CN111684162B - 用于确定风扇的操作状态的方法 - Google Patents

Abstract

一种用于使用风扇的基于物理条件的数字图像(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的方法，所述方法包括以下方法步骤：通过借助数学计算模型以及可能已知的数据来描绘真实风扇的属性，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来计算所述风扇的操作参数以及可能提供与所述风扇的操作相关的预测。

Description

用于确定风扇的操作状态的方法

技术领域

本发明涉及一种用于确定风扇的操作状态的方法，其中术语“风扇”要以最宽泛的含义来理解。另外，本发明的教导还可应用于多个风扇、风扇群、或风扇系统的布置。在多个风扇的布置中，它涉及诸风扇的相互作用，尤其是还涉及诸风扇之间的协调。在此点上，应当注意，术语“确定”要以最宽泛的含义来理解。这尤其包括操作状态的计算，如果可能的话。

本发明基于在风扇的每一操作点处确保最佳可能效率和最佳可能运行性能的概念。由于诸相对立的操作参数，这是困难的。

背景技术

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。

发明内容

本发明基于使用简单设计手段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目标。另外，使用寿命评估将是可能的，以能够实现新服务，诸如预见性维护。要考虑，难以将所需传感器附连在合适位置处。

根据本发明，具体而言，它是一种用于使用风扇的数字图像(数字孪生)来确定风扇的操作状态的方法，其中涉及至少一个因操作参数而异的算法。

更确切而言，真实风扇的数字图像是通过借助数学计算模型描绘它的属性并可能涉及已知数据(可能是真实的测量数据)来创建的。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使用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。

根据本发明，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。

根据本发明的教导(它可被概括在术语“数字孪生算法”下)是描述风扇的数字孪生与一种被设计成因操作参数而异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，重要的是确定轴承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。

虽然现在以使用轴承和轴承润滑油使用寿命的示例来讨论根据本发明的开发方法和方法的功能，但该方法可涉及风扇的所有可设想的操作参数。如果相应参数不是可直接测量的，但知悉它们可被用来优化风扇的操作，则根据本发明的方法的使用总是有意义的。

附图说明

存在各种选项来有利地设计和细化本发明的教导。为此，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8示出了用于实现根据本发明的教导的具有特殊特征的方法步骤。

图1示出根据本发明的方法的原理，其中在轴承润滑油和/或轴承的使用寿命的以下示例中，数字孪生与至少一个因操作参数而异的算法(智能算法)的组合被称为数字孪生算法。

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。

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。

图4示出了使用轴承润滑油使用寿命计算作为示例的根据本发明的方法的应用，其中数字孪生的模型考虑基于热模型和磁电路模型。

图5示出了润滑油使用寿命的计算，其中作为图4中示出的轴承润滑油使用寿命的计算的补充，添加了机械模型，它被转换成经缩减机械模型。

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。

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。

具体实施方式

图1示出根据本发明的方法的原理，其中在轴承润滑油和/或轴承的使用寿命的以下示例中，数字孪生与至少一个因操作参数而异的算法(智能算法)的组合被称为数字孪生算法。

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。

详细模型随后被缩减成行为模型，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。

在根据本发明的方式中，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减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示出了使用轴承润滑油使用寿命计算作为示例的根据本发明的方法的应用，其中数字孪生的模型考虑基于热模型和磁电路模型。这两个模型被转换成经缩减热模型和经缩减磁电路模型。

数字孪生与因操作参数而异的算法(即，确定轴承润滑油使用寿命的算法)相组合。

从详细模型开始，这被缩减，即导出经缩减模型。这一经缩减模型可以是矩阵的形式，其中该矩阵在系统仿真中被转换成C代码，即使用C代码生成器。详细模型的缩减也可以用另一方式来完成。

详细模型因而造成经缩减模型。考虑计算轴承润滑油使用寿命的算法，发生系统仿真，从中生成了代码。这一代码被传送到电机微处理器，优选地与实时计算一起，这与云中的时移处理形成对比。

图5示出了润滑油使用寿命的计算，其中作为图4中示出的轴承润滑油使用寿命的计算的补充，添加了机械模型，它被转换成经缩减机械模型。

两个进一步的因操作参数而异的算法被用于进一步计算，即一方面用于振动评估且另一方面用于计算轴承使用寿命。

与轴承润滑油使用寿命的计算一样，数据经由系统仿真来链接，其中C代码是从由此获得的矩阵来生成的。这被传送到电机微处理器。

与轴承润滑油使用寿命和轴承使用寿命的计算有关的以上解释使得以下是清楚的：根据本发明的方法和从中得到的数字孪生算法是用于风扇的“数字化”的关键功能，因为关键信息项被计算并分析，同时减少总体所得数据。

关键信息项是最终的操作状态，它们在数字孪生的上下文中使用虚拟传感器来确定，从而能够计算风扇中的轴承润滑油使用寿命和轴承使用寿命。

此时，应当注意，任何可设想的操作状态可使用根据本发明的方法在虚拟传感器的基础上来计算，即借助数字孪生算法，这在使用真实传感器时是不可能的，这归因于与此类传感器相关的设计限制和成本。

基于以上讨论的数据缩减，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。

另外，只有以任何或所定义的时间区间来查询风扇或电机的剩余使用寿命是必要的，其结果是可识别出线性行为或漂移。如前所述，真实传感器可被省去以利于安装空间并降低成本。

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。

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处的操作参数。

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)。

下文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。

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：

■逼近简单数学函数，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各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。

最后，明确声明，以上描述的示例性实施例仅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 (13)

1.一种用于使用风扇的数字图像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的方法，所述方法具有以下方法步骤：

通过借助数学计算模型以及已知的数据来描绘真实风扇的属性，来创建所述真实风扇的数字图像，

将已知关系、特征曲线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来计算所述风扇的操作参数以及提供与所述风扇的操作相关的预测。

2.如权利要求1所述的方法，其特征在于，所述数字图像基于以下的一个或多个：数学模型、物理模型、经验模型、统计模型，以及其经组合的模型。

3.如权利要求2所述的方法，其特征在于，相应计算模型被从详细模型转换成经缩减模型。

4.如权利要求3所述的方法，其特征在于，所述数字图像被用来计算所述风扇的热和/或机械状态。

5.如权利要求4所述的方法，其特征在于，所述数字图像被用来计算所述风扇的电机的热和/或机械状态。

6.如权利要求5所述的方法，其特征在于，组件温度是使用所述计算模型由所述数字图像的虚拟传感器依赖于所述操作状态来确定的。

7.如权利要求1到6中的任一项所述的方法，其特征在于，所述至少一个因操作参数而异的算法将所述诸组件状态纳入考虑来计算风扇故障准则或预测所预期的风扇故障。

8.如权利要求7所述的方法，其特征在于，所述至少一个因操作参数而异的算法也将故障准则或故障特征曲线纳入考虑来计算风扇故障准则或预测所预期的风扇故障。

9.如权利要求6所述的方法，其特征在于，所述数字图像及其经缩减的模型和所述至少一个因操作参数而异的算法被借助仿真程序整合到系统仿真中。

10.如权利要求9所述的方法，其特征在于，所述数字图像和所述至少一个因操作参数而异的算法的软件使用机器码以仿真程序的形式被实现在微处理器上。

11.如权利要求10所述的方法，其特征在于，所述微处理器被直接指派给所述风扇的电机。

12.如权利要求11所述的方法，其特征在于，所述操作参数是轴承使用寿命和/或轴承润滑油使用寿命。

13.如权利要求12所述的方法，其特征在于，所确定的操作参数被用于所述风扇的预见性维护。

Images