CH700936B1 - Verfahren und System zum Bestimmen einer vor einem Ausfall eines Elektromotorsystems verbleibenden Zeit. - Google Patents
Verfahren und System zum Bestimmen einer vor einem Ausfall eines Elektromotorsystems verbleibenden Zeit. Download PDFInfo
- Publication number
- CH700936B1 CH700936B1 CH00753/06A CH7532006A CH700936B1 CH 700936 B1 CH700936 B1 CH 700936B1 CH 00753/06 A CH00753/06 A CH 00753/06A CH 7532006 A CH7532006 A CH 7532006A CH 700936 B1 CH700936 B1 CH 700936B1
- Authority
- CH
- Switzerland
- Prior art keywords
- electric motor
- motor system
- data
- failure
- reliability
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000001364 causal effect Effects 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 238000012351 Integrated analysis Methods 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 7
- 238000009413 insulation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000004804 winding Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000008439 repair process Effects 0.000 description 8
- 238000007689 inspection Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000001681 protective effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 235000012489 doughnuts Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011058 failure modes and effects analysis Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Control Of Electric Motors In General (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
Ein Verfahren zur Bestimmung einer vor einem Ausfall verbleibenden Zeit für ein Elektromotorsystem (402) umfasst das Erfassen von historischen Elektromotordaten in einem Computersystem (500), das Erhalten von Betriebsparameterdaten, das Hochladen der Betriebsparameterdaten zum Computersystem (500), das Durchführen einer Fehleranalyse, das Entwickeln eines kausalen Netzwerks und das Durchführen einer integrierten Analyse des kausalen Netzwerks und der Zuverlässigkeit des Elektromotorsystems (402). Die historischen Elektromotordaten entsprechen dem Elektromotorsystem (402). Die Betriebsparameterdaten werden von Sensoren am Elektromotorsystem (402) erhalten. Die Sensoren schliessen einen Tan-Delta-Sensor ein. Die Fehleranalyse wird auf der Basis einer Zusammensetzung von Zuverlässigkeitswahrscheinlichkeitsverteilungen durchgeführt, die vorbestimmten Subpopulationen von historischen Elektromotorsystem (402)-Fehlerursachen entsprechen. Das kausale Netzwerk wird entwickelt, um die Zuverlässigkeit einer oder mehrerer Elektromotorsystemkomponenten zu modellieren und den Elektromotorsystemkomponentenzustand auf der Basis des kausalen Netzwerks zu bewerten. Ergebnisse aus der Durchführung der Fehleranalyse werden auf der Basis des kausalen Netzwerks mit Ergebnissen aus der Bewertung des Elektromotorsystemkomponentenzustands integriert, um einen quantitativen Wert für eine vor dem Ausfall verbleibende Zeit mit einer ermittelten statistischen Sicherheit zu berechnen.
Description
Stand der Technik
[0001] Die vorliegende Erfindung betrifft ein Verfahren und System zum Bestimmen einer vor einem Ausfall eines Elektromotorsystems verbleibenden Zeit.
[0002] Die Erfassung von genauen Informationen in Bezug auf die Betriebsbedingungen, den Zustand und die Leistung von Elektromotorsystemen wie zum Beispiel Elektromotoren, die in "kritischen" industriellen Fertigungsprozessen, Stromerzeugungssystemen und dergleichen verwendet werden, ist zur Aufrechterhaltung des erfolgreichen kommerziellen Betriebs solcher Systeme entscheidend. Daher werden oft erhebliche Anstrengungen unternommen, um bestehende Verfahren und Vorrichtungen, die zur Überwachung und Bewertung des Betriebs und der Leistung von Elektromotoren und Spulengeräten in solchen Systemen verwendet werden, weiterzuentwickeln und zu verbessern.
Robuste Inspektionsverfahren sind oft für solche kritischen Prozessmotoren erwünscht, da, wenn ein Elektromotor ausser Betrieb gesetzt werden muss, seine Betriebsunfähigkeit die Produktions- und Fertigungsprozesse oder andere Einnahmen schaffende Kapazitäten nachteilig beeinflussen kann.
[0003] Robuste Verfahren zur Inspektion und vorbeugenden Wartung von Elektromotorsystemen beinhalten gewöhnlich die Überwachung einer Vielfalt von Betriebsparametern wie z.B. Elektromotorstrom, Spannung, Vibration, Flussverlust usw., um bevorstehende Ausfälle zu erkennen. Konventionell werden ein oder mehrere Parameter über die Zeit hinweg überwacht und benutzt, um einen Wartungsausfall/eine Wartungsempfehlung auszulösen, wenn der Wert eines überwachten Parameters eine vorbestimmte Schwelle überschreitet. Der gegenwärtige technologische Trend ist die Automatisierung des Inspektionsprozesses durch Anbringung einer Vielzahl von Sensoren und Wandlern an Elektromotoren in kritischen Prozessen, um durch Offline-Überwachung oder durch Online-Überwachungstechniken Information zu sammeln.
Parameterdaten für einen in Betrieb befindlichen Elektromotor können dann ständig verfolgt werden, und ein Alarm kann sofort ausgelöst werden, wenn ein vorbestimmter Schwellenwert für einen bestimmten Parameter überschritten wird. Zum Beispiel können die Vibrationsamplitude oder Spektraldaten, die einen vorbestimmten Bereich oder Wert übersteigen oder davon abweichen, verwendet werden, um einen Alarm zu aktivieren, um dem Ausrüstungsbediener zu melden, dass eine Fehlerart bevorsteht. Leider zielen diese konventionellen Verfahren zur Inspektion und vorbeugenden Wartung typischerweise nur auf unmittelbar bevorstehende Ausfälle ab und stellen keine quantitative Bestimmung der verbleibenden Elektromotorlebensdauer oder der Elektromotorzuverlässigkeit bereit.
[0004] Allgemein wird die Wartungs- und Reparaturinformation, die als ein Ergebnis der vorherigen Inspektionen und Routinewartung der Elektromotorausrüstung erfasst wird, nicht zur Durchführung der vorbeugenden Wartung/Vorhersage-Instandhaltung oder zur Durchführung einer umfassenden Analyse der Elektromotorfunktionstüchtigkeit zusammengetragen. Konventionell greift ein Elektromotorsystem-Experte/Spezialist einfach auf verfügbare historische Information zu und formuliert dann eine Wartungsempfehlung auf der Basis offensichtlicher Trends und persönlicher Erfahrung. Eine Entscheidung, eine Reparatur oder eine Wartung an einem bestimmten Elektromotorsystem vorzunehmen, basierte auf einer Schätzung der Zuverlässigkeit und Nutzbarkeit, die primär vom subjektiven Urteil des Experten abhing.
In anderen Fällen basierte die vorbeugende Wartung allein auf der Zahl der Elektromotorbetriebsstunden oder auf der Zeit seit dem letzten Wartungsausfall, statt auf zustandsabhängigen Testergebnissen. Selbst wenn es für einen Elektromotorbediener/Techniker oder Überwachungsspezialisten zur Durchführung einer detaillierteren Analyse erwünscht war, Testdaten oder parametrische Betriebsdaten von einem bestimmten Elektromotorsystem zu sammeln, ist der Zugriff auf eine digitale Kommunikation über Leitungen zum Hochladen solcher Daten am Ort des Elektromotorsystems zudem oft nicht verfügbar.
[0005] Die Verwendung von Elektromotorbetriebsparameterdaten als Fehlervorhersagewerkzeug und zum Bewerten der Elektromotorfunktionstüchtigkeit wurde in der Vergangenheit in gewissem Umfang von verschiedenen Forschern untersucht. Unterschiedliche Elektromotorsystemparameter können zu diesem Zweck benutzt werden und können "Ungleichgewichte" des Elektromotorsystems wie z.B. Negativsequenzströme und Fehlspannung einschliessen. In einem Beispiel hat sich die schnelle Fourier-Transformation (FFT)-Signatur des Elektromotorstroms als tauglich erwiesen, Elektromotorlagerfehler zu erkennen. In einem anderen Beispiel wurde ein Algorithmus zur Durchführung einer Cluster-Analyse der Elektromotorspeisestrom-FFT untersucht, in der Hoffnung, die Unsicherheit der Elektromotorlebensdauer vorherzusagen.
Doch die meisten bekannten konventionellen Verfahren stellen nur eine allgemeine Warnung vor einem bevorstehenden Elektromotorausfall auf der Basis der Erkennung einer Alarmbedingung anhand eines einzigen überwachten Parameters bereit. Typischerweise ermöglichen solche Verfahren weder eine Bewertung der Elektromotorzuverlässigkeit noch eine Schätzung der verbleibenden Betriebszeit, bis eine Reparatur erforderlich sein wird.
[0006] Aufgrund der oben erläuterten Probleme ist es wünschenswert, ein Verfahren und System bereitzustellen, das in der Lage ist, Online-Elektromotorparameter zu sammeln und zu analysieren. Es ist auch wünschenswert, kostenwirksame Verfahren zur Übertragung von Elektromotorparametern zwischen einem Elektromotorsystem und einem lokalen Netz bereitzustellen. Zudem ist es wünschenswert, ein Verfahren und System zu entwickeln, das in der Lage ist, Online-Elektromotorparameter zu sammeln und zu analysieren, die auf der Basis eines Isolierungszustands des Elektromotorsystems eine Vorhersage der Elektromotorzuverlässigkeit und der geschätzten Betriebszeit bis zur Notwendigkeit einer Reparatur ermöglichen.
Kurze Beschreibung der Erfindung
[0007] Die Erfindung umfasst ein Verfahren zum Bestimmen einer vor einem Ausfall eines Elektromotorsystems verbleibenden Zeit. Das Verfahren umfasst das Erfassen historischer Elektromotordaten, die dem Elektromotorsystem entsprechen, in einem Computersystem; das Erhalten von Betriebsparameterdaten eines Tan-Delta-Sensors, der betriebsfähig mit dem Elektromotorsystem gekoppelt ist; das Hochladen der Betriebsparameterdaten zum Computersystem; das Durchführen einer Fehleranalyse auf der Basis einer Zusammensetzung von Zuverlässigkeitswahrscheinlichkeitsverteilungen, die vorbestimmten Subpopulationen von historischen Elektromotorsystem-Fehlerursachen entsprechen, welche in den historischen Elektromotordaten abgebildet sind;
das Entwickeln eines kausalen Netzwerks zum Modellieren der Zuverlässigkeit einer oder mehrerer Elektromotorsystemkomponenten und das Bewerten des Elektromotorsystemkomponentenzustands auf der Basis des kausalen Netzwerks und den Betriebsparameterdaten; das Durchführen einer integrierten Analyse des kausalen Netzwerks und der Zuverlässigkeit des Elektromotorsystems, wobei Ergebnisse aus der Durchführung der Fehleranalyse auf der Basis des kausalen Netzwerks mit Ergebnissen aus der Bewertung des Elektromotorsystemkomponenten-zustands integriert werden, um einen quantitativen Wert für eine vor dem Ausfall des Elektromotorsystems verbleibende Zeit mit einer ermittelten statistischen Sicherheit zu berechnen; und das Anzeigen des quantitativen Werts für die vor dem Ausfall des Elektromotorsystems verbleibende Zeit an einem Anzeigegerät.
[0008] Die historischen Daten entsprechen dem Elektromotorsystem. Die Betriebsparameterdaten werden von Sensoren im Elektromotorsystem erhalten. Die Sensoren umfassen einen Tan-Delta-Sensor. Die Fehleranalyse wird auf der Basis einer Zusammensetzung von Zuverlässigkeitswahrscheinlichkeitsverteilungen durchgeführt, die vorbestimmten Subpopulationen von historischen Elektromotorsystem-Fehlerursachen entsprechen. Das kausale Netzwerk wird zum Modellieren der Zuverlässigkeit einer oder mehrerer Elektromotorsystemkomponenten verwendet, und zur Bewertung des Zustands der Elektromotorsystemkomponenten auf der Basis des kausalen Netzwerks.
Ergebnisse aus der Durchführung der Fehleranalyse werden mit Ergebnissen aus der Bewertung des Zustands der Elektromotorsystemkomponenten auf der Basis des kausalen Netzwerks integriert, um mit einer ermittelten statistischen Sicherheit einen quantitativen Wert für eine vor dem Ausfall verbleibende Zeit zu berechnen.
[0009] Beispielhafte Ausführungsformen umfassen ein Verfahren zum Bewerten der Zuverlässigkeit und Bestimmen, mit einem statistischen Sicherheitsgrad, eines quantitativen Werts für die Zeit, die bei einem Elektromotorsystem vor dem Ausfall verbleibt. Das Verfahren umfasst das Speichern der Elektromotorsystemkomponenten-Fehlerdaten in eine Computerdatenbank, wobei Elektromotorsystemkomponenten-Fehlerdaten Leckstromdaten einschliessen, das Durchführen einer Elektromotorsystem-Fehlerbaumanalyse auf der Basis der Elektromotorsystemkomponenten-Fehlerdaten, wobei die Elektromotorsystem-Fehlerbaumanalyse die Isolierungsverschlechterung auf der Basis der Leckstromdaten einschliesst, das Entwickeln eines Elektromotorsystemkomponenten-Fehlermodells auf der Basis der Elektromotorsystem-Fehlerbaumanalyse,
das Modellieren historischer Fehlerdaten der Elektromotorsystemkomponenten mit Hilfe einer Wahrscheinlichkeitsverteilungsfunktion, das Entwickeln eines gerichteten kausalen Interferenzmodells und das Wählen von Systemvariablen, die zum Sammeln von Daten verwendet werden, auf der Basis des kausalen Interferenzmodells, das Entwickeln einer konditionalen Wahrscheinlichkeitsmatrix, umfassend die Fehlerwahrscheinlichkeit, die möglichen Fehlerereignissen beim Elektromotorsystem entsprechen, das Entwickeln eines Gesamtmotorsystemzuverlässigkeitsmodells auf der Basis des kausalen Interferenzmodells und der konditionalen Wahrscheinlichkeitsmatrix, und das Berechnen einer statistischen Bewertung der Zuverlässigkeit des Elektromotorsystems und eines qualitativen Werts für die Zeit, die vor dem Ausfall verbleibt, mit Hilfe des Gesamtmotorsystemzuverlässigkeitsmodells.
[0010] Weiter umfasst die Erfindung ein System zum Bestimmen einer vor einem Ausfall eines Elektromotorsystems verbleibenden Zeit. Das System umfasst: einen Tan-Delta-Sensor, der in elektrische Kommunikation mit dem Elektromotorsystem gebracht ist, um auf Daten des Elektromotorsystems zuzugreifen; ein Computersystem, umfassend: ein Speichermedium, das durch eine Verarbeitungsschaltung lesbar ist, und das Anweisungen zur Ausführung durch die Verarbeitungsschaltung speichert für: das Erfassen historischer Elektromotordaten, die dem Elektromotorsystem entsprechen; das Erhalten von Betriebsparameterdaten des Tan-Delta-Sensors;
das Durchführen einer Fehleranalyse auf der Basis einer Zusammensetzung von Zuverlässigkeitswahrscheinlichkeitsverteilungen, die vorbestimmten Subpopulationen von historischen Elektromotorsystem-Fehlerursachen entsprechen, welche in den historischen Elektromotordaten abgebildet sind; das Entwickeln eines kausalen Netzwerks zum Modellieren der Zuverlässigkeit einer oder mehrerer Elektromotorsystemkomponenten und das Bewerten des Elektromotorsystemkomponentenzustands auf der Basis des kausalen Netzwerks;
das Durchführen einer integrierten Analyse des kausalen Netzwerks und der Zuverlässigkeit des Elektromotorsystems, wobei Ergebnisse aus der Durchführung der Fehleranalyse auf der Basis des kausalen Netzwerks mit Ergebnissen aus der Bewertung des Elektromotorsystemkomponenten-zustands integriert werden, um einen quantitativen Wert für eine vor dem Ausfall des Elektromotorsystems verbleibende Zeit mit einer ermittelten statistischen Sicherheit zu berechnen; und das Anzeigen des quantitativen Werts für die vor dem Ausfall des Elektromotorsystems verbleibende Zeit an einem Anzeigegerät; und ein Übertragungsnetzwerk in Kommunikation mit dem Computersystem und dem Tan-Delta-Sensor, konfiguriert zum Kommunizieren der Daten des Tan-Delta-Sensors zu dem Computersystem.
[0011] Das Obige und andere Aufgaben, Merkmale und Vorteile der Erfindung gehen aus der folgenden Beschreibung in Verbindung mit den beiliegenden Zeichnungen hervor, wobei gleiche Bezugszeichen gleiche Elemente bezeichnen.
Kurze Beschreibung der Zeichnungen
[0012] Bezug nehmend nun auf die Zeichnungen, in welchen gleiche Elemente in den verschiedenen Zeichnungen gleich nummeriert sind:
<tb>ist Fig. 1<sep>ein Graph, der die Nutzungslebensdauer eines Elektromotorsystemteils als eine Funktion der Fehlerrate und der Betriebszeit darstellt;
<tb>ist Fig. 2<sep>ein Grätendiagramm, das beispielhafte elektrische, mechanische, Umwelt- und Systemprobleme veranschaulicht, die einen Elektromotorsystemfehler verursachen oder dazu beitragen können;
<tb>ist Fig. 3<sep>ein Flussdiagramm auf hoher Ebene, das allgemeine computerimplementierte Prozesse nach einer beispielhaften Ausführungsform der vorliegenden Erfindung veranschaulicht;
<tb>ist Fig. 4<sep>ein detailliertes Flussdiagramm, das computerimplementierte Prozesse nach einer beispielhaften Ausführungsform der vorliegenden Erfindung veranschaulicht;
<tb>zeigt Fig. 5<sep>eine schematische Ansicht eines beispielhaften Sensors nach einer beispielhaften Ausführungsform der vorliegenden Erfindung, der konfiguriert ist, um Felddaten zu erfassen;
<tb>ist Fig. 6<sep>ein Wellenformdiagramm des Leckstroms, der vom beispielhaften Sensor von Fig. 5 gemessen wird; und
<tb>zeigt Fig. 7<sep>ein drahtloses Elektromotordiagnosesystem nach einer beispielhaften Ausführungsform der vorliegenden Erfindung.
Ausführliche Beschreibung der Erfindung
[0013] Industrie- und Stromerzeugermotoren sind oft mit Sensoren ausgestattet und installiert, um die Betriebsbedingungen zur Trendbestimmung aus Sensordaten und zur Planung der Wartungsprozeduren anzugeben. Sensoren sind konfiguriert, um den Online- oder den Offline-Test eines Elektromotors zu erlauben. Der Online-Test hat gegenüber dem Offline-Test aufgrund der Einfachheit der Datenerfassung und der Möglichkeit, Ausfallzeiten des Elektromotors zu vermeiden, Vorteile aufzuweisen. Sensoren, die für den Online-Test verwendet werden, sind konfiguriert, um Betriebsparameter des Elektromotors zu erfassen. Zu den Betriebsparametern gehören zum Beispiel Spannung, Strom, Phase, Frequenz, Gesamtvibrationsamplitude, Drehmoment und Schlupf.
[0014] Es wurde ein Verfahren zur Vorhersage sowohl der Fehlerart als auch der verbleibenden Lebenszeit in Elektromotoren auf der Basis von Sensoreingaben mit den Betriebsparametern entwickelt. Das Verfahren beinhaltet eine grosse Datenbank mit Inspektionsinformationen und Industriestandarddaten, die für eine wahrscheinlichkeitstheoretische Analyse der Sensoreingaben benutzt werden, und ein kausales Netzwerk, z.B. ein Bayesianisches Belief-Netzwerk, das verwendet wird, um die verschiedenen Eingaben mit potenziellen Ergebnissen zu verknüpfen. Zudem erlaubt die drahtlose Technologie dem Benutzer, Daten aus der Ferne zu überwachen, ohne physikalische Verbindung zwischen dem Überwachungssystem und dem lokalen Client-Netzwerk.
[0015] Die Analyse vom technischen System wurde mit Erfolg auf Zuverlässigkeitsberechnungen auf verwandten Gebieten wie z.B. elektronischen Geräten angewandt. Mittlere ausfallfreie Zeit (MTTF)-Daten werden an verschiedenen Komponenten eines Systems gesammelt. Ein Konstrukteur berechnet dann die Systemzuverlässigkeit auf der Basis von Zuverlässigkeitsblockdiagrammen und erhält eine Gesamtsystemzuverlässigkeitsverteilung R. Die Abhängigkeit von R ist eine Funktion von Einzelparametern [lambda] des Systems, wie unten beschrieben:
R = f ([lambda]1, [lambda]2,...[lambda]n)
[0016] Jeder der Einzelparameter [lambda] beschreibt eine Ausfallrate einer entsprechenden Komponente des Systems. Jede Systemkomponente weist eine Nutzungslebensdauer auf, die in Form einer "Badewannen"-Kurve beschrieben wird, siehe Fig. 1.
[0017] Wenn Ausfallraten von mehrfachen Komponenten unabhängig sind, dann kann eine multiplikative Beziehung verwendet werden, um die Systemzuverlässigkeit zu berechnen:
<EMI ID=2.1>
[0018] Andernfalls ist eine Simulation einer gemeinsamen, abhängigen Wahrscheinlichkeitsdichtefunktion (pdf) erforderlich. Das Verfahren besteht darin, auf zufallsgerichtete Weise eine gemeinsame pdf abzutasten, eine Zuverlässigkeit für diesen Durchlauf zu berechnen und dann auf der Basis einer Sammlung von Durchläufen eine Gesamtzuverlässigkeitsfunktion aufzubauen. Die Komponentenlebensdauer wird einer Wahrscheinlichkeitsdichtefunktion entsprechend verteilt und kann die Form einer Exponentialverteilung, lognormalen Verteilung oder Weibullschen Verteilung annehmen. Die Weibullsche Verteilung ist aufgrund ihrer Parameter mit flexibler Form, [eta] und [beta], am brauchbarsten:
<EMI ID=3.1>
[0019] Daten für die einzelnen Weibullschen Verteilungen können von einer Datenbank extrahiert werden, die aus katalogisierten Fehlergrundursachen für verschiedene Komponenten zusammengestellt wurde. Konditionale Wahrscheinlichkeiten, f{A(t)»B(t)}, der Elektromotorzuverlässigkeit werden durch eine Sammlung von Felddaten des Systems bestimmt. Allgemein bezieht sich eine konditionale Wahrscheinlichkeit auf die Wahrscheinlichkeit des Auftretens eines Ereignisses B, wenn Ereignis A bereits aufgetreten ist. Die Sammlung von Felddaten wird zum Beispiel mit Hilfe von Online- oder Offline-Methoden der Datensammlung durchgeführt.
[0020] Das in Fig. 2 gezeigte Gerätediagramm veranschaulicht ein Beispiel einer Systemfehlerbaumanalyse, die verschiedene Faktoren und Komponentenfehlerarten berücksichtigt, die einen Ausfall des gesamten Elektromotorsystems bewirken oder dazu beitragen können. Bekannte Komponentenfehlerarten und andere Ursachen/Faktoren, die historisch zu einem unerwarteten Ausfall eines Elektromotors oder Stromgenerators geführt haben (d.h. zu einer Betriebsunfähigkeit des Systems) sind mit einer oder mehreren ursachenbezogenen Subkategorie(n) aufgelistet. Die Subkategorien sind mehr oder weniger allgemeinen Fehlerursachenklassen/-kategorien entsprechend weiter eingeteilt, die zum Beispiel anzeigen, ob die Ursache des Fehlers auf System-, Umwelt-, elektrische oder mechanische Probleme zurückzuführen ist.
Bevorzugt werden die verschiedenen Komponentenfehlerarten und Fehlerursachen, die in der Systemfehlerbaumanalyse verwendet werden, aus und auf der Basis von historischen empirischen Daten, Tests und Beobachtungen entwickelt, die über einen angemessenen Zeitraum hinweg von einer Vielzahl von Elektromotorsystemen gesammelt wurden.
[0021] Fig. 3 zeigt ein Flussdiagramm auf hoher Ebene, das den allgemeinen computerimplementierten Prozess einer beispielhaften Ausführungsform der vorliegenden Erfindung zur Bestimmung der Elektromotorzuverlässigkeit zeigt. Der Prozess beinhaltet zuerst bei Block 301 das Erfassen und Organisieren der historischen Elektromotorreparaturdaten in einer Datenbank. Die historischen Elektromotorreparaturdaten, die in Block 301 erfasst werden, entsprechen einem gleichen oder vergleichbaren Elektromotorsystem. In Block 303 wird die Datenbank aktualisiert und "bereinigt", um falsche oder irrelevante Daten zu entfernen. Bei Block 305 wird eine Datenqualitätsprüfung durchgeführt, und alle Daten, die nicht ein vorbestimmtes Qualitätskriterium erfüllen, werden bei Block 309 aus der aktuellen Analyse ausgeschlossen.
Wenn in Block 310 ein Problem oder eine Datenquelle von schlechter Qualität zu erkennen ist, kann eine Meldung oder ein Alarm ausgegeben werden, und in Block 311 kann eine Korrekturmassnahme ergriffen werden, bevor zusätzliche Betriebsdaten oder historische Daten erfasst werden.
[0022] Angenommen, die Datenqualität ist akzeptabel, dann wird die Fehleranalyse für das Elektromotorsystem auf der Basis einer Zusammensetzung von Wahrscheinlichkeitsverteilungen durchgeführt, die verschiedenen Subpopulationen von elektrischen, mechanischen, umweltbezogenen und systembezogenen Fehlerursachen/Fehlerarten entsprechen. Zudem werden die fortlaufenden aktuellen Betriebsparameterdaten ständig überwacht und in Block 302 in Echtzeit von Sensoren am Elektromotorsystem erfasst, für das eine Bewertung der Zuverlässigkeit und der Funktionsdauer bis zum Ausfall gewünscht wird. Die aktuellen Betriebsparameterdaten werden in Block 302 in einer anderen Datenbank kompiliert (oder in die historische Datenbank integriert) und ständig aktualisiert.
Spezifische Datenbereiche und Grenzen oder berechnete Metriken für bestimmte Elektromotorparameter können auch gesetzt werden und in der Datenbank überwacht werden und zum Beispiel benutzt werden, um in Block 304 eine Meldung/einen Alarmzustand auszulösen, wenn dies erforderlich ist.
[0023] Datenqualitätsprüfungen und Datenbereinigungen können auch in Block 306 durchgeführt werden. Angenommen, die Daten erfüllen das vorbestimmte Qualitätskriterium, wird in Block 308 die kausale Netzwerkanalyse durchgeführt, um den Elektromotorausrüstungszustand zu bewerten, der wahrscheinlich auftretende Fehlerarten identifiziert, und dann werden in Block 312 die Ergebnisse der Zuverlässigkeitsanalyse aus den historischen Daten mit Ergebnissen aus der kausalen Netzwerkanalyse integriert/kombiniert und korreliert und verwendet, um eine statistisch zuverlässige Vorhersage der Zeit, die vor dem Ausfall verbleibt, zu entwickeln.
In einer beispielhaften Ausführungsform umfasst die Implementierung die Berechnung einer Schätzung der grössten Wahrscheinlichkeit (MLE) von Weibullschen Zuverlässigkeitsparametern für das System und/oder für die Ausrüstungskomponenten, die vom kausalen Netzwerk identifiziert wurden. Die berechneten statistischen Schätzungen der Systemzuverlässigkeit und der vor dem Ausfall verbleibenden Zeit können mit konventionellen Computer-E/A-Schnittstellen-/Anzeigegeräten angezeigt werden. In einer beispielhaften Ausführungsform werden die vor dem Ausfall verbleibende Zeit und die berechnete Zuverlässigkeit in Block 314 mit dynamischen graphischen Bildern wie z.B. beweglichen Balkenanzeigen und sich ändernden Datenzählern angezeigt.
[0024] Allgemein sind die verschiedenen Verfahrensschritte zur Validierung und Kalibrierung von Daten (z.B. 305 und 306) nicht wesentlich oder erforderlich, ihre Verwendung trägt aber dazu bei, sowohl die Fehleranalyse als auch die kausalen Netzwerke zu verbessern, auf welche sich die Entwicklung statistischer Vorhersagen der Zuverlässigkeit stützt.
[0025] Fig. 4 ist ein detailliertes Flussdiagramm, das ein beispielhaftes Verfahren zur Berechnung der Elektromotorzuverlässigkeit und zur Vorhersage der Zeit bis zur nächsten Reparatur (Ausfall) veranschaulicht. Zuerst werden, wie in Block 101 angegeben, historische Datenquellen wie z.B. historische Testdaten- und/oder Fehleranalyse-Aufzeichnungen, die über einen Zeitraum hinweg für den bewerteten Typ von Elektromotorsystem erfasst wurden, identifiziert, und eine historische Datenbank von Teile/Komponenten-Ausfallratendaten wird kompiliert. In einer beispielhaften Ausführungsform wird die historische Datenbank auf einem Computersystem unterhalten, das fern vom Ort des Elektromotorsystems ist (s.a. Fig. 5), und auch die Elektromotorzuverlässigkeitsberechnungen werden dort durchgeführt.
Die historische Datenbank kann auch durch manuelle Datenübertragungsmittel aktualisiert werden, zum Beispiel mit Hilfe eines konventionellen entnehmbaren Speichermediums (z.B. CD-ROM).
[0026] Die Verfahrensblöcke 102 bis 111 von Fig. 4stellen allgemeine Datenvorverarbeitungsschritte dar, die durchgeführt werden, um historische Elektromotordaten, die später für Zuverlässigkeitsberechnungen benutzt werden, zu strukturieren und zu kombinieren. Zum Beispiel werden die historischen Datenquellen für den spezifischen zu analysierenden Typ des Systems/der Ausrüstung zuerst in Block 101 identifiziert, und in Block 102 werden Daten bewertet, um die Seltenheit und Qualität der Daten zu bestimmen. Die historischen Daten werden in Block 103 integriert, wenn sie aus mehrfachen Quellen erfasst werden, und in Block 104 zur Verwendung durch die Analysemaschine strukturiert.
Daten werden in Schritt 105 in Daten vom Validierungs- und Kalibrierungstyp eingeteilt, und in Block 106 werden Fehlerbaum-Bibliotheken für die verschiedenen Elektromotorsystemkomponenten aufgebaut. Als Nächstes werden in Block 107 Systemfehlermodelle (z.B. Zuverlässigkeitsblockdiagramme) aufgebaut, und in Block 108 werden Ausfall/Lebensdauer-Wahrscheinlichkeitsmodelle an die historischen Daten angepasst (z.B. mit der Wahrscheinlichkeitsverteilung). In Block 109 wird der Aufbau der Bibliotheken zur Analyse der Fehlerarten und der daraus resultierenden Folgen (FMEA) durchgeführt, um die gängigen Fehlerarten zu identifizieren und den Aufbau von kausalen Netzwerken zu unterstützen, die verwendet werden, um die konditionale Wahrscheinlichkeit der Beschädigung von Elektromotorkomponenten zu berechnen. Ein gerichtetes kausales Interferenzmodell, wie z.B.
Bayesianische Belief-Netzwerke, wird in Block 110 aufgebaut, und in Block 111 werden Datenvariablen gewählt, um auf der Basis des im kausalen Netzwerk verwendeten Modells gesammelt zu werden.
[0027] Die Blöcke 112 bis 114 von Fig. 4veranschaulichen Verfahrensblöcke zur Segmentierung des Elektromotorsystems nach Komponenten und zum Herstellen von Abhängigkeiten innerhalb des kausalen Netzwerks. Zum Beispiel wird in Block 112 eine Systemhierarchie des Maschinenkomponentenmodells bestimmt, in Block 113 wird ein strukturiertes System konditionaler Wahrscheinlichkeitsmatrizen zusammengesetzt, und in Block 114 wird ein hypothetisiertes Systemmodell extrahiert, das Covariante/konditionale Abhängigkeiten einschliesst. Dann wird das Systemmodell in den Verfahrensblöcken 115 und 116 in Bezug auf das untersuchte Elektromotorsystem korrekt kalibriert. Zum Beispiel wird das Systemmodell in Block 115 mit Daten aus Wahrscheinlichkeitsverteilungen kalibriert und dann in Block 116 mit Daten aus Wahrscheinlichkeitsverteilungen validiert.
[0028] Block 117 in Fig. 4 stellt die Einleitung eines Verfahrensschritts der Felddatensammlung von den Sensoren und Systemen dar, die mit einem bestimmten Elektromotorsystem, das gerade analysiert wird, verbunden sind. An diesem Punkt werden aktuelle Betriebs-/Testdaten erhalten und/oder direkt am/vom jeweiligen analysierten Elektromotorsystem gesammelt und über eine verdrahtete oder drahtlose Kommunikationsverbindung an ein Fernrechnersystem weitergeleitet, das die Analyse durchführt. Diese Felddaten können von Sensoren am Elektromotor oder anderen konventionellen Mitteln am Ort des Elektromotorsystems gesammelt werden. Wie im folgenden Verfahrensblock 118 veranschaulicht, werden Elektromotorsystem-Schwellenwerte und Alarmgrenzen erstellt/gesetzt, und die Felddaten vom Elektromotorsystem werden überwacht.
Wenn gesetzte Schwellenwerte oder Alarmgrenzen überschritten werden, wird einem Überwachungsdatenanalysator sofort eine Form von Echtzeitrückmeldung zugeführt, z.B. eine Alarmmeldung. Als Nächstes, wie im Verfahrensblock 119 veranschaulicht, wird auf der Basis des kausalen Netzwerks, der Schwellenwerte und der in Block 118 erfassten Überwachungsdaten der "Zustand" des Elektromotorsystems berechnet. Die erwartete Zeit bis zum Ausfall und die erwartete Ausfallursache der verschiedenen Elektromotorsystemkomponenten werden dann in Block 120 mit Hilfe des Systemmodells, das kovariante/konditionale Abhängigkeiten enthält, vorausgesagt.
[0029] Als Nächstes, wie in Fig. 4durch Verfahrensblöcke 121 und 122 veranschaulicht, werden Entscheidungspunkte erreicht, wobei ein Überwachungsdatenanalysator Alarmbedingungen und/oder die Leistung des Modells zu bewerten hat und unter Berücksichtigung von wirtschaftlichen Kompromissen und Kostenoptimierungszielen Entscheidungen zu treffen hat, um Komponenten zu reparieren oder zu ersetzen (z.B., einen Wartungsplan entwickeln). Wenn sich herausstellt, dass das Systemmodell ungenau oder unrealistisch ist, kann es notwendig sein, den Gesamtprozesses in Block 101 neu zu initialisieren und zusätzliche historischen Daten zu erfassen, um die Vorhersagen zu verbessern.
Diesbezüglich veranschaulichen die Verfahrensblöcke 123 und 124 weitere Schritte, die ergriffen werden können, um die Vorhersagefähigkeiten der kausalen Netzwerke zu verbessern und das Zuverlässigkeitsmodell zu optimieren.
[0030] Fig. 5 veranschaulicht eine schematische Ansicht eines beispielhaften Sensors, der nach einer beispielhaften Ausführungsform der vorliegenden Erfindung konfiguriert ist, um Felddaten zu erfassen. Fig. 6 ist ein Wellenformdiagramm des Verluststroms, der vom beispielhaften Sensor von Fig. 5 gemessen wurde.
[0031] Bezug nehmend auf Fig. 5und 6, ist der Sensor eine "Tan-Delta"-Sensoranordnung 400. Die Tan-Delta-Sensor-anordnung 400 kann verwendet werden, um Felddaten von jeder Wechselstrom (WS)-Maschine 402 einschliesslich eines Elektromotors oder eines Generators zu erfassen. Auch wenn die WS-Maschine 402 ein Generator sein kann, betrifft die folgende Beschreibung eine WS-Maschine 402, die ein Elektromotor ist. In einer beispielhaften Ausführungsform umfasst die WS-Maschine 402 drei Phasenwicklungen, eine erste Phasenwicklung 403, eine zweite Phasenwicklung 404 und eine dritte Phasenwicklung 405. Eine Phasenspannung wird jeweils über eine entsprechende erste Eingangsklemme 406, zweite Eingangsklemme 407 und dritte Eingangsklemme 408 an jede der ersten, zweiten und dritten Phasenwicklungen 403, 404 und 405 angelegt.
Eine Ausgangsklemme jeder der ersten, zweiten und dritten Phasenwicklungen 403, 404 und 405 ist mit einem gemeinsamen oder einem neutralen Knoten 410 verbunden.
[0032] Die Tan-Delta-Sensoranordnung 400 ist in der Nähe der WS-Maschine 402 angeordnet, um den Leckstrom zu messen. Der Tan-Delta-Sensor umfasst einen ersten Stromtransformator 420, einen zweiten Stromtransformator 422, einen dritten Stromtransformator 424. Der erste, zweite und dritte Stromtransformator 420, 422 und 424 können Differentialstromtransformatoren sein. In einer Ausführungsform sind der erste, zweite und dritte Stromtransformator 420, 422 und 424 donut- oder ringförmige Stromtransformatoren, die in der Nähe der WS-Maschine 402 so angeordnet sind, dass Stromleiter, die sowohl einen Speisestrom als auch einen Rückstrom führen, einen zentralen Abschnitt jedes ringförmigen Stromtransformators durchlaufen.
Aufgrund einer Anordnung des ersten, zweiten und dritten Stromtransformators 420, 422 und 424 neigen die Speise- und Rückstrom dazu, sich gegenseitig aufzuheben. Der erste, zweite und dritte Stromtransformator 420, 422 und 424 messen daher eine Differenz zwischen den Speise- und Rückströmen. Die Differenz zwischen dem Speise- und Rückstrom ist der Leckstrom.
[0033] Wie in Fig. 6 gezeigt, kann die Phase und Amplitude des Leckstroms gemessen werden. Ein bestimmte Phasenspannung oder Bezugsspannung V ist dargestellt. Auch verschiedene Leckströme sind dargestellt. Jeder Leckstrom entspricht einem bestimmten Wicklungswiderstandswert. Änderungen in der Amplitude des Leckstroms zeigen Änderungen in einem Widerstandswert einer untersuchten Phasenwicklung an. Auch Phasenverschiebungen sind als zeitliche Verschiebungen von Leckstrom-Wellenformen erkennbar. Phasenverschiebungen zeigen Änderungen in einem Impedanzwert einer untersuchten Phasenwicklung an. Wenn die Wicklungsisolierung mit der Zeit durchschlägt, sind entsprechende Änderungen in der Phase und Amplitude von Leckströmen mit der Tan-Delta-Sensoranordnung 400 erkennbar.
Mit dem Verfahren zur Bestimmung der Elektromotorzuverlässigkeit, wie oben Bezug nehmend auf Fig. 3 und 4 erläutert, können historische Leckstromdaten mit den aktuellen Leckstromdaten verglichen werden, um die Vorhersage des Durchschlags der Isolierung zu unterstützen, der auf thermische, elektrische, umweltbedingte und mechanische Beanspruchung zurückzuführen ist.
[0034] Fig. 7 veranschaulicht ein drahtloses Elektromotordiagnosesystem, in welchem das erfindungsgemässe Verfahren implementiert werden kann. In dieser Ausführungsform sind ein Ferndiagnosecomputersystem 500 zum Hosten einer Datenbank mit Elektromotorsystemausfallrateninformation (historische Datenbank) und zum Berechnen der Elektromotorzuverlässigkeit dem erfindungsgemässen Verfahren entsprechend über ein verdrahtetes oder drahtloses Kommunikationsnetzwerk mit den am Elektromotorsystem angeordneten Elektromotorsensoren gekoppelt. Das Computersystem 500 kann, doch ohne darauf beschränkt zu sein, eine Client-Personal Computer(PC)-Arbeitsstation sein, die an ein Netzwerk angeschlossen sein kann oder nicht.
Das Computersystem 500 kann zum Beispiel eine geeignete Verarbeitungseinheit sein, die in der Lage ist, Anweisungen auszuführen, die auf einem Speichermedium gespeichert sind. Das Computersystem 500 empfängt Daten von einem Zugangspunkt 502, der zum Beispiel ein Serial-HUB oder ein Ethernet-Switch sein kann. Der Zugangspunkt 502 kann in einem Elektromotorsteuerungs- und Schutzgehäuse 506 angeordnet sein, der Daten von einem Sender 504 weitergibt. Der Sender 504 steht mit den Elektromotorsensoren in Verbindung und empfängt die Daten von den Elektromotorsensoren, die eine Tan-Delta-Sensoranordnung 400 einschliessen können. Die Tan-Delta-Sensoranordnung 400 ist in der Nähe der WS-Maschine 402 angeordnet und misst Daten, die erfasst und vom Sender 504 an einen Empfänger 508 gesendet werden, der im Elektromotorsteuerungs- und Schutzgehäuse 506 angeordnet ist.
Das Elektromotorsteuerungs- und Schutzgehäuse 506 kann andere Schutzvorrichtungen umfassen, die in der Lage sind, Daten an das Computersystem 500 zu übertragen, wie zum Beispiel einen Vibrationsrahmen oder vorhandene Schutzrelais. In einer beispielhaften Ausführungsform wird die drahtlose Kommunikation über den Sender 504 und den Empfänger 508 nach IEEE 802.11b-Standards und mit einem erweiterbaren Authentifizierungsprotokoll vorgesehen, was Sicherheit durch Authentifizierung und Verschlüsselung gewährleistet. Verschiedene Antennen und Adapter können auf der Basis der Bedingungen vor Ort gewählt werden. Wenn ein Ort zum Beispiel Hindernisse für die Übertragung aufweist, werden bei Bedarf Antennen mit höherer Verstärkung, eine Richtantenne oder Zwischenverstärker eingesetzt.
Alternativ dazu kann das Computersystem 500 an der WS-Maschine 402 angeordnet sein, wodurch die Notwendigkeit der Datenübertragung entfällt. Das Computersystem 500 umfasst ein Speichermedium und eine Verarbeitungseinheit.
[0035] Verfahrensschritte der vorliegenden Erfindung können auch in Form eines Computerprogrammcodes implementiert sein, der Anweisungen enthält, die auf greifbaren Medien vorliegen, wie z.B. Disketten, CD-ROMs, Festplatten oder jedem anderen computerlesbaren Speichermedium, wobei der Computer zu einer Vorrichtung zur Ausführung der Erfindung wird, wenn der Computerprogrammcode in den Computer geladen und von ihm ausgeführt wird.
Verfahrensschritte der vorliegenden Erfindung können auch in Form eines Computerprogrammcodes implementiert sein, der zum Beispiel in einem Speichermedium gespeichert ist, in einen Computer geladen und/oder von ihm ausgeführt wird, oder über ein Übertragungsmedium oder ein Netzwerk übertragen wird, wie z.B. über elektrische Drähte oder Kabel, durch optische Fasern oder über elektromagnetische Strahlung, wobei der Computer zu einer Vorrichtung zur Ausführung der Erfindung wird, wenn der Computerprogrammcode in den Computer geladen und von ihm ausgeführt wird. Wenn es auf einem Universal-Mikroprozessor implementiert ist, können die Computerprogrammcodesegmente den Mikroprozessor konfigurieren, um spezifische Logikschaltungen zu erzeugen.
Die technische Wirkung der ausführbaren Anweisungen ist die Durchführung des Verfahrens zur Bestimmung der Elektromotorzuverlässigkeit, wie oben Bezug nehmend auf Fig. 3und 4 erläutert, wobei die Tan-Delta-Sensoranordnung 400 ein Sensor ist, der zur Datenerfassung verwendet wird.
[0036] Auch wenn die Erfindung in Bezug auf beispielhafte Ausführungsformen beschrieben wurde, versteht es sich für den Fachmann, dass verschiedene Änderungen durchgeführt werden können und Elemente davon durch Äquivalente ersetzt werden können, ohne vom Umfang der Erfindung abzuweichen. Darüber hinaus können viele Modifikationen vorgenommen werden, um eine bestimmte Situation oder Ausrüstung an die Lehren der Erfindung anzupassen, ohne vom Umfang der Erfindung abzuweichen. Deshalb ist beabsichtigt, dass die Erfindung nicht durch bestimmte Ausführungsformen eingeschränkt wird, die als beste Art der Ausführung dieser Erfindung offenbart wurde, sondern, dass die Erfindung alle Ausführungsformen einschliesst, die in den Rahmen der beiliegenden Ansprüche fallen.
Zudem bezeichnet die Verwendung der Begriffe erste(r), zweite(r) usw. keine Reihenfolge oder Rangfolge, sondern die Begriffe erste(r), zweite(r) usw. werden verwendet, um ein Element vom anderen zu unterscheiden. Überdies bezeichnet die Verwendung der Begriffe ein, eine usw. keine Begrenzung der Menge, sondern vielmehr das Vorhandensein mindestens eines der genannten Elemente.
Teileliste
[0037]
<tb>400<sep>Tan-Delta-Sensoranordnung
<tb>402<sep>Elektromotorsystem
<tb>403<sep>Erste Phasenwicklung
<tb>404<sep>Zweite Phasenwicklung
<tb>405<sep>Dritte Phasenwicklung
<tb>406<sep>Erste Eingangsklemme
<tb>407<sep>Zweite Eingangsklemme
<tb>408<sep>Dritte Eingangsklemme
<tb>410<sep>Neutraler Knoten
<tb>420<sep>Erster Stromtransformator
<tb>422<sep>Zweiter Stromtransformator
<tb>424<sep>Dritter Stromtransformator
<tb>500<sep>Computersystem
<tb>502<sep>Zugangspunkt
<tb>504<sep>Sender
<tb>506<sep>Schutzgehäuse
<tb>508<sep>Empfänger
Claims (16)
1. Verfahren zur Bestimmung einer vor einem Ausfall eines Elektromotorsystems (402) verbleibenden Zeit, wobei das Verfahren umfasst:
das Erfassen historischer Elektromotordaten, die dem Elektromotorsystem (402) entsprechen, in einem Computersystem (500);
das Erhalten von Betriebsparameterdaten eines Tan-Delta-Sensors (400), der betriebsfähig mit dem Elektromotorsystem (402) gekoppelt ist;
das Hochladen der Betriebsparameterdaten zum Computersystem (500);
das Durchführen einer Fehleranalyse auf der Basis einer Zusammensetzung von Zuverlässigkeitswahrscheinlichkeitsverteilungen, die vorbestimmten Subpopulationen von historischen Elektromotorsystem-Fehlerursachen entsprechen, welche in den historischen Elektromotordaten abgebildet sind;
das Entwickeln eines kausalen Netzwerks zum Modellieren der Zuverlässigkeit einer oder mehrerer Elektromotorsystemkomponenten und das Bewerten des Elektromotorsystemkomponentenzustands auf der Basis des kausalen Netzwerks und den Betriebsparameterdaten;
das Durchführen einer integrierten Analyse des kausalen Netzwerks und der Zuverlässigkeit des Elektromotorsystems (402), wobei Ergebnisse aus der Durchführung der Fehleranalyse auf der Basis des kausalen Netzwerks mit Ergebnissen aus der Bewertung des Elektromotorsystemkomponentenzustands integriert werden, um einen quantitativen Wert für eine vor dem Ausfall des Elektromotorsystems (402) verbleibende Zeit mit einer ermittelten statistischen Sicherheit zu berechnen; und
das Anzeigen des quantitativen Werts für die vor dem Ausfall des Elektromotorsystems (402) verbleibende Zeit an einem Anzeigegerät.
2. Verfahren nach Anspruch 1, wobei das Entwickeln des kausalen Netzwerks das Entwickeln eines Bayesianischen Belief-Netzwerks einschliesst.
3. Verfahren nach Anspruch 1 oder 2, wobei das Durchführen der Fehleranalyse das Modellieren einer Ausfallrate einer Systemkomponente mit Hilfe einer Weibullschen Wahrscheinlichkeitsverteilung umfasst.
4. Verfahren nach einem der Ansprüche 1 bis 3, wobei das Erhalten der Betriebsparameterdaten den Erhalt von Leckstromdaten umfasst.
5. Verfahren nach Anspruch 4, wobei das Erhalten von Leckstromdaten mindestens eines umfasst von:
Erhalten von Leckstromphasendaten;
und Erhalten von Leckstromamplitudendaten.
6. Verfahren nach Anspruch 4 oder 5, wobei das Erhalten von Leckstromdaten ausserdem den Erhalt von Leckstromdaten mit Hilfe des Tan-Delta-Sensors (400) umfasst.
7. Verfahren nach Anspruch 4, ausserdem umfassend das Vorhersagen von einer Isolierungsverschlechterung den Leckstromdaten entsprechend.
8. Verfahren nach einem der Ansprüche 1 bis 7, wobei das Anzeigen der vor dem Ausfall des Elektromotorsystems (402) verbleibenden Zeit das Anzeigen der vor dem Ausfall des Elektromotorsystems (402) verbleibenden Zeit als bewegliches Balkendiagramm an einer graphischen Benutzerschnittstelle des Anzeigegeräts umfasst.
9. Verfahren nach einem der Ansprüche 1 bis 8, ausserdem umfassend das Übertragen der Betriebsparameterdaten von dem Tan-Delta-Sensor (400) an das Computersystem (500) über ein drahtloses Netzwerk.
10. Verfahren nach Anspruch 1, wobei das Durchführen der Fehleranalyse ausserdem das Vorhersagen der Isolierungsverschlechterung einer Elektromotorsystemkomponente entsprechend von Leckstromdaten umfasst, die am Elektromotorsystem (402) gemessenen werden.
11. System zum Bestimmen einer vor einem Ausfall eines Elektromotorsystems (402) verbleibenden Zeit, umfassend:
einen Tan-Delta-Sensor (400), der in elektrische Kommunikation mit dem Elektromotorsystem (402) gebracht ist, um auf Daten des Elektromotorsystems (402) zuzugreifen;
ein Computersystem (500), umfassend:
ein Speichermedium, das durch eine Verarbeitungsschaltung lesbar ist, und das Anweisungen zur Ausführung durch die Verarbeitungsschaltung speichert für:
das Erfassen historischer Elektromotordaten, die dem Elektromotorsystem (402) entsprechen;
das Erhalten von Betriebsparameterdaten des Tan-Delta-Sensors (400);
das Durchführen einer Fehleranalyse auf der Basis einer Zusammensetzung von Zuverlässigkeitswahrscheinlichkeitsverteilungen, die vorbestimmten Subpopulationen von historischen Elektromotorsystem-Fehlerursachen entsprechen, welche in den historischen Elektromotordaten abgebildet sind;
das Entwickeln eines kausalen Netzwerks zum Modellieren der Zuverlässigkeit einer oder mehrerer Elektromotorsystemkomponenten und das Bewerten des Elektromotorsystemkomponentenzustands auf der Basis des kausalen Netzwerks;
das Durchführen einer integrierten Analyse des kausalen Netzwerks und der Zuverlässigkeit des Elektromotorsystems (402), wobei Ergebnisse aus der Durchführung der Fehleranalyse auf der Basis des kausalen Netzwerks mit Ergebnissen aus der Bewertung des Elektromotorsystemkomponentenzustands integriert werden, um einen quantitativen Wert für eine vor dem Ausfall des Elektromotorsystems (402) verbleibende Zeit mit einer ermittelten statistischen Sicherheit zu berechnen; und
das Anzeigen des quantitativen Werts für die vor dem Ausfall des Elektromotorsystems (402) verbleibende Zeit an einem Anzeigegerät; und
ein Übertragungsnetzwerk in Kommunikation mit dem Computersystem (500) und dem Tan-Delta-Sensor (400), konfiguriert zum Kommunizieren der Daten des Tan-Delta-Sensors zu dem Computersystem (500).
12. System nach Anspruch 11, wobei das Übertragungsnetzwerk umfasst:
einen Sender (504) zum Empfangen und Übertragen der Daten;
einen Empfänger (508) in Kommunikation mit dem Sender (504) zum Empfangen der Daten; und
einen Zugangspunkt in Kommunikation mit dem Empfänger (508) und dem Computersystem (500), um Daten an das Computersystem (500) weiterzugeben.
13. System nach Anspruch 12, bei dem der Empfänger (508) und der Sender (504) drahtlose Kommunikationsgeräte sind.
14. System nach einem der Ansprüche 11 bis 13, bei dem der Tan-Delta-Sensor (400) dazu ausgebildet ist, Leckstromdaten des Elektromotorsystems (402) zu erhalten, und die Leckstromdaten wenigstens umfassen:
Leckstromphasendaten; und
Leckstromamplitudendaten.
15. System nach Anspruch 14, wobei das Computersystem (500) dazu ausgebildet ist, eine Isolierungsverschlechterung den Leckstromdaten entsprechend vorherzusagen.
16. System nach einem der Ansprüche 11 bis 15, wobei das Anzeigegerät dazu ausgebildet ist, die vor dem Ausfall des Elektromotorsystems (402) verbleibende Zeit als bewegliches Balkendiagramm an einer graphischen Benutzerschnittstelle des Anzeigegeräts anzuzeigen.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US10/908,455 US7254514B2 (en) | 2005-05-12 | 2005-05-12 | Method and system for predicting remaining life for motors featuring on-line insulation condition monitor |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CH700936B1 true CH700936B1 (de) | 2010-11-15 |
Family
ID=36637333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CH00753/06A CH700936B1 (de) | 2005-05-12 | 2006-05-10 | Verfahren und System zum Bestimmen einer vor einem Ausfall eines Elektromotorsystems verbleibenden Zeit. |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US7254514B2 (de) |
| CN (1) | CN1862278B (de) |
| CA (1) | CA2545695C (de) |
| CH (1) | CH700936B1 (de) |
| GB (1) | GB2426090B (de) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018052433A1 (en) * | 2016-09-16 | 2018-03-22 | Siemens Aktiengesellschaft | Generation of failure models for embedded analytics and diagnostic/prognostic reasoning |
Families Citing this family (87)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6931384B1 (en) * | 1999-06-04 | 2005-08-16 | Microsoft Corporation | System and method providing utility-based decision making about clarification dialog given communicative uncertainty |
| US7529979B2 (en) * | 2003-12-12 | 2009-05-05 | International Business Machines Corporation | Hardware/software based indirect time stamping methodology for proactive hardware/software event detection and control |
| US7401263B2 (en) * | 2005-05-19 | 2008-07-15 | International Business Machines Corporation | System and method for early detection of system component failure |
| US7480536B2 (en) * | 2006-09-21 | 2009-01-20 | General Electric Company | Method for assessing reliability requirements of a safety instrumented control function |
| JP2008157672A (ja) * | 2006-12-21 | 2008-07-10 | Fanuc Ltd | モータの絶縁劣化検出装置 |
| ATE504871T1 (de) * | 2007-02-08 | 2011-04-15 | Siemens Ag | Verfahren und system zur ermittlung von zuverlässigkeitsparametern einer technischen anlage |
| US20100148907A1 (en) * | 2008-12-17 | 2010-06-17 | General Electric Company | Current transformer and electrical monitoring system |
| CN101038638B (zh) * | 2007-04-25 | 2010-12-01 | 上海发电设备成套设计研究院 | 一种发电机组自动控制系统电子元器件剩余寿命预测方法 |
| CN101038639B (zh) * | 2007-04-25 | 2011-06-15 | 上海发电设备成套设计研究院 | 一种发电机组的机械易损件的寿命预测方法 |
| US20080284449A1 (en) * | 2007-05-15 | 2008-11-20 | Vijay Phadke | Power converters with component stress monitoring for fault prediction |
| US7719808B2 (en) * | 2007-05-15 | 2010-05-18 | Astec International Limited | Power converters with operating efficiency monitoring for fault detection |
| US7719812B2 (en) * | 2007-05-15 | 2010-05-18 | Astec International Limited | Power converters with rate of change monitoring for fault prediction and/or detection |
| FR2920233B1 (fr) * | 2007-08-20 | 2009-10-30 | Airbus France Sas | Procede et dispositifs d'evaluation de risques operationnels pour l'aide aux decisions de maintenance de vehicules |
| US7817051B2 (en) * | 2007-09-14 | 2010-10-19 | Astec International Limited | Power converter with degraded component alarm |
| US7804415B2 (en) | 2007-09-14 | 2010-09-28 | Astec International Limited | Health monitoring for power converter components |
| US7830269B2 (en) * | 2007-09-14 | 2010-11-09 | Astec International Limited | Health monitoring for power converter capacitors |
| ATE432490T1 (de) * | 2007-10-09 | 2009-06-15 | Abb Oy | Verfahren und system zur verbesserung der nutzung einer produktionsanlage |
| US7873581B2 (en) * | 2007-10-15 | 2011-01-18 | General Electric Company | Method and system for determining the reliability of a DC motor system |
| US20090096405A1 (en) * | 2007-10-15 | 2009-04-16 | General Electric Company | Method and system for remotely predicting the remaining life of an ac motor system |
| US7996337B2 (en) | 2007-10-15 | 2011-08-09 | General Electric Company | Method and system for remotely determining the reliability of a DC motor system |
| US8094154B1 (en) | 2007-12-20 | 2012-01-10 | The United States Of America As Represented By The Secretary Of The Navy | Intelligent leading indicator display |
| US8204637B1 (en) | 2007-12-20 | 2012-06-19 | The United States Of America As Represented By The Secretary Of The Navy | Aircraft approach to landing analysis method |
| US7797130B1 (en) * | 2007-12-20 | 2010-09-14 | The United States Of America As Represented By The Secretary Of The Navy | Baseline comparative leading indicator analysis |
| DE102008051653A1 (de) * | 2008-02-12 | 2009-08-20 | Abb Technology Ag | Verfahren und System zur Ermittlung einer individuellen Fehlerrate für die Beurteilung eines individuellen komplexen technischen Betriebsmittels |
| FR2933512B1 (fr) * | 2008-07-07 | 2010-08-27 | Eurocopter France | Procede de diagnostic pour localiser une defaillance dans un systeme complexe et dispositif pour mettre en oeuvre ledit procede |
| US7920988B2 (en) * | 2008-11-13 | 2011-04-05 | Caterpillar Inc. | Capturing system interactions |
| US8813025B1 (en) * | 2009-01-12 | 2014-08-19 | Bank Of America Corporation | Customer impact predictive model and combinatorial analysis |
| US8832657B1 (en) | 2009-01-12 | 2014-09-09 | Bank Of America Corporation | Customer impact predictive model and combinatorial analysis |
| US8577509B2 (en) * | 2009-06-24 | 2013-11-05 | Vestas Wind Systems A/S | Method and a system for controlling operation of a wind turbine |
| US8219355B2 (en) * | 2009-12-23 | 2012-07-10 | Cadence Design Systems, Inc. | Methods and systems for high sigma yield estimation |
| US8195427B2 (en) * | 2009-12-23 | 2012-06-05 | Cadence Design Systems, Inc. | Methods and systems for high sigma yield estimation using reduced dimensionality |
| BR112012027930A2 (pt) | 2010-04-30 | 2017-06-06 | Spm Flow Control Inc | servidor de gerenciamento central, sistema para certificar equipamento de poço de petróleo e gás, e, método para gerenciar teste periódico de uma pluralidade de dispositivos do equipamento de poço |
| US8732112B2 (en) * | 2011-12-19 | 2014-05-20 | GM Global Technology Operations LLC | Method and system for root cause analysis and quality monitoring of system-level faults |
| US10607424B2 (en) | 2012-02-10 | 2020-03-31 | Appareo Systems, Llc | Frequency-adaptable structural health and usage monitoring system (HUMS) and method with smart sensors |
| US9797801B2 (en) * | 2012-02-10 | 2017-10-24 | Appareo Systems, Llc | Frequency-adaptable structural health and usage monitoring system |
| USD713825S1 (en) | 2012-05-09 | 2014-09-23 | S.P.M. Flow Control, Inc. | Electronic device holder |
| US9417160B2 (en) | 2012-05-25 | 2016-08-16 | S.P.M. Flow Control, Inc. | Apparatus and methods for evaluating systems associated with wellheads |
| CN102721465B (zh) * | 2012-06-13 | 2014-02-05 | 江苏省电力公司南京供电公司 | 电力变压器铁芯松动故障诊断与故障初步定位系统及方法 |
| DE102012016269A1 (de) * | 2012-08-17 | 2014-02-20 | Abb Ag | Elektrische Maschine mit einer Überwachungseinrichtung |
| US9255970B2 (en) * | 2012-09-27 | 2016-02-09 | General Electric Company | On-line monitoring of stator insulation in motors and generators |
| US20140095133A1 (en) * | 2012-09-28 | 2014-04-03 | General Electric Company | Systems and methods for managing mechanical systems and components |
| US9071110B2 (en) | 2012-10-16 | 2015-06-30 | Eht International Inc. | Abnormality detection method and apparatus |
| US9459176B2 (en) | 2012-10-26 | 2016-10-04 | Azima Holdings, Inc. | Voice controlled vibration data analyzer systems and methods |
| US9927285B2 (en) | 2012-10-26 | 2018-03-27 | Azima Holdings, Inc. | Multi-unit data analyzer |
| US20140188777A1 (en) * | 2012-12-27 | 2014-07-03 | General Electric Company | Methods and systems for identifying a precursor to a failure of a component in a physical system |
| US9964583B2 (en) | 2013-02-22 | 2018-05-08 | Smartkable Llc | Method and apparatus for predicting life cycle of a splice |
| CN103809119B (zh) * | 2013-11-26 | 2016-05-18 | 中国矿业大学 | 马尔科夫模型开关磁阻电机系统可靠性的定量评估方法 |
| US10409926B2 (en) | 2013-11-27 | 2019-09-10 | Falkonry Inc. | Learning expected operational behavior of machines from generic definitions and past behavior |
| US10037128B2 (en) | 2014-02-04 | 2018-07-31 | Falkonry, Inc. | Operating behavior classification interface |
| BR112016024949A2 (pt) | 2014-04-25 | 2017-08-15 | Schlumberger Technology Bv | sistema de bomba de submersão elétrica, método, e um ou mais meios de armazenamento legível por computador |
| BR112016027402B1 (pt) | 2014-05-23 | 2022-08-09 | Schlumberger Technology B.V. | Método e sistema para avaliação de sistema elétrico submersível e meios de armazenamento legíveis por computador não transitórios |
| KR101466623B1 (ko) | 2014-07-09 | 2014-11-28 | 한국전력공사 | 초저주파 탄델타의 측정 데이터를 이용한 전력 케이블의 상태 진단 및 잔존 수명 측정 장치 및 그 방법 |
| GB2544671A (en) | 2014-07-30 | 2017-05-24 | Spm Flow Control Inc | Band with RFID chip holder and identifying component |
| USD750516S1 (en) | 2014-09-26 | 2016-03-01 | S.P.M. Flow Control, Inc. | Electronic device holder |
| EP3059676B1 (de) * | 2015-02-20 | 2019-09-11 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Analyse der Verfügbarkeit eines Systems, insbesondere eines sicherheitskritischen Systems |
| CN104777386A (zh) * | 2015-04-22 | 2015-07-15 | 西南石油大学 | 一种电缆附件故障分析检测系统 |
| US11243263B2 (en) | 2015-06-04 | 2022-02-08 | Fischer Block, Inc. | Remaining-life and time-to-failure predictions of power assets |
| CN104917085B (zh) * | 2015-06-17 | 2017-04-12 | 云南电网有限责任公司昆明供电局 | 一种优化可靠性与经济性的变压器检修决策方法 |
| US10102471B2 (en) | 2015-08-14 | 2018-10-16 | S.P.M. Flow Control, Inc. | Carrier and band assembly for identifying and managing a component of a system associated with a wellhead |
| CN105203952A (zh) * | 2015-09-11 | 2015-12-30 | 中国矿业大学 | 二级马尔科夫模型开关磁阻电机系统可靠性定量评估方法 |
| CN105203951A (zh) * | 2015-09-11 | 2015-12-30 | 中国矿业大学 | 一级马尔科夫模型开关磁阻电机系统可靠性定量评估方法 |
| CA2997770C (en) | 2015-09-14 | 2023-05-16 | Tolomatic, Inc. | Actuator diagnostics and prognostics |
| US11347212B2 (en) | 2016-03-09 | 2022-05-31 | Siemens Aktiengesellschaft | Smart embedded control system for a field device of an automation system |
| US10558929B2 (en) * | 2016-05-31 | 2020-02-11 | The Boeing Company | Monitored machine performance as a maintenance predictor |
| KR102104117B1 (ko) * | 2016-07-25 | 2020-04-23 | 미쓰비시덴키 가부시키가이샤 | 전동기의 진단 장치 |
| US10121349B2 (en) | 2016-09-21 | 2018-11-06 | General Electric-Technology GMBH | Machine protection and diagnostic systems and methods |
| JP2019536025A (ja) * | 2016-11-16 | 2019-12-12 | スマートケーブル、エルエルシー | 直流回路の故障を予測するための方法および装置 |
| US10621061B2 (en) * | 2016-11-28 | 2020-04-14 | B. G. Negev Technologies amd Applications Ltd. at Ben-Gurion University | Combined model-based approach and data driven prediction for troubleshooting faults in physical systems |
| US10928814B2 (en) | 2017-02-24 | 2021-02-23 | General Electric Technology Gmbh | Autonomous procedure for monitoring and diagnostics of machine based on electrical signature analysis |
| JP6976080B2 (ja) * | 2017-05-22 | 2021-12-01 | 三菱パワー株式会社 | 状態分析装置、状態分析方法、およびプログラム |
| US10403116B2 (en) | 2017-06-20 | 2019-09-03 | General Electric Company | Electrical signature analysis of electrical rotating machines |
| US10353005B2 (en) | 2017-07-13 | 2019-07-16 | Itt Manufacturing Enterprises Llc | Technique for self learning motor load profile |
| US10514428B2 (en) | 2017-07-13 | 2019-12-24 | Itt Manufacturing Enterprises Llc | Technique to detect motor leakage flux anomalies |
| CN108022600B (zh) * | 2017-10-26 | 2021-08-17 | 珠海格力电器股份有限公司 | 一种设备控制方法、装置、存储介质及服务器 |
| US10672205B2 (en) * | 2017-12-04 | 2020-06-02 | GM Global Technology Operations LLC | Method and apparatus to monitor an on-vehicle fluidic subsystem |
| CN109959847B (zh) * | 2017-12-25 | 2024-03-29 | 国家电网公司 | 光纤无源污闪监测系统 |
| CN108491860B (zh) * | 2018-02-24 | 2021-02-05 | 中国石油大学(北京) | 页岩气压裂装备全生命周期实时可靠性动态评估方法及装置 |
| EP3827387A1 (de) * | 2018-08-27 | 2021-06-02 | Siemens Corporation | Systematische prognostische analyse mit dynamischem kausalmodell |
| CN111340250A (zh) * | 2018-12-19 | 2020-06-26 | 富泰华工业（深圳）有限公司 | 设备检修装置、方法及计算机可读存储介质 |
| CN110456194B (zh) * | 2019-07-31 | 2021-07-16 | 亿轶环境科技(上海)有限公司 | 用于空气消毒净化装置的变频风机寿命监测方法及装置 |
| US11010222B2 (en) | 2019-08-29 | 2021-05-18 | Sap Se | Failure mode specific analytics using parametric models |
| CN110426634B (zh) * | 2019-09-10 | 2020-08-18 | 大制(苏州)科技有限公司 | 一种用于驱动系统的异常预测的方法及设备 |
| CN110987396B (zh) * | 2019-12-13 | 2021-07-30 | 三一重型装备有限公司 | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 |
| CN112983545B (zh) * | 2021-02-22 | 2023-12-26 | 鄂尔多斯应用技术学院 | 一种基于sdg模型的采煤机故障寻踪方法 |
| CN113125954A (zh) * | 2021-04-16 | 2021-07-16 | 安徽大学 | 一种电动汽车驱动电机的故障诊断方法和应用 |
| CN113487086B (zh) * | 2021-07-06 | 2024-04-26 | 新奥新智科技有限公司 | 设备剩余使用寿命预测方法、装置、计算机设备和介质 |
| CN114900371A (zh) * | 2022-06-27 | 2022-08-12 | 镇江港务集团有限公司 | 一种具有提示功能的网络安全检测装置及提示方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4525763A (en) | 1983-11-30 | 1985-06-25 | General Electric Company | Apparatus and method to protect motors and to protect motor life |
| JPH09265725A (ja) * | 1996-03-29 | 1997-10-07 | Toshiba Corp | ディスク装置及び同装置におけるモータ起動不良予知方法 |
| US6035265A (en) | 1997-10-08 | 2000-03-07 | Reliance Electric Industrial Company | System to provide low cost excitation to stator winding to generate impedance spectrum for use in stator diagnostics |
| US6927562B2 (en) * | 2002-02-27 | 2005-08-09 | On-Line Monitoring, Inc. | Power factor/tan δtesting of high voltage bushings on power transformers, current transformers, and circuit breakers |
| US6834256B2 (en) | 2002-08-30 | 2004-12-21 | General Electric Company | Method and system for determining motor reliability |
| US7127373B2 (en) | 2003-08-07 | 2006-10-24 | General Electric Company | Systems, methods and computer program products for assessing the health of an electric motor |
| WO2005022171A2 (en) * | 2003-08-21 | 2005-03-10 | Hubbell Incorporated | Method and apparatus for measuring impedance of electrical component under high interference conditions |
| US7042229B2 (en) * | 2004-03-31 | 2006-05-09 | General Electric Company | System and method for on line monitoring of insulation condition for DC machines |
| US20050218906A1 (en) * | 2004-03-31 | 2005-10-06 | Younsi Abdelkrim K | System and method for monitoring of insulation condition |
-
2005
- 2005-05-12 US US10/908,455 patent/US7254514B2/en not_active Expired - Fee Related
-
2006
- 2006-05-04 CA CA2545695A patent/CA2545695C/en not_active Expired - Fee Related
- 2006-05-10 CH CH00753/06A patent/CH700936B1/de not_active IP Right Cessation
- 2006-05-11 GB GB0609375A patent/GB2426090B/en not_active Expired - Fee Related
- 2006-05-12 CN CN200610082696.2A patent/CN1862278B/zh not_active Expired - Fee Related
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018052433A1 (en) * | 2016-09-16 | 2018-03-22 | Siemens Aktiengesellschaft | Generation of failure models for embedded analytics and diagnostic/prognostic reasoning |
| US10635094B2 (en) | 2016-09-16 | 2020-04-28 | Siemens Aktiengesellschaft | Failure models for embedded analytics and diagnostic/prognostic reasoning |
| EP3497527B1 (de) | 2016-09-16 | 2022-06-22 | Siemens Aktiengesellschaft | Erzeugung von fehlermodellen für eingebettete analytik und diagnose |
Also Published As
| Publication number | Publication date |
|---|---|
| CA2545695C (en) | 2016-10-04 |
| GB2426090A (en) | 2006-11-15 |
| US20060259271A1 (en) | 2006-11-16 |
| CA2545695A1 (en) | 2006-11-12 |
| US7254514B2 (en) | 2007-08-07 |
| CN1862278A (zh) | 2006-11-15 |
| CN1862278B (zh) | 2011-09-07 |
| GB0609375D0 (en) | 2006-06-21 |
| GB2426090B (en) | 2010-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CH700936B1 (de) | Verfahren und System zum Bestimmen einer vor einem Ausfall eines Elektromotorsystems verbleibenden Zeit. | |
| DE60031615T2 (de) | Intelligente Vorrichtung und Verfahren zur Analyse einer flüssigkeitsgefüllten elektrischen Anlage | |
| DE69732569T2 (de) | System zur erkennung von störungen von elektromotoren | |
| DE102016102328B4 (de) | System zur Diagnose von Anomalien, Diagnoseverfahren und -vorrichtung | |
| US6694286B2 (en) | Method and system for monitoring the condition of an individual machine | |
| DE112016006946T5 (de) | Vorrichtung zur bewertung der priorität von anomaliedaten und verfahren zur bewertung der priorität von anomaliedaten | |
| EP2204660B1 (de) | Vorrichtung und verfahren zum bestimmen von teilentladungen an einer elektrischen komponente | |
| JP2000512766A (ja) | 高電圧絶縁における部分放電測定の統計的パターン分析方法 | |
| AT514680A2 (de) | Prozess zur Optimierung der Wartung technischer Systeme | |
| EP3210088B1 (de) | Verfahren und assistenzsystem zur erkennung einer störung in einer anlage | |
| DE112017007532B4 (de) | Alterungsdegradationsdiagnosevorrichtung und alterungsdegradationsdiagnoseverfahren | |
| DE112020007131T5 (de) | Anomalie-diagnoseverfahren, anomalie-diagnosevorrichtung und anomalie-diagnoseprogramm | |
| DE102018115155A1 (de) | Verfahren zum Vorhersagen von Anlagendaten und Vorrichtung, die es verwendet | |
| CN116300835A (zh) | 基于互联网的自动化检测设备远程诊断系统 | |
| DE102020210461A1 (de) | Diagnostikeinrichtung und Diagnostikverfahren | |
| DE102014200288A1 (de) | Verfahren und Vorrichtung zur Isolationsüberwachung mit Alarm-Diagnose-Darstellung | |
| DE112019007899T5 (de) | System und Methode für die Vorhersage von Gerätefehler mittels akustischer Signale im Ultraschallfrequenzband | |
| DE102017106919A1 (de) | Verfahren zur Bestimmung einer Schädigungsmaßunsicherheit eines Kraftfahrzeugs | |
| DE102017205712B4 (de) | Computerimplementiertes Verfahren zum Betreiben eines Wellenerdungssystems, Wellenerdungssystem einer Drehapparatur | |
| DE102012025178A1 (de) | Verfahren und Vorrichtung zur automatischen Charakterisierung und Überwachung eines elektrischen Netzes oder eines Stromnetzabschnitts eines elektrischen Netzes oder einer elektrischen Anlage | |
| EP2388602B1 (de) | Verfahren zur Diagnose von Kontakten einer Photovoltaikanlage und Vorrichtung | |
| EP3715881B1 (de) | Verfahren zur instandhaltung einer hochspannungsdurchführung | |
| EP4206843B1 (de) | Verfahren zur automatischen erstellung von anlagenspezifischen messprofilen für ein isolationsüberwachungssystem | |
| DE102004022748B4 (de) | System und Verfahren zur automatischen Ursachenanalyse von anlagenweiten Störungen in einem technischen Prozess | |
| DE102017113474A1 (de) | Vorrichtung zum Überwachen der Restlebensdauer von Gerätesystemen, Geräten oder Teilkomponenten von Geräten |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| NV | New agent |
Representative=s name: GENERAL ELECTRIC TECHNOLOGY GMBH GLOBAL PATENT, CH |
|
| PL | Patent ceased |