise das von der Messgröße abhängige elektrische Wandlersigna], oder ein aufbereitetes, insbesondere digitalisiertes Wandlersignal sein.

Weiterhin kann der Sensorkopf einen Datenspeicher beinhalten, in dem sensorspezifische Werte eines oder mehrerer Diagnoseparameter abgespeichert sind. Solche Diagnoseparameter können beispielsweise Kalibrierdaten der letzten Kalibrierung, wie beispielsweise bei einem pH-Sensor Nullpunkt und Steilheit, oder Belastungsdaten der Sensoreinheit sein, die auf die in DE 10 2004 012 420 B4 beschriebene oder eine ähnliche Weise ermittelt und abgespeichert wurden.

Ein Wert eines derartigen Diagnoseparameters wird von der Sensoreinheit an die Basiseinheit übertragen und in einer Speichereinheit der Basiseinheit abgelegt. Es ist möglich, genau einen Wert zu übertragen, gleichermaßen kann jedoch auch eine Folge von Werten übertragen und abgelegt werden. Dabei können alle Werte der Folge oder auch nur jeweils der aktuellste Wert gespeichert werden. Wird eine zeitliche Abfolge von mehrfach nacheinander erfassten Werten eines Diagnoseparameters abgespeichert, können zu den Werten auch die Zeitpunkte, zu denen sie erfasst wurden oder zumindest eine Kennung, anhand derer die korrekte zeitliche Abfolge der Werte ermittelbar ist, abgelegt werden. In einer weiteren Speichereinheit der Basiseinheit ist ein Prognosewert oder ein Prognoseintervail abgelegt. Beispielsweise kann der Prognosewert einen Gesamtbelastungsvorrat der Sensoreinheit, d.h. eine mit der Sensorbelastung gewichtete Gesamtlebensdauer der Sensoreinheit, oder auch ein verbleibendes ZeitintervaH bis zur nächsten fälligen Kalibrierung angeben. Der Prognosewert kann auch einen zu einem bestimmten Zeitpunkt erwarteten Wert eines Kalibrierparameters angeben, zum Beispiel einen zu einem bestimmten Kalibrierzeitpυnkt - beispielsweise bei der n-ten Kalibrierung - erwarteten Nullpunkts- oder Steilheitswert, oder eine erwartete Veränderung von Nullpunkt oder Steilheit zwischen zwei aufeinander folgenden Kalibrierungen. Durch das Anpassen des Prognosewerts oder des Prognosemtervalis anhand des neu abgespeicherten Werts des Diagnoseparameters und das Hinterlegen des so ermittelten angepassten Prognosewerts oder PrognoseintervaIJs im Datenspeicher der Basiseinheit wird ein starker belastbarer Prognosewert bzw Prognoseintervall zur Verfugung gestellt, der bzw das nach

Austausch der aktuellen Sensoreinheit nachfolgenden Sensoreinheiten zur Verfugung steht Die

Messstelle kann also über die Lebensdauer mehrerer Sensoreinheiten hinweg ihre

Diagnosefunktionen immer besser an die konkreten Umgebungsanforderungen anpassen und gleichzeitig statistisch auch Schwankungen zwischen den einzelnen Sensorexemplaren berücksichtigen

Das beschriebene Verfahren kann zusätzliche Schritte zu den Schritten (a) und (b) aufweisen Jedoch werden zu einem Zeitpunkt wahrend des Betriebs der Messstelle mindestens einmal die Schritte (a) und (b) durchgeführt

In einem zusatzlichen Schritt (c) kann der in Schritt (a) erfasste und in der ersten Datenspeichereinheit der Basiseinheit gespeicherte Wert des von der Sensoreinheit erzeugten Wertes eines Diagnoseparameters mit dem in der Bassseinheit hinterlegten Prognosewert oder Prognose Intervall verglichen werden Dieser Schritt kann beispielsweise durchgeführt werden, bevor der Prognosewert anhand des ermittelten Werts des Diagnoseparameters angepasst wird

Ein Vergleich des erfassten Werts des Diagnoseparameters mit dem hinterlegten Prognosewert bzw dem Prognoseintervall kann beispielsweise für den Fall, dass der Prognosewert einen erwarteten Kalibπerparameterwert oder eine erwartete Änderung eines Kalibπerparameterwerts betrifft, einen Hinweis darauf geben, ob die Sensoreinheit noch korrekt arbeitet oder möglicherweise bereits geschädigt ist Betrifft der Diagnoseparameterwert der Sensoreinheit, beispielsweise die aktuelle Sensorbelastung in Form einer gewichteten Belastungszeit, die beispielsweise durch Addieren von Belastungsaquivalenten über die bisherige Betriebsdauer der Sensoreinheit ermittelt worden sein kann, so kann ein Vergleich mit einem hinterlegten Prognosewert, der einen Gesamtbelastungsvorrat der Sensoresnheit angibt, einen Hinweis auf die verbleibende Lebensdauer des Sensors geben

Vorteilhafterweise wird in einem weiteren Schritt die Sensoreinheit durch eine zeitlich nachfolgende Sensoreinheit gleichen Typs ersetzt und nach Ersetzen der Sensoreinheit durch die nachfolgende Sensoreinheit gleichen Typs die Schritte (a) und (b) oder (a) bis (c) mindestens einmal wiederholt Dieses Verfahren stellt, wie bereits erwähnt, einen Lernvorgang zur Verfügung, bei dem über die Lebensdauer von mehreren Sensoreinheiten hinweg ein nach und nach stärker belastbarer Wert für eine Prognose bzw. ein Prognoseinterval! erhalten wird. Gleichzeitig erlaubt ein Vergleich der jeweils neu erfassten Werte mindestens eines Diagnoseparameters mit dem hinterlegten Prognosewert bzw. Prognoseintervall, je nach Art des hinterlegten Prognosewerts bzw. Prognoseintervalls eine Aussage über den aktuellen Zustand der aktuell mit der Basiseinheit verbundenen Sensoreinheit zu machen bzw. eine Reststandzeit der Sensoreinheit abzuschätzen.

Wegen der weiter oben bereits angesprochenen Abhängigkeit der für die Sensoreinheit charakteristischen Diagnoseparameter von den Umgebungsbedingungen und damit von der Messsteile, ist es vorteilhaft, den Lernvorgang in einer Datenverarbeitungseinheit der Basiseinheit zu integrieren.

In einer vorteilhaften Ausgestaltung des Verfahrens erfolgt die Anpassung des Prognosewerts oder des Prognoseintervails mittels eines Lernalgorithmus. Der Lernalgorithmus umfasst dabei insbesondere einen Schritt der Mittelwertbildung, der gleitenden gewichteten Mittelwertbilduπg, der exponentiellen Giättung 1 , und 2. Art, der linearen Regression der Anpassung eines Polynoms oder anderer nicht-linearer Funktionen oder dergleichen.

In einer Ausgestaltung des Verfahrens wird der Basiseinheit zur Ermittlung des Prognosewerts eine zusätzliche Information zur Verfügung gestellt. Diese zusätzliche Information kann zum Beispiel in einer Gewichtung des aktuellen Diagnoseparameterwerts bestehen. Dies kommt zum Beispiel in Frage, wenn eine Sensoreinheit während einer Wartungsmaßnahme beschädigt wurde und deshalb der von ihr erzeugte Wert des Diagnoseparameters verfälscht wird und entsprechend nicht oder nur mit geringem Gewicht im Lernalgorithmus berücksichtigt werden soll. Ein anderes Beispiel für eine zusätzliche Information ist im Falle eines Defekts der Sensoreinheit die Eingabe der tatsächlichen Lebensdauer der Sensoreinheit, zum Beispiel durch eine Bedienperson.

In einer Ausgestaltung des Verfahrens umfasst die erste Datenspeichereinheit eine Speichereinheit mit einer Vielzahl von Speicherzeilen, zum Beispiel eine Datenbankmatrix, wobei der Wert des

Diagnoseparameters zusammen mit einer Kennung der zugehörigen Sensoreinheit, beispielsweise der Seriennummer der zugehörigen Sensoreinheit, in einer Speicherzeile hinterlegt wird. Dies ist vorteilhaft, wenn die Sensoreinheit von Zeit zu Zeit - zum Beispiel zur Durchführung von

Wartungsmaßnahmen - von der Messsteile entfernt wird und in der Zwischenzeit eine andere Sensoreänheit an der Messstelie verwendet wird. Wenn die erste Sensoreänheit nach Abschluss der

Wartung wieder an die Messstelle angeschlossen wird, kann die ursprüngliche Speicherzelle, die anhand der Kennung der Sensoreinheit eindeutig zugeordnet werden kann, weiter mit Werten des Diagnoseparameters beschrieben werden Wenn mehrere in der Sensoreinheit gespeicherte oder erzeugte Werte des Diagnoseparameters erfasst und gespeichert werden, beispielsweise in einer Zeile einer Datenbankmatπx, kann die gesamte Zeile der Datenbankmatrix mit der Kennung der Sensoreinheit markiert werden Wird die Sensoreinheit zwischenzeitlich entfernt und später wieder an die Basiseinheit angeschlossen, kann anhand der Kennung die ursprüngliche Zeile mit den zuvor gespeicherten Werten der Sensoreinheit wiedergefunden und mit dem neuen Wert weitergeschπeben werden

In einer spezieilen Ausgestaltung des Verfahrens wird als Diagnoseparameter ein auf die Sensorbelastung bezogener Parameter, beispielsweise eine gewichtete Belaεtungszeit der Sensoreinheit, erfasst, und als Prognosewert oder Prognoseintervall ein Parameter ermittelt und hinterlegt, der mit der gesamten Sensorbelastung, mit der die Sensoreinheit beaufschlagt werden kann bevor sie ausgetauscht werden muss, korreliert, wie zum Beispiel der Gesamtbelastungsvorrat oder ein Konfidenzintervall, weiches den Gesamtbelastungsvorrat umgibt,

In einer Weiterbildung dieser Ausgestaltung werden laufend aktuelle Werte des auf die Sensorbelastung bezogenen Parameters der Sensoreinheit erfasst und in der Datenspeichereinheit der Basiseinheit hinterlegt Wenn die Sensoreinheit wegen eines Defekts ausgetauscht werden muss, wird diese Information {„Sensor defekt') der Basiseinheit als zusätzliche Information zur Verfügung gestellt Der zu diesem Zeitpunkt in der Datenspeichereinheit des Sensors gespeicherte Wert des auf die Seπsorbelastung bezogenen Parameters wird als Lernwert für die Messsteile verwendet, d.h. dieser zuletzt gespeicherte Wert dient zur Anpassung des hinterlegten Prognosewerts oder Prognoseintervails.

Wahrend des laufenden Erfassens der aktuellen Werte des auf die Sensorbeiastung bezogenen Parameters der Sensoreinheit können die aktuell erfassten Werte mit dem hinterlegten Prognosewert oder Prognoseintervall verglichen werden. Ergibt der Vergleich, dass der zuletzt erfasste Wert den Prognosewert erreicht oder überschritten hat oder dass eine untere Intervallgrenze des Prognoseintervalls überschritten ist, kann eine Meldung in Form einer Warnung oder eines Alarms generiert werden

in einer anderen weiter oben bereits angedeuteten speziellen Ausgestaltung des Verfahrens wird als Diagnoseparameter ein Parameter der Sensoreinheit, insbesondere ein Kalibrierparameter, wiederholt erfasst und die einzelnen wiederholt erfassten Werte in einzelnen Zellen einer Datenspeichereinheit der Basiseinheit, beispielsweise in einer Zeile einer Datenbankmatrix gemeinsam mit den Erfassungszeitpunkten oder einem dazu äquivalenten Parameter, und einer Kennung der zugehörigen Sensoreinheit, beispielsweise der Seriennummer der Sensoresnheit, hinteriegt. Dabei wird als Prognosewert jeweils ein Wert für den Parameter der Sensoreinhteit, insbesondere der Kalibrierparameter, ermittelt, beispielsweise durch Mittelwertbildung oder Extrapolation, und im Datenspeicher der Basiseinheit hinterlegt. Die Datenspeichereinheit kann zu diesem Zweck als Datenbankmatrix ausgelegt sein, in deren Zeilen jeweils zeitlich aufeinander folgende Werte eines Kalibrierparameters gespeichert werden können, wobei die Spalten der Datenbankmatrix einem Erfassungszeitpunkt des Kalibrierparameters oder einem dazu äquivalenten Parameter zugeordnet sind.

In diesem Fall liegt also nicht nur ein Prognosewert vor, sondern eine Mehrzahl von Prognoseparametern. Beispielsweise können, wie weiter unten ausführlicher dargestellt, bei jeder Neukalibrierung der Sensoreinheit die ermittelten Werte der Kalibrierparameter Nullpunkt und Steilheit oder die Änderung von Nullpunkt und Steilheit seit der vorhergehenden Kalibrierung ermittelt und in einem eigenen Speicherplatz des Datenspeichers der Basiseinheit zusammen mit einer laufenden Nummer der Neukalibrierung abgelegt werden. Mit diesen Daten können einzelne Prognosewerte für die Kalibrierparameter oder die Änderungen der Kalibrierparameter für Jede Neukalibrierung - also für die erste, die zweite, die dritte usw. Kalibrierung einer - Sensoreinheit desselben Typs ermittelt, hinterlegt, mittels neu hinzukommender Werte weiterer Sensoreinheiten gleichen Typs angepasst und die angepassten Prognosewerte neu hinterlegt werden.

In einer weiteren speziellen Ausgestaltung kann aus wiederholt erfassten Werten des Diagnoseparameters, beispielsweise aus wiederholt erfassten Werten eines Parameters der Sensoreinheit, insbesondere eines Kalibrierparameters, als Prognosewert eine Gesamtlebensdauer bzw. eine Sensor-Reststandzeit für Sensoreinheiten desselben Typs ermittelt werden, indem die Anpassung des Prognosewerts durch Ermitteln eines Trends, insbesondere einer linearen Funktion für die zeitliche Entwicklung des Diagnoseparameters erfolgt.

Eine entsprechende Messstelle zur Durchführung des beschriebenen Verfahrens umfasst eine

Basiseinheit, die lösbar mit einer Sensoreinheit verbunden ist, und die zur Kommunikation eines den

Wert der Messgröße repräsentierenden Signals an eine Prozessüberwachungsanlage vorgesehen ist, wobei die Basiseinheit weiterhin umfasst: einen Mikroprozessor zur Aufbereitung von Daten, die von der Sensoreinheit empfangen werden, zur Kommunikation an die Prozessüberwachungsanlage eine erste Datenspeichereinheit, die dazu ausgelegt ist, in der Sensoreinheit gespeicherten oder von der Sensoreinheit erzeugten Werts eines Diagnoseparameters zu erfassen und abzuspeichern, eine zweite Datenspeichereinheit, die dazu ausgelegt ist, einen Prognosewert oder ein

Prognoseintervaf! zu hinterlegen, eine Programmspeicheremheit, in der ein Algorithmus, insbesondere ein Lernalgoπthmus hinterlegt ist, der zur Anpassung des in der zweiten Datenspeichereinhett hinterlegten Prognosewerts oder Prognoseintervalls anhand des zuletzt in der ersten Datenspeichereinheit erfassten Wertes des Diagnoseparameters und zur Hinterlegung des angepassten Prognosewerts oder des Prognoseintervalls in der zweiten Datenspeichereinheit dient

In einer Ausgestaltung verfugt die Basiseinheit weiterhin über eine zweite Programmspeichereinheit in der ein Vergleichsalgoπthmus hinterlegt ist der zum Vergleich des zuletzt in der ersten Datenspeichereinheit erfassten Wertes des Diagnoseparameters mit dem in der zweiten Datenspeichereinheit hinterlegten Prognosewert oder Prognoseintervall dient

Die Erfindung wird nun anhand der in der Zeichnung dargestellten AusfuhrungsbesspieJe naher erläutert Es zeigt

Fig 1 eine schematische Darstellung einer Messstelle gemäß, einem ersten

Ausfuhmngsbeispiei der Erfindung,

Fig 2 ein Diagramm zur Illustration der Ermittlung eines Prognosewerts aus gespeicherten

Werten eines Diagnoseparameters für verschiedene Sensoreinheiten am Beispiel des Gesamtbelastungsvorrats

Fig 3 eine schematssche Darstellung einer Messsteile gemäß einem zweiten

Ausfuhmngsbeispiei der Erfindung,

Fig 4 eine Darstellung von Werten für die Verschiebung des Nullpunkts für eine Reihe von

Sensoreinheiten bei drei Kalibrierzeitpunkten und der daraus ermittelten aktuellen Prognosewerte,

Fig 5 eine Darstellung einer Folge von Nullpunkt-Werten für drei verschiedene Sensoren und der daraus ermittelten Prognose für den Nulipunkttrend zur Ermittlung eines zukunftigen Sensorzustands

In Fig 1 ist schematisch eine Messstelle 101 dargestellt, die dazu ausgestaltet ist, über die

Lebenszeit mehrerer Sensoreinheiten einen Prognosewert für einen Diagnoseparameter a für eine Sensoreinheit zu erlernen Der Diagnoseparameter a kann beispielsweise der

Gesamtbelastungsvorrat, die Gesamtbetriebszeit, Betπebszeiten unter bestimmten Bedingungen, Zahlerstande, z B zur Zahlung von „cleaning in process (CIP)"-Schrιtten, „steπlization in process (SIP)"-Sch ritten, Autoklavierungsschπtte, oder dergleichen sein

Die Messstelie 101 umfasst eine Sensoreinheit 2 j und eine Basiseinheit 3 Bei der Sensoreinheit 2 j handelt es sich im Ausfuhrungsbeispie! um einen pH-Sensor, der einen Pπmarsensor 21 in Form einer Einstabmesskette und einen Sensorkopf 22 aufweist, wobei der Sensorkopf 22 fest mit der Einstabmesskette 21 verbunden ist Die Einstabmesskette 21 gibt an ihrem Signalausgartg eine Potentiaidifferenz zwischen einem Referenzpotentia! und einem pH-Wert-abhangigen Potential aus, die mit dem aktuellen Wert des Mediums korreliert ist Der Signalausgang der Einstabmesskette 21 wird einer Schaltung zur Aufbereitung der Signale der Einstabmesskette 21 im Sensorkopf zugeführt, wobei die Schaltung einen A/D-Wandler und einen Mikroprozessor zur Verarbeitung der digitalisierten Signafe aufweist Von der Einstabmesskette 21 kann weiterhin ein Temperatursignal ausgegeben werden Der Sensorkopf 22 enthalt einen Datenspeicher 4, in dem sensorspezifische Daten gespeichert sind, beispielsweise Kalibnerdateπ und deren Historie oder Daten zur Belastungshistorie Weiterhin enthalt der Sensorkopf auch einen Programmspeicher 24 welcher Grundfunktionalitaten zum Betrieb der Sensoreinheit enthalt

Weiterhin enthalt der Sensorkopf eine vorzugsweise induktiv koppelnde Schnittstelle 31 , über welche die Energieversorgung der Sensoreinheit 2 j durch die Basiseinheit 3 und der Datenaustausch zwischen der Sensoreinheit 2 j und der Basiseinheit 3 erfolgt

Die Basiseinheit 3 umfasst einen Mikroprozessor zur Aufbereitung von Daten, die von der Sensoreinheit empfangen werden, um diese dann gegebenenfalls über einen Feldbus an einen Zentralrechner der Prozessuberwachungεanlage zu übertragen (nicht in der Fig 1 gezeigt) Die Basiseinheit 3 weist weiterhin einen Datenspeicher 7, in dem ein in der Sensoreinheit 2, genauer im Sensorsteckkopf 22 erzeugte oder im Datenspeicher 4 des Sensorsteckkopfs 22 gespeicherte diagnoserelevanten Parameter, sog Diagnoseparameter as _Nj abgelegt werden kann Der Diagnoseparameter as _Nä wird über die Schnittstelle 31 von der Sensoreinheit 2 j an die Basiseinheit 3 übertragen und im Datenspeicher 7 der Basfseinheit 3 gespeichert im Beispiel der Fig 1 umfasst der Datenspeicher 7 eine einzeitige Datenbankmatrix 5, in der der Diagnoseparameter as _N| zusammen mit weiteren informationen, wie beispielsweise der Seriennummer der Sensoreinheit 2 j, von der ein Diagnoseparameter asr^ übertragen wurde, abgelegt werden können Der Diagnoseparameter a _SNj wird über die Lebensdauer mehrerer Sensoreinheiten hinweg abgespeichert

Die Basiseinheit umfasst weiterhin einen Programmspeicher, der ein Softwaremodul umfasst, welches einen Lernalgorithmus beinhaltet Dieser Lernalgoπthmus umfasst eine Funktionalität, mit der aus einigen oder allen in der Datenbankmatrix 5 abgelegten Werten ein Prognosewert ermittelt und im Datenspeicher 8 der Basiseinheit 3 hinterlegt werden kann. Weiterhin kann der Lernalgorithmus auch eine Funktion umfassen, mit der ein Grenzwertfenster um den ermittelten Prognosewert herum gebildet werden kann. Dieses Grenzwertfenster kann als Prognoseintervall ebenfalls im Datenspeicher 8 hinterlegt werden.

Weiterhin umfasst der Programmspeicher 9 der Basiseinheit 3 ein Softwaremodul, welches einen Vergleichsalgorithmus beinhaltet. Dieser Vergleichsalgorithmus ist dazu ausgebildet, neu erfasste Werte des Diagnoseparameters as _Nj . der beispielsweise aus dem Datenspeicher einer neu an die Basiseinheit 3 angeschlossenen Sensoreinheit erfasst wird, mit dem Prognosewert oder mit dem durch das Grenzwertfenster um den Prognosewert gebildeten Prognoseintervall zu vergleichen. Stellt der Vergleichsalgorithmus eine Abweichung des neu ermittelten Diagnoseparameters a _S Nj von dem im Datenspeicher 8 hinterlegten Prognosewert bzw. von dem Prognoseintervail fest, kann er die Ausgabe einer Meldung, beispielsweise einer Warnung über das Display 11 veranlassen.

im Folgenden soll ein Verfahren zum Betreiben der in Fig. 1 dargestellten Messstelle 101 genauer beschrieben werden.

Die ersten n an die Basiseinheit 1 angeschlossenen Sensoreinheiten 2.1 2,n können als „Trainingseinheiten" verwendet werden. Da der durch den Lernalgorithmus in diesem frühen Stadium der Messstelle 101 ermittelte Prognosewert noch auf zu wenigen Grunddaten basiert, ist dieser Wert nur bedingt belastbar und sollten daher nur unter Vorbehalt für die Sensordiagnose oder für eine Reststandzeitvorhersage verwendet werden. Beginnend mit der n+1-ten Sensoreinheit 2.n+1 des gleichen Sensortyps werden über Vergleichsalgorithmen bzw. Lernalgorithmen zuverlässigere Diagnoseaussagen bzw. neue, angepasste Prognosewerte erhalten.

Nach Anschließen einer Sensoreinheit 2,j über die Schnittstelle 31 an die Basiseinheit 3 überprüft der Lernalgorithmus zunächst, ob die Sensoreinheit 2.j zur Ermittlung bzw. zur Anpassung des Prognosewerts oder des Prognoseintervalls verwendet werden soll. Beispielsweise kann ermittelt werden, wie viele Betriebsstunden die neu angeschlossene Sensoreinheit 2.j bereits hinter sich hat. Anhand der in der Speichereinheit 4 der Sensoreinheit 2.j hinterlegten Betriebsstυndenzahl kann entschieden werden, ob die Sensoreinheit für die Anpassung des Prognosewerts oder des Prognoseintervalls berücksichtigt wird.

Weiterhin wird zunächst überprüft, ob die Seriennummer SNj der Sensoreinheit 2.j bereits in der Datenbankmatrix 5 der Basiseinheit 3 hinterlegt ist. Sind in der Datenbankrnatrix 5 bereits Einträge vorhanden, die durch die zusätzlich dort abgelegte Seriennummer eindeutig der Sensoreinheit 2.j zugeordnet werden können, so werden diese Eintrage fortgeschrteben Sind in der Datenbank noch keine Eintrage zu der neuen Sensoreinheit 2 j vorhanden, so wird ein neuer Datenbankeintrag ~ eine neue Spalte der einzeiligen Datenbaπkmatπx 5 - begonnen

Em Algoπthmus im Programmspeicher 24 der Sensoreinheit 2 j liefert der Basiseinheit über die Schnittstelle 31 periodisch einen Wert a _SNj des Diagnoseparameters Dieser Wert wird in der zur Senennummer SNj der Sensoreinheit 2 j gehörigen Spalte gespeichert Wird die Sensoreinhest 2 j gegen eine nachfolgende Sensoreinheit 2 k ausgetauscht, ist der aktuellste Wert a≤Nj in der Datenbankmatrix 5 gespeichert Bei Anschluss der nachfolgenden Sensoreinheit 2 k wird abgefragt, ob die vorhergehende Sensoreinheit 2 j defekt ist, oder nur temporar, beispielsweise zur Durchfuhrung von Kalibπerungs- oder Wartungsmaßnahmen entfernt wurde Ist die vorhergehende Sensoreinheit 2 j wegen eines Defekts entfernt worden, wird der zuletzt gespeicherte Wert asNj als Lernwert ags _Nj definiert Andernfalls bleibt der zustand des Datenbankeintrags bestehen und kann fortgeschrieben werden, wenn die Sensoreinheit 2 j wieder an die Basiseinheit 3 angeschlossen wird Wird die Sensoreinheit vor Ende ihrer Lebenszeit aus dem Prozess genommen, sei es aufgrund einer Änderung des eingesetzten Sensortyps oder eines prozessunabhaπgigen Defekts wahrend der Wartung oder Kalibrierung, besteht die Möglichkeit, den betreffenden Datenbankeintrag zu loschen

Es ist möglich, den Lernzustand niemals abzuschließen, d h über die gesamte Betriebsdauer der Messstelle eine Anpassung des Prognosewerts bzw des Prognoseintervalls vorzunehmen Alternativ kann auch nach dem Erreichen einer festgelegten maximalen Anzahl max von Lernwerten ags _Nj der Lernzustand abgeschlossen werden in diesem Fall werden nur die Lernwerte agsm bis ags _N max für die Ermittlung des Prognosewerts oder des Prognoseintervalls herangezogen Der Prognosewert bzw das Prognoseintervall bleiben ab dem Abschluss des Lernzustands konstant

Es bestehen verschiedene Möglichkeiten zur Ermittiung des Prognosewerts Einfache und robuste Varianten sind der gleitende gewuchtete Mittelwert, die exponentielie Glattung 1 und 2 Art, je nachdem, ob ein Trend erkennbar ist oder nicht Auch komplexe Algorithmen wie die lineare Regression, die Anpassung von Polynomen oder anderen nicht-linearen Funktionen oder dergleichen können angewendet werden

Bereits wahrend des Lernzustands oder nach Abschluss des Lernzustands kann der Diagnoseparameter a _SNj einer aktuell angeschlossenen Sensoreinheit 2 j mit dem Prognosewert oder dem Prognoseintervall das ein den Prognosewert umgebendes Konfidenzintervall sein kann, mittels des Vergleichsalgoπthmus 12 verglichen werden Jn Abhängigkeit der Lage des Diagnoseparameters as _N| in Bezug auf den Bereich des Prognoseintervalis wird eine Warn- bzw Alarmmeldung auf dem Display 1 1 der Basiseinheit 3 generiert Eine Warnung konnte beispielsweise bei Überschreitung der unteren Grenze des Prognoseintervalls generiert werden Ein Alarm wäre demnach zum Beispiel bei einem Wert zwischen unterer Prognosegrenze und Prognosewert denkbar

Dies ist in Fig 2 veranschaulicht In Fig 2 ist der Verlauf von anhand verschiedener Sensoreinheiten 2 j erhaltenen Lernwerten ags _Nj am Beispiel des Diagnose-Parameters (a _SNi ) Sensorbelastung d h einer gewichteten Betriebsdauer der Sensoreinhest unter Berücksichtigung von belastungsrelevanten Parametern wie pH-Wert und Temperatur, beispielsweise in Form von Belastungsaquivalenten wie in DE 10 2004 012 420 beschrieben, ais Funktion der Zeit dargestellt Der zugehörige Prognosewert ist der Gesamtbefastungsvorrat der Sensoreinheit d h die Gesamtlebensdauer der Sensoreinheit unter Berücksichtigung der belastungsrelevanten Parameter Die Lernwerte (ag _SNj ) GBV _j des Gesamtbelastungsvorrats sind als Sterne dargestellt Der Einfachheit halber wird angenommen dass jede Sensoreinheit 2 j bis zum Ende ihrer Lebenszeit mit der Basiseinhett 3 verbunden bleibt und erst gegen eine nachfolgende Sensoreinheit 2 j+1 getauscht wird, wenn sie defekt ist

Zum Zeitpunkt t=0 hegt ein erster Lernwert GBVi des Gesamtbelastungsvorrats vor, der anhand einer ersten Sensoreinheit 2 1 , die nach einer Lebensdauer, die dem Gesamtbelastungsvorrat GBV ₁ entspricht wegen Defekts gegen eine zweite Sensoreinheit 2 2 ausgetauscht wird, ermittelt wurde Aus diesem Wert ermittelt der Lernalgorithmus 10 einen ersten Prognosewert P1 (Quadrat) für den Gesamtbelastungsvorrat einer Sensoreinheit vom Typ der Sensoretnheit 2 1 Der Prognosewert P1 ist identisch mit dem Lernwert GB V-i, da zum Zeitpunkt t=0 keine weiteren Informationen vorliegen und betragt ca 2100 Zeiteinheiten

Zum Zeitpunkt t=0 wird die defekte erste Sensoreinheit 2 1 gegen eine nachfolgende neue Sensoreinheit 2 2 ausgetauscht Wahrend des Betriebs der neuen Sensoreinheit 2 2 wird periodisch ein Belastungswert der Sensoresnheit 2 2 an die Datenbankmatrix 5 der Basiseinheit 3 übermittelt Dieser Belastungswert kann mittels des Vergleichsalgoπthrnus mit dem Prognosewert P1 verglichen werden Bei Erreichen des Prognosewerts gibt der Vergleichsalgonthmus eine Warn- oder Alarmmeldung aus allerdings ist dieses Diagnoseergebnis noch wenig belastbar und unsicher, da der Prognosewert P1 erst durch einen einzigen Lernwert abgesichert ist

Zum Zeitpunkt t1 , der noch vor dem prognostizierten Lebensende t2 der Sensoreinheit hegt, muss die Sensoreinheit 2 2 wegen Defekts gegen eine nachfolgende dritte Sensoreinheit 2 3 ausgetauscht werden Der zu diesem Zeitpunkt m Datenbankmatrix erfasste Belastungswert wird als neuer Lernwert GBV ₂ in der der Sensoreinheit 2 2 zugeordneten Spalte abgespeichert Unter Verwendung des neuen Lernwertε GBV ₂ wird der Prognosewert P1 angepasst und ein neuer niedrigerer Prognosewert P2 ermittelt Dieser neue angepasste Prognosewert P2 ersetzt im Datenspeicher 8 der Basiseinheit den ursprunglichen Prognosewert P1

In analoger Weise wird das Verfahren für nachfolgende Sensoreinheiten 2 j fortgesetzt Für den Prognosewert P4 sowie die nachfolgenden weiteren Prognosewerte ist in Fig 2 ein Kαnftdenzintervail dargestellt das die Prognosewerte umgibt Die untere Grenze dieses Konfidenz- oder Prognoseintervalls ist mit ausgefüllten Punkten dargestellt, die obere Grenze mit ausgefüllten Rauten Weiterhin ist in Fsg 2 auch eine untere Alarmgrenze dargestellt, die mit Dreiecken markiert ist

Sobald der Vergleichsalgoπthmus feststellt, dass der wie im Zusammenhang mit Fig 1 beschrieben, periodisch erfasste Diagnoseparameter, hier die Sensorbelastung, der Sensoreinheit die Untergrenze des Prognoseintervalls erreicht, wird die Ausgabe einer Warnung über das Display 1 1 veranlasst Erreicht die Sensorbelastung die Alarmgrenze, so wird entsprechend ein Alarm ausgegeben

Weiterhin können als Eingangsgroßen für einen Lernalgoπthmus wie er hier beschrieben wird Sensordaten wie der Gesamtbelastungsvorrat Betriebszeiten unter bestimmten Bedingungen Zahlerstande z B zur Zahlung von . cleaning in process (CIP)' -Schritten steπlization in process (SIP) '-Schritten, Autoklavierungsschπtte, oder dergleichen Sensordaten mehr verwendet werden

In Fig 3 ist ein weiteres Beispiel der Erfindung gezeigt Die schematisch dargestellte Messsteüe 201 ist in großen Teilen identisch wie die in Fig 1 gezeigte Messstelle 101 aufgebaut Der Datenspeicher 7 enthalt jedoch nicht nur eine einzeilige Datenbankmatnx 5, sondern eine mehrzellige und mehrspaltige Datenbankmatrix 5' !n dieser Ausgestaltung kann die Messstelle 201 über die Senεorlebensdauer stattfindende Parameteranderungen speichern und analysieren Beispielsweise können dse Verschiebung des Sensornullpunkts und die Änderung der Sensorsteilheit zwischen Anfang und Ende der Gesamtbetriebszeit der Sensoreinheit erfasst werden Über eine Prognose ist eine Aussage über zukunftige maximale Änderungen möglich gegen die als Grenzwert aktuell erfasste Anderungswerte getestet werden können Die im Folgenden dargestellte Variante des Lernalgoπthmus 10 kann gleichzeitig auf mehrere Großen angewendet werden Dadurch sind nachfolgende Analysen möglich, die auf der Verknüpfung der ermittelten, d h . erlernten ' Obergrenzen beruhen Wird beispielsweise für den Fall, dass die Sensoremheit eine pH-Elektrode ist, als Diagnoseparameter SP _{1 J} die Änderung des Nullpunkts des pH-Sensors betrachtet, so können in den einzelnen Speicherplatzen der Datenbankmatrix 5 für mehrere Sensoresnheiten die bei verschiedenen Kalibrierungen erfassten Werte der Verschiebung des Sensornullpunkts zusammen mit der Seriennummer des Sensors und dem Zeitpunkt der Kalibrierung oder der AnzahS der bereits vorgenommenen Kalibrierungen abgelegt werden

Diese Diagnoseparameter SP _{1 1} , hier also die Verschiebungen des Sensornullpunkts, werden über die Lebensdauer mehrerer Sensoreinheiten hinweg abgespeichert Im Beispiel der Fig 3 steht der Index j für dae jeweilige Sensoreinheit wobei einander nachfolgende Sensoreinheiten jeweils mit einer fortlaufenden naturlichen Zahl j bezeichnet werden Der Index ι steht im vorliegenden Beispiel für eine fortlaufende Nummeπerung wiederholt erfasster und abgespeicherter Werte der Verschiebung des Sensomullpunkts

Der Lernalgorithmus 10 ermittelt also aus für mehrere Sensoreinheiten ermittelten Werten für die Verschiebung des Sensornullpunkts zu einem bestimmten für alle Sensoreinheiten einheitlichen Zeitpunkt oder nach einer für alle Sensoreinheiten gleichen Anzahl von Kalibrierungen (wäre diese Zahl beispielsweise 3, entspräche dies den Werten SP _{3 j} , wobei j für die laufende Nummer der Sensoreinheit steht), einen Prognosewert, also eine erwartete Verschiebung des Sensornullpunkts für Sensoreinheiten gleichen Typs Im Gegensatz zu dem im Zusammenhang mit den Fig 1 und 2 beschriebenen Beispielen, bei denen erst nach endgültigem Austausch der Sensoreinheit 2 j nach einem Defekt ein Lernwert für den Lernalgonthmus in der Datenbankmatπx 5 hinterlegt wird, wird hier jeder bei einer Kalibrierung ermittelte Wert für die Sensorverschiebung als Lernwert in der Datenbankmatrix 5 hinterlegt

Beim betrachteten Beispiel der Verschiebung des Sensornullpunkts als Diagnoseparameter wurde eine Abweichung vom Prognosewert oder Prognoseintervall bedeuten, dass die Nullpunktsverschiebung außerhalb des Grenzwertfensters um den erwarteten Wert der Nullpunktsverschiebung liegt In diesem Fall wäre die vom Vergleichsalgonthmus generierte Meldung also eine Warnung, da der Sensor vom prognostizierten Verhalten abweicht

Im Folgenden wird das Verfahren zum Betreiben der Messstelle 201 detaillierter beschrieben

In der Speichereinheit 4 der Sensoreinheit 2 j sind die Kalibnerdaten der Sensoreinheit also auch die Verschiebung des Nullpunkts, insbesondere für den Zeitpunkt der letzten Kalibrierung abgelegt Der aktuellste Wert der Änderung des Nullpunkts wird zusammen mit einer Information über den Kalibπerzeitpunkt von der Basiseinheit 3 aus dem Datenspeicher 4 ausgelesen Die Information über den Kalibπerzeitpunkt kann eine Zeitangabe bezogen auf die bisherige Gesamtbetriebsdauer des Sensors sein, die angibt, nach wie vielen Betriebsstunden die entsprechende Kalibrierung stattgefunden hat. Sie kann auch in einer fortlaufenden Nummenerung der bisher erfolgten Kalibrierungen der Sensoreinheit bestehen Der aus dem Datenspeicher 4 ausgeiesene Wert der Verschiebung des Nullpunkts wird zusammen mit der Seriennummer und der Information über den Kalibrierzeitpunkt in der Datenbankmatrix 5 abgelegt. Der neue Wert wird in der Datenbankmatrix 5 in derselben Zeile wie alle anderen zu anderen Kahbrierzeitpunkten aus derselben Sensoreinheit ausgelesenen Werte für die Änderung des Nullpunkts und in derselben Spalte wie die zum gleichen oder vergleichbaren Kalibrierzeitpunkt aus anderen Sensoreinheiten gleichen Typs ausgelesenen Werte für die Verschiebung der Änderung des Nullpunkts abgelegt

Auf die in der Datenbankmatrix 5 abgelegten Werte greifen sowohl der im Programmspeicher 10 abgelegte Lernalgonthmus als auch der im Programmspeicher 9 abgelegte Vergleichsalgoπihmus zu. Der Vergleichsaigoπthmus dient dabei dazu, diagnostische Aussagen zur aktuell angeschlossenen Sensoreinheit zu treffen In einem Datenspeicher 8' der Basiseinheit 3 ist bereits ein entsprechender Prognosewert für die Änderung des Nullpunkts hinterlegt, der aus den entsprechenden Daten zuvor an der Messstelie 201 verwendeter Sensoreinheiten 2,j ermittelt wurde Neben dem Prognosewert kann im Datenspeicher 8' vorteilhafterweise zusätzlich ein den Prognosewert umgebendes Grenzwertfenster hinterlegt sein Mit dem Vergleichsalgoπthmυs wird ermittelt, ob der neu in der Datenbankmatrix 5' abgespeicherte Wert der Verschiebung des Nullpunkts zum letzten Kalibnerzeitpunkt des Sensors innerhalb des Grenzwertfeπsters liegt Ist dies nicht der Fall, kann eine Warnmeldung generiert werden

Der Lernalgonthmus 10 dient dazu, den im Datenspeicher 8' hinterlegten Prognosewert weiter anzupassen und seine Belastbarkeit zu optimieren. Hierzu bestimmt der Lernalgonthmus aus dem neu hinterlegten Wert SP ₁₁ der Änderung des Nullpunkts zu einem bestimmten Kalibrierzeitpunkt und den bereits in der Datenbankmatrix 5' vorhandenen entsprechenden Werten, die für vorhergehende

Sensoreinheiten gleichen Typs beim gleichen oder vergleichbaren Kalibrierzeitpunkt ermittelt wurden, einen angepassten Prognosewert Einfache robuste Verfahren zur Bestimmung des angepassten Prognosewerts sind zum Beispiel die Bildung eines Mittelwerts oder eines gewichteten

Mittelwerts oder exponentielle Glättung 1. und 2 Art, je nachdem ob ein Trend erkennbar ist oder nicht

Der Vorteil dieses Vorgehens gegenüber der herkömmlichen Praxis, messstellenunabhangig für Sensoren gleichen Typs ein festes Toleranzintervall für die Änderung des Nullpunkts zwischen zwei

Kalibrierungen vorzugeben, besteht dann, dass nun mit Hilfe des Lernalgonthmus ein messsieilenspezifischer Wert für die Nullpunktsverschiebung bzw. ein messsteilenspezifisches Toleranzintervall vorgegeben werden kann Dies erlaubt erheblich genauere Diagnoseaussagen So kann bei einer Art von Prozess eine starke Änderung des Nullpunkts zwischen zwei Kalibrierungen durchaus tolerabel sein, wahrend bei einer anderen Art von Prozess in der Regel nur eine geringe Änderung des Nullpunkts auftreten sollte Mit Hilfe der von der Messstelle .erlernten" Prognosewerte kann zwischen den beiden Prozessarten differenziert werden, was bei Vorgabe eines festen Toleranzintervalls für die Nullpunktverschiebung unabhängig von den Prozessbedingungen eine solche Unterscheidung nicht möglich ist

In Fig 4 sind Werte für die Verschiebung des Nullpunkts (Delta Nullpunkt) zu drei verschiedenen Kalibrierzeitpunkten für mehrere, nacheinander an die Messstelle 201 angeschlossene Sensoren gezeigt Die bei der ersten Kalibrierung der jeweiligen Sensoren ermittelten Werte für die

Nullpunktverschiebung (Rauten) liegen in einem Wertebereich zwischen -0 1 und 0 4 Aus diesen

Werten und dem neu hinzugekommenen Wert SP ₁ , der zuletzt an die Messstelle 201 angeschlossenen Sensoreinheit 2 j wird mittels einer gleitenden exponentieilen Glattung 2 Ordnung ein Prognosewert ermittelt, der als offenes Quadrat dargestellt ist Um diesen Prognosewert wird außerdem ein Grenzwertfenster bestimmt, das als gestrichelte Linie angedeutet ist

In gleicher Weise sind in Fig 2 die Verschiebungen des Nullpunkts bei der aller bisher verwendeten Sensoren bei der zweiten Kalibrierung (Kreise) und bei der dritten Kalibrierung (Dreiecke) sowie die aus diesen Werten ermittelten Prognosewerte (offene Quadrate) und die dazugehörigen Grenzwertfenster dargesteift

Es ist möglich, bei der Bestimmung der Prognosewerte die einzelnen in die Berechnung eingehenden Werte zu gewichten Dies kann beispielsweise durch die Eingabe einer zusatzlichen Information durch eine Bedienperson geschehen Die Bedienperson kann beispielsweise angeben, wenn eine Sensoreinheit bei einer Wartungsmaßnahme beschädigt wurde, oder eine sonstige Störung aufgetreten ist !n diesem FaIi wird man die von dieser Sensoreinheit zur Verfugung gestellten Werte nicht oder nur mit geringerem Gewicht bei der Anpassung des Prognosewertes berücksichtigen wollen

Weiterhin kann auch generell, d h auch bei den anderen hier beschriebenen AusfuhrungsbeispieSen, eine gleitende Funktion bei der Anpassung des Prognosewerts vorgesehen werden Dabei kann zum Beispiel vorgesehen sein, dass altere Sensordaten bei der Anpassung des Prognosewerts wieder „vergessen' werden Beispielsweise kann eine Anzahl von Sensoren vorgegeben werden, deren Werte berücksichtigt werden Wird beispielsweise eine Anzahl von fünf Sensoren vorgegeben, so werden zur Anpassung des Prognosewerts nur die Werte der Verschiebung des Nullpunkts der letzten fünf Sensoreinheiten verwendet, die an der Messstelle 201 angeschlossen waren. Altere Werte können aus der Datenbankmatπx 5 geloscht werden

Beispielhaft wurde hier der Fall betrachtet, dass ais Diagnoseparameter die Sensornullpunktverschiebung eines pH-Sensors verwendet wird Gleichermaßen konnten alternativ oder zusätzlich weitere Diagnoseparameter wie der Sensornullpunkt oder die Sensorsteilheit, die Prozessparameter der Sensoreinheit, wie pH-Wert und Temperatur oder aus diesen abgeleitete Großen, wie Belastuπgsaquivalenie oder Belastungsmdizes oder weitere sensorspezifische Parameter betrachtet werden

In einem dritten Ausfuhrungsbeispiel der Erfindung kann auf ähnliche Weise aus einem oder mehreren Diagnoseparametern eine Prognose für den weiteren Verlauf, d h eines Trends, des Diagnoseparameters ermittelt werden Durch die Auswertung eines Trends der Änderung definierter Sensorkennzahlen, wie zum Beispiel der Änderungen von Nullpunkt oder Steilheit, iasst sich eine Reststandzeit einer Sensoreinheit ermitteln Beispiele hierfür sind in DE10209318 und DE10239610 veröffentlicht

Beim Betreiben einer Messstelie nach Art der in Fig 3 dargestellten Messstelle 201 können in die Datenbankmatrix 5 Werte der Sensornullpunkte mehrerer Sensoreinheiten 2 j gleichen Typs zu verschiedenen Kalibnerzeitpunkten gespeichert werden In Fig 5 sind solche Werte für drei verschiedene Sensoreinheiten aufgetragen Im hier gezeigten Beispiel werden all Sensoreinheiten in einheitlichen Zeitsntervallen von 168 Stunden neu kalibriert Es ist aber auch möglich, dass die einzelnen Sensoreinheiten zu unterschiedlichen Zeitpunkten kalibriert werden Gleichermaßen können bei einer Sensoreinheit die einzelnen Zeitintervalle zwischen den Kalibrierungen unterschiedlich lang gewählt werden

Anhand der Sensornulipunkt-Werte kann als Prognosewert eine Sensorlebensdauer bzw eine Reststandzeit ermsttelt werden Auch dieser Prognosewert wird umso belastbarer und zuverlässiger, je mehr Sensoreinheiten zum . Erlernen ' des Prognosewerts herangezogen werden

Dies soll anhand der in Fig 5 dargestellten Werte des Sensornullpunkts zu verschiedenen Kalibnerzeitpunkten von drei verschiedenen Sensoreinheiten gleichen Typs veranschaulicht werden Zunächst werden nur die Nullpunktwerte eines einzigen Sensors, des Sensors 3 (Quadrate), zur Ermittlung eines linearen Trends T1 herangezogen Legt man einen Nullpunktswert W als für die Sensoreinheit zulassigen Maximalwert fest, so ergibt sich aus dem Schnittpunkt einer parallel zur Abszisse verlaufenden Geraden durch den maximal zulassigen Ordmatenwert W und dem linearen Trend T1 ein Prognosewert für die Gesamtiebensdauer bzw die Reststandzeit der ersten Sensoreinheit Dieser Prognosewert ist wiederum mit einem Konfidenzintervall bzw Prognoseintervall umgeben

Dte Nullpunktswerte einer zweiten Sensoreinheit (Sensor 2) gleichen Typs wie die erste Sensoreinheit sind als Dreiecke dargestellt Unter Berücksichtigung dieser Nulipunktswerte ergibt sich ein linearer Trend T2 mit einer geringeren Steigung als T1 Der Lernalgorithmus verwendet in diesem FaI! eine gewichtete Mittelwertbildung, bei der die Nullpunktwerte der ersten Sensoreinheit {Sensor 3) nur mit einem Gewicht von 0 4 berücksichtigt werden, wahrend die neueren Werte der zweiten Sensoreinheit mit einem Gewicht von 0 6 eingehen Aus dem Schnittpunkt von T2 mit der parallel zur Abszisse verlaufenden Geraden durch den vorgegebenen zulassigen Maximalwert für den Nullpunkt ergibt sich ein angepasster Prognosewert sowie ein angepasstes Konfidenzintervall bzw Prognoseintervall für die Sensoriebensdauer das bereits besser für weitere Diagnosezwecke geeignet ist, als das anhand nur des Sensors 3 ermittelte Intervall

In analoger Weise kann der Prognosewert für die erwartete Sensorlebensdauer unter Berücksichtigung der Nullpunktswerte einer weiteren Sensoreinheit (Sensor 1 , Kreise) weiter verbessert werden

Obwohi die Erfindung im Wesentlichen anhand von pH-Sensoren erläutert wurde, ist sie nicht auf diese beschrankt Das erfindungsgemaße Verfahren kann für eine Vielzahl von Messstellen mit

Sensoreinheiten unterschiedlichen Typs, beispielsweise für potentiometπsche, amperometπsche, coulometπsche, coioπmetrische, photometrische, turbidimetrische und spektrometrische

Sensoreinheiten verwendet werden insbesondere kann das erfindungsgemaße Verfahren vorteilhaft auch auf eine Messsteile mit einem nicht naher dargestellten Gassensor angewendet werden, für den als Prognosewert beispielsweise ein Zeitraum insbesondere ein nach

Sensorbelastung gewichteter Zeitraum erlernt werden kann, zu dem eine Membran ausgewechselt werden muss

Die hier beschriebene Messstelle kann Bestandteil einer Prozessuberwachungsanlage sein, die eine oder mehrere ahnliche Messstellen umfasst Sind mindestens zwei Messstellen in der Prozessuberwachungsanlage vorhanden, die ähnlichen oder vergleichbaren Umgebungseinflüssen ausgesetzt sind, und an denen Sensoreinheiten ähnlichen oder gleichen Typs verwendet werden, ist es vorteilhaft, wenn die jeweiligen Basiseinheiten dieser Messstellen beispielsweise über einen Feldbus in ihren Datenspeichereinheiten gespeicherte Werte, insbesondere von einer oder mehreren Sensoreinheiten ermittelte Werte eines Diagnoseparameters oder hinterlegte insbesondere bereits durch den Lernalgoπthmus ermittelte Prognosewerte untereinander austauschen können Weiterhin ist es möglich, einen in einer Bastseinheit einer Messstelle durch mehrere Lernzyklen bereits gefestigten und belastbaren Prognosewert oder ein Prognoseintervall zusammen mit Informationen über den zugehörigen Sensortyp und über spezifische Eigenschaften der Messstelie, für die der Prognosewert erlernt wurde, in einem zentralen Rechner der Prozessuberwachungsanlage abzulegen. Die spezifischen Eigenschaften der Messstelle können zum Beispiel in einem Identifikationsparametersatz hinterlegt werden, der Informationen über eine Prozessklasse des Prozesses, in dem die Messstelle eingesetzt wird, sowie Informationen über spezifische Belastungen, die an der Messstelle auf den Sensor einwirken, wie z.B Medieneinfluss, extreme pH-Werte, extreme Temperaturen, starke mechanische Beanspruchung z.B. durch ein strömendes Medium etc , enthalt.

Wird dann in die Prozessüberwachungsaniage eine neue Messstelle integriert, wird ein für diese Messstelle generierter neuer !dentιfιkatιonsparametersatz erzeugt. Der neue Identifikationsparametersatz kann mit in dem zentralen Rechner der Prozessuberwachungsanlage hinterlegten Identifikationεparametersatzen verglichen werden Stimmt der neue Identifikationsparametersatz mit einem hinterlegten im Wesentlichen uberein, kann der entsprechend hinterlegte Prognosewert für die neue Messstelle übernommen und in der Basiseinheit der neuen Messstelle hinterlegt werden Dies hat den Vorteil, dass ein einmal erlernter Prognosewert für eine Messstelle auf ähnliche weitere Messstellen übertragen werden kann. Diese MesssteSlen können den Prognosewert dann entweder fest übernehmen oder durch weitere Lernschritte weiter anpassen