CN111684160A - 用于优化风扇或风扇布置的效率和/或运行性能的方法 - Google Patents
用于优化风扇或风扇布置的效率和/或运行性能的方法 Download PDFInfo
- Publication number
- CN111684160A CN111684160A CN201980011663.4A CN201980011663A CN111684160A CN 111684160 A CN111684160 A CN 111684160A CN 201980011663 A CN201980011663 A CN 201980011663A CN 111684160 A CN111684160 A CN 111684160A
- Authority
- CN
- China
- Prior art keywords
- model
- fan
- data
- algorithm
- operating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 56
- 230000009467 reduction Effects 0.000 claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000013179 statistical model Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 28
- 239000003921 oil Substances 0.000 description 20
- 230000006870 function Effects 0.000 description 19
- 230000003542 behavioural effect Effects 0.000 description 13
- 238000001816 cooling Methods 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 12
- 230000004044 response Effects 0.000 description 10
- 238000004804 winding Methods 0.000 description 9
- 238000005461 lubrication Methods 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 239000000314 lubricant Substances 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
- F04B49/06—Control using electricity
- F04B49/065—Control using electricity and making use of computers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D25/00—Pumping installations or systems
- F04D25/02—Units comprising pumps and their driving means
- F04D25/08—Units comprising pumps and their driving means the working fluid being air, e.g. for ventilation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/002—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids by varying geometry within the pumps, e.g. by adjusting vanes
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2260/00—Function
- F05D2260/81—Modelling or simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/30—Control parameters, e.g. input parameters
- F05D2270/301—Pressure
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/30—Control parameters, e.g. input parameters
- F05D2270/303—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/40—Type of control system
- F05D2270/44—Type of control system active, predictive, or anticipative
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/70—Type of control algorithm
- F05D2270/71—Type of control algorithm synthesized, i.e. parameter computed by a mathematical model
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Feedback Control In General (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
一种用于优化风扇的效率和/或运行性能的方法,其中从因组件而异或因功能而异的数值详细模型开始,基于至少一个算法,进行模型缩简并且因而进行数据缩简(数据精化)来得到因组件而异或因功能而异的行为模型,其中所述行为模型的经缩减数据在系统仿真中被耦合或组合以形成具有输入变量和输出变量的系统行为模型,并且其中来自所述系统行为模型的所述风扇的输入变量和相关联的输出变量被提供给优化器以供选择,以取决于框架条件达到所述系统的经优化控制。
Description
本发明涉及一种用于优化风扇或风扇布置的效率和/或运行性能的方法。根本上,这涉及风扇的要被优化的所有参数,包括例如使用寿命。与其他风扇、环境条件、和/或位于风扇周围或在风扇周围工作的人的相互作用也发挥了作用。还包括所谓的多目标优化。
在此,应当注意,优化中所包括的风扇和/或外部设备越多,提高效率的潜力越大。这一点的一个示例是在多个风扇的布置的情形中的负载分布。
本发明基于确保在风扇的每一操作点处的最佳可能效率和最佳可能运行性能的基本概念。由于诸相对立的操作参数,这是困难的。
从风扇的实际实践中已知的是,滚珠轴承和滚珠轴承润滑油是风扇的使用寿命的关键参数。滚珠轴承和滚珠轴承润滑油的使用寿命很大程度上依赖于电机之中或之上的操作温度以及对滚珠轴承起作用的机械力。因为温度传感器和力传感器都不可紧邻轴承来定位,所以轴承温度和对轴承起作用的轴承力都不可被测量。因此有必要间接地测量这些参数或者通过算术来确定它们。
一种用于确定电机的轴承的状态的系统和方法是从DE102010002294A1可知的。真实传感器单元确定传送给仿真单元的测得值。结果值是借助仿真单元来确定的,它是轴承电流值或是一取决于轴承电流的值。结果值被传送给另一单元以供进一步计算。该已知系统/方法归因于需要传感器而是复杂的,并且归因于缺少足够的安装空间而难以用在风扇中。
本发明基于真实风扇的数字图像的创建,即通过借助数学计算模型描绘其性能并可能使用已知数据,可能是真实的测量数据。真实测量数据可以是来自每一个体电机的正在进行的操作(以及其可能的历史)的电流测量数据。此外,至少一个因操作参数而异的算法是考虑已知关系、特征曲线等来创建的,并被用于进一步计算。
风扇的诸组件状态是借助虚拟传感器经由数字图像来确定或计算得到的。这些组件状态被馈送到因操作而异或因操作参数而异或因产品而异的算法,该算法根据组件状态来确定或计算风扇的特定操作参数以及可能从其中导出的操作参数,提供与风扇的操作相关的预测,例如,风扇的使用寿命的预测。以下是必要的:所确定的组件状态和真实测量数据的组合使用是可能的。
在此使用两个不同的软件组件,即与数字孪生相关的第一软件组件和与因操作参数而异的算法相关的第二软件组件(其可被称为“智能”算法)。
数字孪生是真实个体对象(在根据本发明的教导的情况下是风扇或风扇系统)的数字图像。数字孪生借助计算模型以及可能使用风扇的已知数据来描绘风扇的属性。数字孪生的任务可被认为是使用虚拟传感器根据相应操作状态来计算风扇的诸组件的组件状态。基于此类计算所确定的组件状态被传送给因操作参数而异的算法,该算法根据数字孪生的操作数据来确定/计算风扇的操作参数或操作状态,例如轴承使用寿命和/或轴承润滑油使用寿命。基于该结果,适合于情况的控制调整是可能的。操作参数和操作状态在它们是可计算的变量的范围内是同等相关的。
数字孪生和因操作参数而异的算法的上述组合可以在数字孪生算法方面实现在与风扇的电机相关联的微处理器上,并且因而可以作为固定组件与风扇相关联。
数字孪生算法是描述风扇的数字孪生与一种针对特定操作参数来设计的类型的智能算法的组合。
对于合适地设计的风扇,预见性维护可以在避免故障(例如归因于受损的轴承或轴承润滑油)的目标下实现。作出努力来进行系统参数的适合于情况的调整以能够达成风扇的近乎最大可能使用寿命。
使用风扇的数字图像和因操作参数而异的算法,预见性维护的目标是尽可能完全地耗尽诸风扇组件的使用寿命并同时避免风扇的任何故障。风扇的使用寿命是基于计算得到的组件状态和从中得出的操作参数来计算的。
数字孪生使用物理和/或数学和/或统计和/或经验和/或组合模型来计算热和机械组件状态。在任一情形中,都既包括数学模型也包括物理及非物理模型。因操作参数而异的算法(智能算法)需要通过数字孪生确定的组件状态来确定任何操作参数,例如也预测风扇故障。因为风扇的使用寿命主要依赖于滚珠轴承和滚珠轴承润滑油,所以集中于滚珠轴承润滑油和滚珠轴承的操作参数计算充当了非常特殊的角色。
从实践中已知,轴承润滑油的使用寿命在很大程度上依赖于操作温度。在整个使用寿命上操作温度越高,轴承润滑油将被消耗得越快。因此,重要的是确定存储温度以确定轴承润滑油使用寿命。
为了确定轴承温度,温度传感器将必须紧邻轴承来定位。归因于风扇/电机的几何和功能条件,这是不可能的。相应地,在根据本发明的方法中,诸如轴承温度等组件状态是经由数字孪生连同因操作参数而异的算法一起来计算得到的。
该计算基于数学模型,该数学模型进而基于经缩减耦合热磁计算模型。数字孪生与因操作参数而异的算法的组合计算热源、散热器、和总体系统相关于风扇的电机的热状态。轴承润滑油温度因而可根据风扇/电机的操作状态经由数字孪生的虚拟传感器来确定并作为操作状态来被馈送到因操作参数而异的算法。
数字孪生(包括其虚拟传感器)和因操作参数而异的算法这两者可以用机器码(C代码)来实现在现有微处理器上,这意味着某些机器智能被合并到风扇内。
上述解释描述了一种用于使用风扇的数字图像(数字孪生)加上至少一个因操作参数而异的算法来确定风扇的操作状态的方法。这是以下描述的本发明的基础,它基于计算操作状态的任务,诸操作状态是使用虚拟传感器基于数字孪生算法来确定的,其中工作流被定义成实现相关于风扇的数字孪生算法。具体而言,重要的是,省去用于确定操作状态的真实传感器。
根据本发明,以上目标是通过一种具有权利要求1的诸特征的方法来达成的,即通过一种用于优化风扇的效率和/或运行性能的方法来达成,其中从因组件而异或因功能而异的数值详细模型开始,基于至少一个算法,进行模型缩简并且因而进行数据缩简(数据精化)来得到因组件而异或因功能而异的行为模型,其中所述行为模型的经缩减数据在系统仿真中被耦合或组合以形成具有输入变量和输出变量的系统行为模型,并且其中来自所述系统行为模型的所述风扇的输入变量和相关联的输出变量被提供给优化器以供选择,以取决于框架条件达到所述系统的经优化控制。
根据本发明,在从一开始解释的孪生算法的细化方面,这涉及在“智能”风扇的上下文中的数字孪生算法。
数字孪生算法的进一步细化可被理解为风扇或风扇系统的系统参数的独立的适合于情形的调整,以确保每一操作点处的最佳可能效率和最佳可能运行性能。
根据本发明,首先,数值详细模型被创建,例如与热模型、磁电路模型或关于叶片位置和流或流条件的模型相关。详细模型也可以是与相关于风扇环境的介绍性讨论相对应的数字孪生,例如在总体系统意义上的数据中心。详细模型也可与风扇布置的数字孪生相关。
例如,详细模型也可以相关于冷凝器上的风扇布置来生成。风扇可由优化器个体地调节,优化器访问系统行为模型以实现最佳可能效率和在互补冷凝器上的均匀压力/流。其他详细模型是可设想的。
在下一步骤中,作为模型缩减的一部分,进行详细模型的缩减,即缩减成所谓的行为模型。这伴有发生数据的并非无足轻重的缩减。
系统仿真随后将具有缩减数据的行为模型耦合,从而得到具有经组合行为模型的行为研究。
整个系统在系统空间中使用均匀分布的输入变量组合被仿真。结果是具有输入组合和相关联的系统输出变量的表。该表反映系统行为模型,即具有风扇的输入变量和相关联的输出变量。优化可基于这些变量来发生。
在正在进行的操作中,优化器取决于环境条件(例如,行为模型的表中的系统效率)来实时搜索最佳的可能系统输出变量。一旦找到最佳的可能系统输出变量,相关联的输入变量就可从表中读出。使用这些输入变量,优选地实时地,以最佳可能的方式来调节该系统。
鉴于以上内容,必要的是,优化器从系统行为表中选择最优系统效率并将必要的输入变量提供给控制系统。持续优化因而是可能的。
存在各种选项来有利地设计和细化本发明的教导。为此,在一方面,参考从属于权利要求的诸权利要求并且在另一方面参考以下参考附图的对于本发明优选示例性实施例的说明。结合参考附图对本发明的优选示例性实施例的说明,还说明了该教导的一般优选设计和细化。在附图中:
图1到13示出了用于使用特殊特征来实现根据本发明的教导的方法步骤,其中根据本发明的教导是在图4和5的基础上作为示例来讨论的。
图1到3被用于理解根据本发明的教导并涉及作为智能风扇的基础的数字孪生和数字孪生算法。
具体而言,图1示出了数字孪生与至少一个因操作参数而异的算法的组合,这在下文称为数字孪生算法。这可使用轴承润滑油和/或轴承的使用寿命的示例来解说。
如已指出的,轴承润滑油和轴承的使用寿命依赖于电机的操作温度和速度。因为没有温度传感器能紧邻轴承来定位,所以轴承温度必须借助模型来计算,根据本发明是使用数字孪生算法,该数字孪生算法得自数字孪生与因操作参数而异的算法(智能算法)的组合。
数字孪生只是数学模型,它基于经缩减耦合热磁和机械计算模型。数字孪生计算影响电机的总体系统的热和机械条件。数字孪生可以取决于电机的操作状态借助与数字孪生相关联的虚拟传感器来确定轴承润滑油温度。
该智能算法需要组件状态来用于对数据的进一步处理,例如以预测风扇故障。电机的故障可基于故障特征曲线来被计算或至少被估算。与数字孪生算法相关的所有软件是用机器码(C代码)实现在电机微处理器上的,使得不需要进一步的电子装置。
图2示出了在风扇电机的轴承中的轴承润滑油的轴承润滑油使用寿命计算的序列。在创建真实风扇的数字图像的范围中,数值详细模型,具体而言是热模型、磁电路模型等,是需要的。另外,用于计算润滑油使用寿命的算法被创建。
详细模型随后被缩简成行为模型,以使得数据卷是可管理的。
行为模型和计算轴承润滑油使用寿命的算法随后在系统仿真中被耦合,即在数字孪生与因操作参数而异的算法的组合的范围中,在当前情形中它计算轴承润滑油使用寿命。从系统仿真中生成C代码,并且C代码被直接实现在电机微处理器上。
如前所述,需要详细模型到行为模型的模型缩减以减少计算时间。作为这一措施的结果,数字孪生算法可被实现在电机的微处理器上。各种方法可被用于热模型缩减,例如Krylow方法。详细模型的数据通过将模型降阶来被缩减。
磁详细模型可通过算法或通过表来被缩减。针对某些群(constellation)的预先计算的结果被定义在表中,使得复杂计算可由快速值搜索来替代。使用对应地经缩减的模型,轴承润滑油温度和轴承温度可被计算得到。计算得到的值使用因操作参数而异的算法(在此是计算轴承润滑油使用寿命的算法),以便一方面计算轴承润滑油的使用寿命,另一方面计算轴承的使用寿命。
取决于操作温度,对轴承/轴承润滑油的已消耗使用寿命进行加权,优选地以指数方式加权也是可能的。
图3示出了此类加权因子在温度曲线上的曲线,其中轴承润滑油使用寿命计算基于示例性参数,诸如持续操作、轴承类型、黏度、速度、润滑油温度、以及操作时间/使用寿命。对于四分钟操作时间,该计算示例给出了已消耗15分钟的使用寿命。
根据数字孪生和与轴承润滑油使用寿命相关的因操作参数而异的算法的诸经缩简模型被整合到系统仿真中并链接在一起。可例如在MATLAB程序中创建系统仿真。使用MATLAB代码生成器,将系统仿真转换成C代码并将其实现在电机微处理器上是可能的。
图4和5示出了根据本发明的方法的各个体步骤,其中图4涉及叶片角度的设置而图5涉及数据中心的诸风扇的负载分布。从创建或提供详细模型经由经缩减模型、系统仿真直至行为模型的诸相应方法步骤在这两种情形中是等同的。使用行为模型作为基础,优化器从系统行为表中搜索最优系统效率,并将对应的输入变量传送到控制器,其中控制是实时发生的。规程和数据是以C代码生成的,使得优化可以在标准处理器上运行。
根据图4中的解说,风扇的诸叶片的叶片设置的角度要按以下方式来控制:取决于操作点来得到最优系统效率。基于合适的算法,经缩减模型从详细模型中导出,这造成基于多个详细模型在系统仿真的范围内从中得到行为研究或行为模型。优化器从系统行为表选择最优系统效率并将对应的输入变量(使用这些输入变量可达到最优化)传送到控制机构。整个系统是在微处理器上实时控制的,即基于行为模型和用于优化的算法。用于编程的数据和算法是以C代码来提供的。
图5中的解说涉及多个风扇的布置的负载分布,在所选的示例性实施例中是数据中心的诸风扇的负载分布。所需的各个体风扇的流速和负载分布要按以下方式来控制:取决于数据中心中的普遍温度,得到最优系统效率。优化器还从系统行为表选择最优系统效率并将对应的输入变量传送给控制机构,使得可实时地在微处理器上进行对整个系统的控制。在此,行为模型的数据也被馈送到用于优化的算法,其中该程序以C代码在常规处理器上运行。
基于以上解释的数据缩减,根据本发明的方法使得能够创建能在标准微处理器上操作的紧凑C代码。一种数据精化(大数据→智能数据)发生在微处理器上,其中这是计算结果。只有经压缩、精化的数据被进一步处理,或者例如发送到云。不言而喻,这显著降低了到云的连接的流传输量。
此外,基于数字孪生和因操作参数而异的算法所确定的操作参数可一方面被用于风扇的预见性维护和维护,且另一方面用于风扇的设计和操作的优化,其中根据在此要求保护的教导,数字孪生算法被细化用于诸系统参数的独立的适合于情况的调整,即确保在每一操作点处的最佳可能效率和最佳可能运行性能。
图6和7中的解说被用来进一步解释已通过示例参考图4和5讨论的所要求保护的教导。
数字图像(即,风扇的数字孪生)的使用是必需的。数字孪生得自数据处理。具体而言,它得自已知输入变量或传感器测得值与计算得到的值和计算/模型的组合。在风扇的特定预定点处的组件温度、流、损失等的确定是基于数字孪生来执行的。真实值(例如,特定组件温度)事实上是基于数字孪生来确定的,即当在风扇的该相应特定点处,借助传感器的在经济上/结构上合理的测量选项不存在的情况下。
因操作参数而异的算法对于所要求保护的教导而言尤其重要。基于数字孪生所提供的结果或数据(例如轴承温度),诸参数(例如,风扇或风扇轴承的故障概率或已消耗的使用寿命)被确定。这些参数依赖于风扇的当前操作参数及其历史,即风扇正在/先前操作的操作点和环境出的操作参数。
图6和7基于特定示例解说了根据本发明的用于使用风扇的数字图像将以上声明纳入考虑来确定风扇的操作状态的方法。
在图6的左列,测量或计算输入变量,包括指派给诸箭头的单位。这些输入变量是经由现有标准传感器来测量的或是已知的。
根据这些输入变量计算热源和散热器。它基于基于仿真的模型,该模型将热源(例如,铜、铁、和电子装置损失)和散热器(诸如电机冷却(冷却轮、气流、以及环境温度))纳入考虑。这得到用于使用虚拟传感器的经缩减热模型的输入变量。所有这些对应于在热模型意义上的数字孪生。
组件温度是根据经缩减热模型使用虚拟传感器来计算得到的。热模型对风扇物理学进行成像并基于虚拟传感器来按需计算轴承中、绕组中、磁体上、以及各种电子组件中的温度。
作为图6的延续,图7清楚地示出了来自经缩减热模型的输出变量(可能具有进一步参数)被用作用于计算老化过程的输入变量。底层老化模型基于历史数据并且可被存储为特征曲线。由老化来限制的剩余使用寿命因而可基于实际风扇历史和当前操作状态来在现场单独地计算或校正。
用于计算老化结果的诸相应模型得到以天或小时计的经计算得到的使用寿命,它本身可独自用作信息。相关信息项随后可被用于进一步预测,即各个体组件或整个风扇的剩余使用寿命的预测。这一预测随后可被用于智能剩余使用寿命优化。可采取措施以延长剩余使用寿命,例如,降低速度或将负载智能分布到多个风扇上。这些措施可通过受操纵的变量来传达。
图8再次示出了使用虚拟传感器的经缩减热模型所决定的数字孪生,其中从而描绘了包括电机的风扇。如前所述,该热模型描绘风扇物理学并基于虚拟传感器来计算各温度,它们被用于不同目的/目标/用途,以关键字而言例如:
用于监视:在虚拟传感器的辅助下确定操作参数并使用它们来用于监视。这些可以是:警报消息、状态LED、可阅读错误代码中的评注、云或app应用中的图像、用户界面中的显示画面。
用于预见性维护:用于确定风扇的老化的方法,包括多个子系统,诸如滚珠轴承、绕组、电子组件、磁体、以及预测剩余使用寿命。用来例如规划维护时间间隔,以在维护时间间隔之前达到最长的可能使用寿命(即,没有过早维护),维护预约的自动调度,维护需求的通知,替换部件的自动订购。
用于优化:用于确定与产品性能相关的操作状态的方法,即效率、组件温度、速度、输出功率、体积流量、体积、振动,等等。
用于创建智能风扇:响应于特定操作状态来改进行为或达到特定目标。
-改变操作点/改变控制参数以用于最优效率。
-改变操作点来达到最长的可能使用寿命。
-在故障概率非常高的情况下降低速度:
-以昼-夜节律来改变操作点以用于最安静的可能夜间使用。
-输出用于附加设备或消费者设备的受操纵变量,例如供用于控制热泵或用于附加冷却的温度输出。
-有意地避免严重系统状态(例如,谐振、过高温度,等等)。
为了更好地理解根据本发明的教导,一方面诸方法步骤的顺序且另一方面它们的内容都是重要的。相应方法步骤的顺序可以从底层算法的开发工作流中导出。这在图9中示出,其中该方法可以在最后步骤中细化。
下文基本上相关于创建详细模型:
模型是现实的图像或近似,根据定义这意味着近似。模型总是被限于对于预期图像而言感兴趣的部分。另外,模型基本上不是完整的,因为它要么出于更易于使用而在其必要输入变量方面作了缩减,要么在创建模型时各单独物理行为元素不是已知的。取决于稍后使用和目标,不同类型的建模是必要的,例如所考虑的不同区域、结果中所需的不同精度、或计算速度。存在非常多类型的模型,其中在该技术领域中,模型通常链接到数学表示,例如代数等式或不等式、普通或偏微分方程组、状态空间表示、表、图。
使用FE仿真(有限元仿真)的虚拟产品开发是当前产品开发的组成部分。典型地,物理域(例如,强度或热或磁电路)在非常大(100G字节的量级)且计算密集的模型中被成像,并且结果是在该模型中的数百万个点(节点)处确定的。这是详细模型的变型。这些详细模型的创建中的大致顺序可概括如下:
1.导入3D几何形状,例如来自CAD的域,
2.指派边界条件,即固定支架、材料定义、接触条件(粘合点、滑动连接、热绝缘),
3.联网(将几何形状拆分成相链接的数百万小元素),
4.施加负载,即力、热源/散热器、磁场,
5.对于每一个体元素自动求解所得的微分方程并将它们归并以形成用于总体模型的一个大型结果,
6.评估该结果。
使用虚拟传感器相关于风扇/具有风扇的总体系统的详细模型的创建如下:
详细描述是以能够描绘风扇和/或总体系统的物理学为目标来创建的。所谓的虚拟传感器是详细模型中定义的计算点。这些虚拟传感器计算组件状态,例如风扇的详细热模型中的绕组温度。详细模型是仿真模型,它们在计算时间、所需计算能力、以及存储器需求方面是复杂的。此类详细模型(例如,热模型、磁电路模型、电子模型、控制模型、力模型、或振动模型)被用来计算非线性操作状态。该系统的物理效果包括各域之间的相互作用,这是各个体模型必须被认为耦合在总体系统中的原因。在总体系统中使用详细模型的计算在计算时间方面是不实际的,因为相互作用不能被实时地评估。模型缩减因此是必要的。
经缩减模型的生成可如下执行:
模型缩减非常概括地描述现有模型,以缩减进一步信息,例如以针对存储器需求或计算速度来对它进行优化。在此,取决于特定应用,存在许多变量,诸如:
■简单数学函数的近似,诸如多项式函数,并仅存储系数。
■存储针对各输入变量的表,并随后使用这些离散值或在这些值之间内插。
■逼近根据先前值提供预测的统计模型。
■图/逻辑门,示例:如果T>200℃,则风扇有缺陷。
经缩减模型的生成——示例a)
该经缩减模型的起始点是热的FE模型,它取决于热输入和热输出来描绘该模型的每一点的温度。在以下示例中,模型缩减被简化成仅一个热输入和一个热输出,在A点处只确定一个温度,并且在每一情形中只有值“高”和“低”。为此,执行参数学习,由此这一所谓的“查找表”被确定:
A点处的温度 | 热输入=低=1W | 热输入=高=11W |
热输出=低=1W | 40℃ | 80℃ |
热输出=高=5W | 20℃ | 60℃ |
存在用于使用这些结果的随后若干选项。
■直接和离散地使用该表。示例:如果要针对4W热输入和1W热输出来预测A点处的温度,则直接采用值40℃。
■使用该表并在各值之间线性地内插。示例:如果要针对5W热输入和1W热输出来预测A点处的温度,则经由线性内插确定值60℃。
■借助回归使用该表来确定温度预测函数。目标函数的示例是多项式函数、线性函数、指数函数、统计函数、微分方程,等等。随后借助这一函数来确定温度。
生成经缩减模型——示例b)
该经缩减模型的起始点是热的FE模型,它取决于热输入和热输出来描绘该模型的每一点的温度。随后,可使用数学假设、计算、以及变换(例如,LTI系统或Krylov子空间方法)来逼近紧凑状态空间模型。这包括两个必须的微分或积分方程以及描述整个系统的四个矩阵(例如,使用标量数值填充的200x200矩阵)。然而,这不再表示数百万节点处的温度,而只是少许所选点处的温度。另外,该逼近导致结果的偏差,取决于状态空间模型的大小。基本上,模型及其矩阵越大,偏差越小。
状态空间模型可作为许多计算机代数程序(诸如Matlab)中的规程、模块或对象或在编程语言中作为标准特征来获得,这意味着此类模型可通过简单地导入矩阵来计算。输入变量是例如进入系统的热功率和归因于对流的散热器,输出变量是例如特定组件温度(例如,三个不同组件温度)。
生成经缩减模型——示例c)
在这一示例中,模型缩减的起始点是经验结果。在此,与在示例a)中一样,将根据测量结果来创建表,并且此后将使用等效规程(离散使用、线性内插、或借助数学函数回归)。
物理域或各模型的耦合可以是尤其重要的。
典型地,各域在虚拟产品开发中被个体地考虑,因为联合考虑是计算非常密集和存储器非常密集的并且是几乎不切实际的。模型缩减提供了将来自不同域的各模型相耦合的可能性。例如,将详细磁电路模型(其在高性能计算集群上的计算时间花费几天到几星期)与热模型相耦合不是有利的。通过缩减详细模型,所需计算能力和存储器需求变得较低,并且使得在经济方面诸模型的耦合是可能的。在许多情形中,有必要尽可能精确地描绘真实行为。
诸物理域或各模型的耦合——示例
■绕组电阻大致线性地取决于铜的温度。取决于绕组电阻,绕组中的功率损失大致线性地变化。取决于功率损失,热行为变化(例如,绕组和轴承温度)是强非线性的,这进而影响绕组电阻。取决于对模型的结果的要求,耦合在此是必要的。
■风扇的所需扭矩和速度强烈地取决于设施电阻,并且例如所传达的介质的压力差和温度。磁电路的行为,即通过绕组的电流、磁场、速度等,取决于负载扭矩而变化。取决于此,功耗、损失、以及可达速度也变化。同样在此,在消费者应用的情形中,可设想取决于该应用将风扇行为耦合到安装情形。
技术实现的规范——示例a)
■创建风扇的热FE模型→计算密集和存储器密集的FE模型具有1000000个元素,除多项式函数之外。热源和散热器被描绘成因变于输入电流和速度的多项式函数。
■经由统计方法创建经缩减热模型,它因变于输入电流和速度来描绘电子组件温度。→→因变于输入电流和速度来描述温度的多项式函数=虚拟温度传感器。
■来自取决于其温度的电子组件的使用寿命有关的数据单的特征曲线→根据虚拟温度传感器来计算故障概率的因操作参数而异的算法。
■用于预见性维护、监视、或优化操作点的用途→智能算法
技术实现的规范——示例b)
■通过集成电子装置/控制来检测当前指针和电机速度。电磁操作点是从这导出的。
■基于这一操作点,电机和功率电子装置的损失得自查找表或多项式函数。
■热模型处理损失值并确定关键系统组件(诸如滚珠轴承或半导体组件)的温度。
■同时,经由真实传感器记录组件振动。局部振动实际上由行为模型投影到总体系统,由此例如,估计归因于振动的轴承负载。
■在因操作参数而异的算法的辅助下,所确定的温度和振动值被转换成对组件和风扇使用寿命的估计。
■因而可使得诸如预见性维护等进一步措施是可能的。
■同时,在知悉损失的情况下,操作点和系统效率可通过控制电子工程调整来被优化,诸如引导控制角的变化。
关于详细模型的模型缩减的以上声明适用于在风扇和/或风扇系统的应用的范围中,其中降阶可借助Krylov子空间方法来执行。目标是使计算时间、所需计算能力、以及存储器需求最小化,使得实时计算是可能的。虚拟传感器被保留并提供输出变量。
根据图9,在下一步骤中经缩减模型被链接到风扇系统模型。具体而言,诸经缩减模型(诸如热模型、磁电路模型、软件模型、电子模型等)被链接以形成风扇系统模型。风扇系统模型描绘个体风扇或风扇群或风扇系统的物理学,并取决于环境条件和操作状态来计算效率、运行性能以及诸个体模型之间的相互作用。
在下一步骤,风扇系统模型被链接到设施模型,由此得到总体系统模型。总体系统模型包括若干风扇和设施,例如包括压缩机和/或冷凝器。设施模型可使用与风扇系统模型相同的工作流来实现。风扇系统模型和设施模型随后可被链接以形成总体系统模型。
下一步骤包括行为研究,即使用输入参数组合进行响应变量的计算。
研究的目标是确定总体系统模型的行为并使用这一知识来实时地控制该系统。
根据总体系统行为,模型输入变量对模型响应变量的效果和影响被传送或描绘在设计空间中。
设计空间是由诸可能的输入变量所跨的多维空间。输入变量的数目与设计空间的维度相对应。对于十个输入变量,这意味着十个维度。
模型输入变量在所定义的界限内变化。这创建均匀地覆盖并且因而描述该多维空间的诸参数组合。模型响应变量(诸如效率和运行性能)是基于诸参数组合来计算的。行为研究提供填充有因变于输入变量的响应变量的设计空间。这一空间描绘总体系统行为。
图10示出了不同输入变量如何流入风扇系统模型和冷却电路模型,这造成总体冷却系统模型。对应的输出变量要被理解为总体冷却系统模型的结果。根据图11,所得的知识可被传送到行为表。如果总体系统行为是已知的,则输入变量可被调整以获得最佳可能响应变量。
对来自行为表的响应变量和相关联输入变量组合的调整或选择是由优化器来实现的,即根据图9中所示的进一步方法步骤,优化器据此选择最佳响应变量并且因而选择针对当前操作状态的最佳可能输入参数的组合。
如在图12中所示,优化器选择最佳响应变量并确定针对当前操作状态的最佳可能输入参数组合。换言之,优化器取决于环境条件/操作状态来选择最佳可能模型响应。输入变量的相关联的参数组合被设定。系统因而可按最佳可能的方式被控制。总体冷却系统行为表可在任何处理器上运行,优选地在任一情形中提供的在风扇的微处理器上。控制因而是可能的。
图13涉及可能的细化,据此图12中示出的总体冷却系统行为表通过在云中对冷却电路的系统仿真来扩张。该系统包括风扇的数字孪生、冷却电路的数字孪生、确认单元以及虚拟控制器/优化器。
风扇和冷却电路的诸数字孪生在物理上描绘该系统。虚拟控制器知悉如在图12中所示的总体冷却系统行为表。另外,虚拟控制器可通过机器学习来进行学习,例如相关于特定客户应用。确认单元通过比较设定点值和实际值来改进数字孪生。该系统因而具有仿真特定客户模式并改进从中得出的结论现的能力。
最后,明确声明,以上描述的示例性实施例纯被用来解释所要求保护的教导,而没有将其限于各示例性实施例。
Claims (10)
1.一种用于优化风扇的效率和/或运行性能和/或使用寿命的方法,其中从因组件而异或因功能而异的数值详细模型开始,基于至少一个算法,进行模型缩简并且因而进行数据缩简(数据精化)来得到因组件而异或因功能而异的行为模型,其中所述行为模型的经缩减数据在系统仿真中被耦合或组合以形成具有输入变量和输出变量的系统行为模型,并且其中来自所述系统行为模型的所述风扇的输入变量和相关联的输出变量被提供给优化器以供选择,以取决于框架条件达到所述系统的经优化控制。
2.如权利要求1所述的方法,其特征在于,所述详细模型包括一个或多个风扇和/或将环境纳入考虑的总体系统的热模型、和/或磁电路模型、和/或叶片位置和流模型、和/或环境模型、和/或数字孪生模型。
3.如权利要求1或2所述的方法,其特征在于,经缩减模型的数据是以表或数据矩阵的形式来提供的。
4.如权利要求1到3中的任一项所述的方法,其特征在于,所述系统行为模型的数据——所述风扇的输入变量和相关联的输出变量——是以表或数据矩阵的形式提供的。
5.如权利要求1到4中的任一项所述的方法,其特征在于,所述优化器的框架条件是所述风扇的环境条件,因变于此,在相关联的输入变量是从相应表行读出的条件下,在所述表或矩阵中,优选地实时地,选择相应最佳可能系统输出变量,例如系统效率,随后它被用来执行控制。
6.如权利要求1到5中的任一项所述的方法,其特征在于,叶片位置的角度是按如下方式控制的:取决于操作点得到最优系统效率,由此优化器从系统行为表中选择所述最优系统效率并将对应的输入变量馈送到所述控制。
7.如权利要求1到6中的任一项所述的方法,其特征在于,风扇布置中的诸个体风扇所需的流速度和负载分布,例如数据中心的诸风扇的负载分布,按以下方式来控制:取决于所述数据中心中的温度来得到最优系统效率,其中所述优化器从所述系统行为表中选择所述最优系统效率并将对应的输入变量馈送到所述控制。
8.如权利要求1到7中的任一项所述的方法,其特征在于,经优化控制被转换成C代码,由此在标准微处理器上的实时控制是可能的。
9.如权利要求1到8中的任一项所述的方法,其特征在于,所述详细模型是基于使用风扇的数字图像(数字孪生)和至少一个因操作参数而异的算法来确定所述风扇的操作状态来获得的,其中所述确定包括以下方法步骤:
通过借助数学计算模型以及可能已知的数据来对真实风扇的属性进行成像,来创建所述真实风扇的数字图像,
将已知关系、特征曲线等纳入考虑来创建所述至少一个因操作参数而异的算法,
借助虚拟传感器经由所述数字图像来计算所述风扇的诸组件状态,
将所述诸组件状态传送到所述算法,所述算法根据所述诸组件状态计算所述风扇的操作参数。
10.如权利要求9所述的方法,其特征在于,作为数学和/或物理和/或经验和/或统计模型或作为组合模型的所述数字图像基于热和/或机械和/或磁电路计算模型,其中相应计算模型是由相应详细模型转换成经缩减模型。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018201708 | 2018-02-05 | ||
DE102018201708.5 | 2018-02-05 | ||
PCT/DE2019/200008 WO2019149325A1 (de) | 2018-02-05 | 2019-02-04 | Verfahren zur optimierung des wirkungsgrads und/oder der laufperformance eines ventilators oder einer ventilator-anordnung |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111684160A true CN111684160A (zh) | 2020-09-18 |
CN111684160B CN111684160B (zh) | 2023-02-10 |
Family
ID=65763235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980011663.4A Active CN111684160B (zh) | 2018-02-05 | 2019-02-04 | 用于优化风扇或风扇布置的效率和/或运行性能的方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11773859B2 (zh) |
EP (1) | EP3749863A1 (zh) |
JP (1) | JP7254819B2 (zh) |
CN (1) | CN111684160B (zh) |
BR (1) | BR112020014573A2 (zh) |
DE (1) | DE102019201410A1 (zh) |
WO (1) | WO2019149325A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487584A (zh) * | 2020-12-03 | 2021-03-12 | 天津工业大学 | 一种基于动力学的滚动轴承数字孪生建模方法 |
CN113984416A (zh) * | 2021-09-09 | 2022-01-28 | 中车青岛四方机车车辆股份有限公司 | 转向架的检测数据处理方法、装置、设备及可读存储介质 |
CN114460466A (zh) * | 2022-04-12 | 2022-05-10 | 杭州杰牌传动科技有限公司 | 一种用于传动监测的虚拟传感器设备及其监测方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11751360B2 (en) * | 2020-03-17 | 2023-09-05 | International Business Machines Corporation | Intelligently deployed cooling fins |
US20210350294A1 (en) * | 2020-05-08 | 2021-11-11 | General Electric Company | Operations optimization assignment control system with coupled subsystem models and digital twins |
TWI775207B (zh) * | 2020-11-05 | 2022-08-21 | 財團法人資訊工業策進會 | 行為推薦裝置、行為推薦方法及其電腦程式產品 |
CN113356916B (zh) * | 2021-07-08 | 2022-09-16 | 长安大学 | 一种基于数字孪生技术的矿井风流调控虚拟系统及智能调控方法 |
CN113793649B (zh) * | 2021-09-13 | 2024-02-27 | 同济大学 | 一种碱性电解槽运行特性数字孪生模型构建方法 |
CN115169251B (zh) * | 2022-09-06 | 2022-11-25 | 新华三人工智能科技有限公司 | 一种风扇转速控制方法、装置及设备 |
CN117350114B (zh) * | 2023-10-11 | 2024-03-29 | 浙江浙能临海海上风力发电有限公司 | 一种风机健康状态评估方法、装置和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1669226A1 (de) * | 2004-12-07 | 2006-06-14 | Behr-Hella Thermocontrol GmbH | Modellbasiertes Verfahren zur Regelung einer Kfz-Klimaanlage |
CN103075360A (zh) * | 2013-01-30 | 2013-05-01 | 中兴通讯股份有限公司 | 一种机框风扇的控制方法及装置 |
US20160247129A1 (en) * | 2015-02-25 | 2016-08-25 | Siemens Corporation | Digital twins for energy efficient asset maintenance |
US20160333854A1 (en) * | 2015-05-15 | 2016-11-17 | General Electric Company | Digital Twin Interface for Operating Wind Farms |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6823675B2 (en) * | 2002-11-13 | 2004-11-30 | General Electric Company | Adaptive model-based control systems and methods for controlling a gas turbine |
US8131384B2 (en) * | 2008-11-03 | 2012-03-06 | United Technologies Corporation | Design and control of engineering systems utilizing component-level dynamic mathematical model with multiple-input multiple-output estimator |
JP2011048768A (ja) * | 2009-08-28 | 2011-03-10 | Hitachi Ltd | 最適設計装置 |
JP5240132B2 (ja) * | 2009-09-04 | 2013-07-17 | 富士通株式会社 | 熱流体シミュレーション解析装置 |
EP2475563B1 (de) | 2009-09-09 | 2014-04-16 | KNORR-BREMSE Systeme für Schienenfahrzeuge GmbH | Verfahren und vorrichtung zum abschätzen der temperatur eines radsatzlagers eines radsatzes eines schienenfahrzeugs |
DE102010002294A1 (de) | 2010-02-24 | 2011-08-25 | Siemens Aktiengesellschaft, 80333 | System bzw. Verfahren zur Ermittlung eines Lagerzustandes |
JP5439279B2 (ja) * | 2010-05-21 | 2014-03-12 | 株式会社日立製作所 | 電磁機器の最適設計システム |
US8560132B2 (en) * | 2010-07-09 | 2013-10-15 | International Business Machines Corporation | Adaptive cooling system and method |
ITCO20120008A1 (it) | 2012-03-01 | 2013-09-02 | Nuovo Pignone Srl | Metodo e sistema per monitorare la condizione di un gruppo di impianti |
DE102014000825B4 (de) * | 2014-01-22 | 2020-07-30 | Audi Ag | Verfahren zur Simulation von Betriebszuständen eines Klimagerätes und eines Belüftungssystems einer Fahrzeug-Klimaanlage |
JP6222468B2 (ja) * | 2014-03-26 | 2017-11-01 | マツダ株式会社 | 振動解析装置、及び振動解析方法 |
JP6477411B2 (ja) * | 2015-10-20 | 2019-03-06 | トヨタ自動車株式会社 | 解析プログラム |
DE102015118289A1 (de) * | 2015-10-27 | 2017-04-27 | Ebm-Papst Mulfingen Gmbh & Co. Kg | Produktselektor |
RU166358U1 (ru) | 2016-04-12 | 2016-11-20 | Акционерное общество "РТСофт" | Модуль контроля технического состояния |
US10628537B2 (en) * | 2016-04-12 | 2020-04-21 | Dassault Systemes Simulia Corp. | Simulation augmented reality system for emergent behavior |
CN108825481B (zh) * | 2018-08-28 | 2020-02-21 | 上海弦慧新能源科技有限公司 | 能效管理系统及方法 |
-
2019
- 2019-02-04 EP EP19710599.2A patent/EP3749863A1/de active Pending
- 2019-02-04 WO PCT/DE2019/200008 patent/WO2019149325A1/de unknown
- 2019-02-04 US US16/967,690 patent/US11773859B2/en active Active
- 2019-02-04 CN CN201980011663.4A patent/CN111684160B/zh active Active
- 2019-02-04 JP JP2020541994A patent/JP7254819B2/ja active Active
- 2019-02-04 BR BR112020014573-4A patent/BR112020014573A2/pt active Search and Examination
- 2019-02-04 DE DE102019201410.0A patent/DE102019201410A1/de active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1669226A1 (de) * | 2004-12-07 | 2006-06-14 | Behr-Hella Thermocontrol GmbH | Modellbasiertes Verfahren zur Regelung einer Kfz-Klimaanlage |
CN103075360A (zh) * | 2013-01-30 | 2013-05-01 | 中兴通讯股份有限公司 | 一种机框风扇的控制方法及装置 |
US20160247129A1 (en) * | 2015-02-25 | 2016-08-25 | Siemens Corporation | Digital twins for energy efficient asset maintenance |
US20160333854A1 (en) * | 2015-05-15 | 2016-11-17 | General Electric Company | Digital Twin Interface for Operating Wind Farms |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487584A (zh) * | 2020-12-03 | 2021-03-12 | 天津工业大学 | 一种基于动力学的滚动轴承数字孪生建模方法 |
CN113984416A (zh) * | 2021-09-09 | 2022-01-28 | 中车青岛四方机车车辆股份有限公司 | 转向架的检测数据处理方法、装置、设备及可读存储介质 |
CN114460466A (zh) * | 2022-04-12 | 2022-05-10 | 杭州杰牌传动科技有限公司 | 一种用于传动监测的虚拟传感器设备及其监测方法 |
CN114460466B (zh) * | 2022-04-12 | 2022-08-05 | 杭州杰牌传动科技有限公司 | 一种用于传动监测的虚拟传感器设备及其监测方法 |
Also Published As
Publication number | Publication date |
---|---|
BR112020014573A2 (pt) | 2020-12-08 |
EP3749863A1 (de) | 2020-12-16 |
JP7254819B2 (ja) | 2023-04-10 |
US11773859B2 (en) | 2023-10-03 |
RU2020128979A (ru) | 2022-03-09 |
CN111684160B (zh) | 2023-02-10 |
DE102019201410A1 (de) | 2019-08-08 |
RU2020128979A3 (zh) | 2022-03-09 |
WO2019149325A1 (de) | 2019-08-08 |
US20210033097A1 (en) | 2021-02-04 |
JP2021512419A (ja) | 2021-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111684160B (zh) | 用于优化风扇或风扇布置的效率和/或运行性能的方法 | |
CN111684369B (zh) | 用于风扇或风扇总成的优化操作的方法 | |
CN111684162B (zh) | 用于确定风扇的操作状态的方法 | |
EP2527942B1 (en) | System and method for estimating remaining life for a device | |
US11422529B1 (en) | Monitoring system for use in industrial operations | |
US9996092B2 (en) | Determining a time for corrective action in a data center | |
WO2018004464A1 (en) | Large scale machine learning-based chiller plants modeling, optimization and diagnosis | |
CN106462894A (zh) | 用于建模、仿真、优化和/或报价创建的系统和方法 | |
JP2018522520A (ja) | リアルタイムデータ駆動型の電力測定およびコスト推定システム | |
CN110036418B (zh) | 护理装备和系统的性能参数化 | |
US11404986B2 (en) | Torque control based on rotor resistance modeling in induction motors | |
EP3701337A1 (en) | Minimizing energy consumption by peripheral machines | |
Pour et al. | Multi-layer health-aware economic predictive control of a pasteurization pilot plant | |
US20230251606A1 (en) | System, apparatus and method for managing an electromechanical system | |
Ma et al. | Fault-tolerant supervisory control of building condenser cooling water systems for energy efficiency | |
Lee et al. | On-policy learning-based deep reinforcement learning assessment for building control efficiency and stability | |
RU2779855C2 (ru) | Способ оптимизации коэффициента полезного действия и/или эксплуатационных характеристик вентилятора или системы вентиляторов | |
RU2796809C2 (ru) | Способ оптимизированной эксплуатации вентилятора или вентиляторной системы | |
Ogawa et al. | Cooling control restraining effects due to ICT equipment utilization of disturbance based on model predictive control for modular data center | |
RU2778874C2 (ru) | Способ определения эксплуатационных состояний вентилятора | |
AU2022204337B2 (en) | Run-time reliability reporting for electrical hardware systems | |
CN117956767A (zh) | 基于深度q网络的数据中心空调系统优化控制方法、系统、存储介质及设备 | |
Norstedt et al. | Model Predictive Climate Control for Electric Vehicles | |
EP3731155A1 (en) | Apparatus and method for drive selection using machine learning | |
CN116838464A (zh) | 电控硅油风扇控制方法、装置、控制器及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |