CN111684369A - 用于风扇或风扇总成的优化操作的方法 - Google Patents

Abstract

在一种用于使用风扇或风扇布置的数字副本和至少一个因操作参数而异的算法来优化所述风扇或所述风扇布置的操作的方法中，在操作期间获得的数据和结论被馈送到优选地持续的创新和算法分析，所述持续的创新和算法分析的目标是生成产品创新同时生成经改进的“智能”算法。

Description

用于风扇或风扇总成的优化操作的方法

本发明涉及一种用于使用风扇或风扇布置的数字副本和至少一个因操作参数而异的算法来优化风扇或风扇布置的操作的方法。

1.数字孪生和孪生算法

这基于在风扇的每一工作点处确保最高可能效率和最佳可能运行性能的基本概念。归因于诸相对立的操作参数，这是困难的。

如从风扇的实际实践中已知的，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计算来确定它们。

DE102010002294A1公开了一种用于确定电机的轴承的状态的系统和方法。真实传感器单元查明传送给仿真单元的测得值。借助仿真单元，结果值被查明，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。归因于所需要的传感器技术，已知系统/方法是复杂的且难以用在缺少足够安装空间的风扇中。

数字孪生和孪生算法基于真实风扇的数字副本的创建，尤其是通过使用数学计算模型复制其属性并可任选地通过合并已知数据(在实际测量数据适用的情况下)。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(以及可任选地来自其历史)的电流测量数据。另外，至少一个因操作参数而异的算法被创建，计入已知环境情况、特征曲线等，并被用于进一步计算。

数字副本被用来借助虚拟传感器来查明或计算风扇的组件状态。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，以及从中导出的操作参数，可任选地提供与风扇的操作相关的预测，例如与风扇的使用寿命有关的预测。必要的是：所查明的组件状态和真实测量数据的组合使用是可能的。

为此使用两个不同的软件组件，具体而言，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(在本发明的教导的情况下是风扇或风扇系统)的数字副本。数字孪生借助计算模型以及在必要的情况下使用风扇的已知数据来复制风扇的属性。数字孪生的任务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，该算法使用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，视情况而异的自适应控制是可能的。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实现为在与风扇的电机相关联的微处理器上的数字孪生算法，并且因而可以作为固定组件被指派给风扇。

数字孪生算法是描述风扇的数字孪生与针对特定操作参数来设计的一种类型的智能算法的组合。

对于对应地设计的风扇，预见性维护可以在避免故障(例如归因于有缺陷的轴承或有缺陷的轴承润滑油)的目标下实现。目标是系统参数的视情况而异的调整，以使得能够实现风扇的近乎最大可能使用寿命。

使用风扇的数字副本并运行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利用风扇的诸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，使用数学模型连同物理和非物理模型。因操作参数而异的算法(智能算法)需要通过数字孪生查明的组件状态来确定任何操作参数，例如包括预测风扇故障。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重要的角色。

如从实践中已知的，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，轴承润滑油将被用尽得越快。因此，重要的是查明轴承温度以确定轴承润滑油使用寿命。

为了查明轴承温度，温度传感器将必须紧邻轴承来定位。归因于风扇/电机的几何和功能环境，这不是可能的。在根据本发明的方法中，诸如轴承温度等组件状态因此是使用数字孪生连同因操作参数而异的算法来计算得到的。

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。因此，轴承润滑油温度可根据风扇/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副本(数字孪生)连同至少一个因操作参数而异的算法来查明风扇的操作状态的方法。这形成计算操作状态的后续方法步骤的基础，操作状态是使用虚拟传感器基于数字孪生算法来确定的，其中用于实现相关于风扇的数字孪生算法的工作流被定义。具体而言，这用于减少被用来确定操作状态的真实传感器的数目。

2.智能风扇

通过用于优化风扇的效率和/或运行性能的方法，创建了准“智能”风扇，其中从因组件而异或因功能而异的数值详细模型开始并基于至少一个算法，执行模型缩简并且因而执行数据缩简(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，并且其中使得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能供优化器选择，以因变于底层条件达到所述系统的经优化控制。

这指的是在“智能”风扇的上下文中的数字孪生算法，作为在小节1中描述的孪生算法的进一步细化。

数字孪生算法的进一步发展要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，以确保每一工作点处的最佳可能效率和最佳可能运行性能。

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。详细模型可同样是根据本说明书的介绍部分的相关于风扇环境的数字孪生，例如提供用于整个系统的数据中心。详细模型也可与风扇布置的数字孪生相关。其他详细模型也是可设想的。

在下一步骤中，作为模型缩减的一部分来缩减详细模型，具体而言是缩减成称为行为模型的模型。这伴有相关联数据的相当可观的缩减。

在系统仿真中，行为模型与经缩减数据卷随后被链接，从而得到对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。结果是包含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，具体而言具有风扇的输入变量和相关联的输出变量。基于这些变量，优化是可能的。

当系统正在操作时，基于环境条件，优化器，优选地实时地，搜索行为模型表以寻找最佳可能系统输出变量，诸如系统效率。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，该系统按经优化方式，优选地实时地，被控制。

鉴于以上描述，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。以此方式，持续优化是可能的。

3.根据本发明的优化

基于数字孪生连同孪生算法并基于使用“智能”风扇对风扇的效率和/或运行性能的优化，本发明的目标是一方面生成对数字孪生算法的持续改进，且另一方面通过产品创新来生成经改进产品(风扇)，具体而言是使用计算得到的操作状态。

上述目标通过权利要求1的诸特征来达成，具体而言通过一种用于使用风扇或风扇布置的数字副本和至少一个因操作参数而异的算法来优化所述风扇或所述风扇布置的操作的方法来达成，其中在操作期间获得的数据和结论被馈送到优选地持续的创新和算法分析，所述持续的创新和算法分析的目标是生成产品创新和经改进的“智能”算法这两者。

根据小节1和2中的介绍性描述，根据本发明的方法的基础是使用数字孪生和其中使用的孪生算法。

通过一方面创新分析以及另一方面算法分析，数字孪生算法被持续改进并且生成了新产品创新。

根据本发明的方法的基础是数字孪生算法，它计算风扇在操作期间的操作状态，即在客户场所的现场。这些操作状态被发送到云以供分析以及后续进一步处理。分析有利地利用特殊工具，具体而言是在云中的用于机器学习的程序单元。“机器学习”被理解为根据经验人工地生成知识。

这一类型的人工系统从根据数字孪生算法计算得到的操作状态的示例中学习，并且一旦实际学习阶段结束就能够泛化它们。此类系统基于计算得到的操作状态来识别学习数据中的模式和规律性。

鉴于以上，可作出产品创新和算法改进。

还必要的是，组件状态的计算和记录被用于获得新知识，尤其是用于新产品的设计。发生了数字诀窍(know-how)的持续增长。

创新分析还使得基于特定需求简档确定客户就风扇而言实际上需要什么成为可能。因而，通过针对客户被个体地定制的风扇产品来创建新创新。

创新分析通过对智能数据的分析提供“对设计的反馈”，如通过根据本说明书的介绍性部分的小节2中的模型缩减获得的。

现有或经改进算法可被用来计算使用寿命或优化风扇的性能，并可以在分析的过程中改进。经改进算法使得风扇“智能”并启用用于维护的最佳可能预测。这尤其重要。

最后，经改进算法和新产品创新被用在新风扇产品的开发中，并且除此之外，造成数字孪生算法的持续改进。

存在各种选项以有利地配置和细化本发明的教导。参考附图，就此对从属于权利要求1的各权利要求作出参考，并对本发明的优选示例性实施例的以下描述做出参考。结合本发明的优选示例性实施例的描述(其中参考了附图)，也概括地解释了本教导的优选配置和细化。附图中：

图1到16示出用于使用特定特征实现根据本发明的教导的方法步骤，根据本发明的教导通过示例参考图6来解释。

图1到5用于阐明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释。

如上所述，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。因为温度传感器不能紧邻轴承来定位，所以轴承温度必须使用模型来计算，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。数字孪生计算整个系统(在它涉及电机时)的热和机械状态。借助属于数字孪生的虚拟传感器，数字孪生可基于电机的操作状态来查明轴承润滑油温度。

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。基于故障特征曲线，电机的故障可被计算或至少被估计。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，使得不需要附加电子系统。

图2示出了在风扇电机的轴承中的轴承润滑油的使用寿命的计算中的处理顺序。为创建真实风扇的数字副本，需要诸数值详细模型，具体而言是热模型、磁电路模型等。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。

行为模型和用于计算轴承润滑油使用寿命的算法随后在系统仿真中被链接，具体而言作为数字孪生与因操作参数而异的算法的组合的一部分，在当前情形中它被用来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。

如上所述，详细模型必须被缩减到行为模型以降低计算时间。这一措施允许数字孪生算法被实现在电机的微处理器上。对于热模型的缩减，可使用各种方法，例如Krylov方法。在所述方法中，详细模型的数据通过将模型降阶来被缩减。

磁详细模型可使用算法或使用表来被缩减。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，在这一情形中是用于计算轴承润滑油使用寿命的算法，来计算轴承润滑油和轴承的使用寿命。

基于操作温度，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因变于温度的轨迹，其中作为示例使用了持续操作、轴承类型、黏度、速度、润滑油温度、以及操作时间/使用寿命等参数来计算轴承润滑油使用寿命。对于四分钟操作时段，该简单计算给出了15分钟的使用寿命消耗。

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彼此链接。可例如在MATLAB程序中创建系统仿真。使用MATLAB代码生成器，系统仿真可被转换成C代码并实现在电机微处理器上。

图4和5示出了创建“智能”风扇中涉及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涉及数据中心中的诸风扇的负载分布。从详细模型的创建或将详细模型提供到经缩减模型、系统仿真以及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选择最优系统效率，并将对应的输入变量转发到控制器，其中控制是实时发生的。规程连同数据是以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的图示，风扇叶片的叶片位置角度要被控制，使得取决于工作点达到最优系统效率。基于合适的算法，经缩减模型从详细模型中导出，并且根据这一经缩减模型，作为系统仿真的一部分基于多个详细模型开发行为研究或所得的行为模型。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)转发到控制机构。整个系统是在微处理器上实时控制的，具体地基于行为模型和用于优化的算法。经由编程的数据和算法是以C代码来提供的。

图5中的图示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。各个体风扇的流速和所述速度所必需的各个体风扇的负载分布要被控制，使得取决于数据中心中的普遍温度来产生最优系统效率。在此同样，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转发给控制机构，使得可在微处理器上实时地控制整个系统。同样，行为模型的数据被馈送到用于优化的算法，其中程序以C代码在标准处理器上运行。

基于上述数据缩减，该方法使得能够生成可在标准微处理器上运行的紧凑C代码。在微处理器上，发生一种类型的数据精化(大数据→智能数据)，这是计算的结果。只有经压缩、精化的数据被进一步处理，或者例如发送到云。自然地，这显著降低到云的连接的流传输量。

使用数字孪生和因操作参数而异的算法所查明的操作参数可进一步被用于风扇的预见性维护和维护，以及用于优化风扇的设计和操作，其中数字孪生算法被细化以具体地针对个体情形来适配系统参数，即保证在每一工作点处的最佳可能效率和最佳可能运行性能。

图6示意性地概括了本发明的方法中的各步骤的顺序，其中当风扇正在操作时，数字孪生算法在风扇电机微处理器上运行。操作状态是使用虚拟传感器来计算的。基于操作状态，自适应控制是可能的并且风扇使用寿命可被计算得到。

数据从电机微处理器传送到云以供用于创新分析和算法分析。

作为创新分析的一部分，进行机器学习，从而得到持续产品创新。

机器学习还作为算法分析的一部分来进行，从而得到日益智能的算法。

这两个分析——创新分析和算法分析——的结果被馈送返回，以改进数字孪生和数字孪生算法，目标是“智能”算法和创建“智能”风扇。

对于根据本发明的教导，作为根据权利要求5的诸特征的特定特征，尤其重要的是识别模式和规律性。作为以上内容的补充，下文可被声明：

“人工智能”是用来描述机器处理通常需要人类智能的任务的性能的所有研究领域的通用术语。人工智能的一个子领域是“机器学习”，它使机器有能力根据经验生成“知识”，换言之学习。使用人工神经网络的“深度学习”是基于大量数据的统计分析的永久机器学习的特别高效的方法，并且因此是人工智能内最重要的面向未来的技术。

“深度学习”是机器学习领域内的一种学习方法。使用神经网络使得机器本身能够识别结构、评估这一识别、并在多个前向和后向运行中独立地改进或优化自身。

为此，人工神经网络被分成多层。这些充当从粗到细工作的诸经加权滤波器，由此提高识别模式并输出正确结果的概率。这是基于人脑来建模的，人脑以类似方式工作。

人工神经网络可被表示为矩阵。这提供了使得必要计算能被非常容易地执行的优点。在常规微处理器上并且因而也在风扇微处理器上的计算是可能的。这启用智能风扇，而无需因特网连接。

人工神经网络可被用来将数字孪生算法适配到制造商的各种各样的产品和公司中的不同客户应用。人工神经网络还可被用来基于错误模式来预测风扇故障。多个相关因素(诸如，增加的电流和提高的电子装置温度)被用于这一目的。

重要的是现代风扇的开发基于风扇的数字孪生和对数字孪生算法的使用。从风扇的操作中，确定操作状态，并且进行自适应控制和使用寿命的影响。创新分析和算法分析被馈送回数字孪生算法并提供朝该算法的“智能”执行的改进，进一步目标是创建“智能”风扇。

图7和8中的图示提供了所要求保护的教导的更详细解释。

使用数字副本是必要的，具体而言是风扇的数字孪生。数字孪生是通过数据处理来产生的。具体而言，它是从已知输入变量或传感器测得值与计算得到的值和计算/模型的组合来产生的。基于该数字孪生，在风扇上的特定预定点处查明组件温度、电流、损失等。具体地当没有针对借助风扇上的相应特定位置处的传感器进行测量的、在经济上/结构上可行的选项时，基于该数字孪生，实际值(诸如特定组件温度)被虚拟地确定。

对于所要求保护的教导而言更重要的是因操作参数而异的算法。基于数字孪生所提供的结果或数据(例如轴承温度)，诸参数(诸如，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/先前操作的工作点和环境处的操作参数。

图7和8使用具体示例解说了根据本发明的用于使用风扇的数字副本将以上解释纳入考虑来确定风扇的操作状态的方法。

在图7的左手列，列出了包括指派给诸箭头的单位的测得或计算得到的输入变量。这些输入变量是使用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。这基于基于仿真的模型，该模型将热源(例如，铜损失、铁损失、和电子装置损失)和散热器(诸如电机冷却(冷却风扇、气流、以及环境温度))计入考虑。这得到用于使用虚拟传感器的经缩减热模型的输入变量。所有这些对应于作为热模型的数字孪生。

使用带有虚拟传感器的经缩减热模型，计算组件温度。热模型复制风扇物理学并使用虚拟传感器来按需计算轴承中、绕组中、磁体处、以及各种电子组件中的温度。

构建于图7之上，图8清楚地示出了来自经缩减热模型的输出变量(可任选地具有附加参数)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，它本身可仅用作信息。相关信息随后可被用于进一步预测，具体地用于预测各个体组件或整个风扇的剩余使用寿命。这一预测随后可被用于剩余使用寿命的智能优化。用以延长剩余使用寿命的措施可被实现，例如，降低速度或将负载智能分布到多个风扇上。这些措施可借助校正变量来传达。

图9再次示出了具有虚拟传感器的经缩减热模型所决定的数字孪生，由此风扇和电机被描述。如上所述，热模型复制风扇的物理学并使用虚拟传感器来计算被应用于不同目的/目标/用途的不同温度，例如：

用于监视：借助虚拟传感器查明操作参数并使用这些参数来进行监视。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、和磁体，以及用于预测剩余使用寿命。用于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，没有过早维修)，维护的自动调度，维修需求的报告，备用部件的自动订购。

-用于优化：用于查明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、体积流速率、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。

-改变工作点/改变控制参数以用于最优效率。

-改变工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-夜节律来改变工作点以用于最安静的可能夜间使用。

-发出用于附属系统或客户设备的校正变量，例如供用于控制热泵或用于附加冷却的温度输出。

-有目的地避免严重系统状态(例如，谐振、过高温度，等等)。

为了更清楚地理解本发明的教导，方法步骤的次序及其内容是重要的。相应方法步骤的次序可以从底层算法的开发工作流中导出。这在图10中示出，其中在最后步骤中，该方法可被进一步开发。

为了创建详细模型，以下一般是相关的：

模型是现实的副本或近似，根据定义这是仿真。模型总是被限于对于预期副本而言感兴趣的部分。另外，模型基本上是不完整的，因为它要么出于更易于使用而在其所需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是未知的。取决于后续使用和目标，可能需要不同类型的建模，即例如不同方面的考虑、结果的不同所需精度或计算速度。存在许多类型的模型；然而，在诸技术领域中，大多数模型与数学表示相联系，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、或图。

使用FE仿真(有限元仿真)的虚拟产品开发过程是当今产品开发处理的组成部分。典型地，物理域(例如，稳定性或热或磁电路)在非常大(100G字节范围)且计算密集的模型中被复制，并且结果是在该模型中的数百万个点(节点)处确定的。这是详细模型的一个变型。创建这些详细模型的过程可粗略地概括如下：

1.导入3-D几何形状，例如来自CAD系统，

2.指派边界条件，即固定约束、材料定义、接触条件(胶合点、滑动连接、热绝缘)，

3.联网(将几何形状分成数百万小的相链接的元素)，

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这些归并成用于总体模型的一个总体结果，

6.评估该结果。

包含相关于风扇/包括风扇的整个系统的虚拟传感器的详细模型如下创建：

详细模型是以复制风扇和/或作为整体的系统的物理学的目标来创建的。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，诸如风扇的热详细模型中的绕组温度。详细模型是仿真模型，它们在计算时间、所需处理能力、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，并且因此各个体模型必须被认为作为整体耦合在该系统内。在整个系统中使用详细模型的计算在计算时间方面不是实际的，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，以缩减附加信息，例如以在存储器需求或计算速度方面来对该模型进行优化。取决于特定应用，存在模型缩减的许多变型，例如：

■逼近简单数学函数，诸如多项式函数，并仅存储系数。

■存储针对不同输入变量的表，并随后使用这些离散值或在这些值之间内插。

■仿真根据先前值提供预测的统计模型。

■图/逻辑门，例如：如果T>200℃，则风扇有缺陷。

经缩减模型的生成——示例a)

该经缩减模型的基础是热的FE模型，它因变于热输入和热输出来映射该模型上的每一点处的温度。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，并且只有值“高”和“低”。为此，执行参数学习，由此创建这一“查找表”：

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。目标函数的示例包括多项式函数、线性函数、指数函数、统计函数、微分方程，等等。随后，使用这一函数来确定温度。

经缩减模型的生成——示例b)

该经缩减模型的基础是热的FE模型，它因变于热输入和热输出来映射该模型上的每一点处的温度。可随后使用数学假设、计算、以及变换(例如，LTI系统或Krylov子空间方法)来仿真紧凑状态空间模型。所述模型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，这不再标绘数百万节点处的温度，而只是少许所选点处的温度。此外，该逼近导致结果的偏差，取决于状态空间模型的大小。一般而言，模型及其矩阵越大，偏差越小。

状态空间模型可在标准基础上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来获得，这意味着此类模型可通过简单地导入矩阵来计算。在这一情形中，输入变量是例如进入系统的热输出和得自对流的散热器，输出变量是例如特定组件温度(例如，三个不同组件温度)。

经缩减模型的生成——示例c)

在这一示例中，经验结果形成模型缩减的基础。在这一情形中，如在示例a)中一样，测量结果的表将被创建，并且该过程随后将按等效方式(离散使用、线性内插、或使用数学函数的回归)继续。

物理域或不同模型的耦合可进一步是有用的。

典型地，在虚拟产品开发中，各域被单独地考虑，因为将它们一起考虑是高度计算密集和存储器密集的且实际上不是可实施的。模型缩减使得将来自不同域的模型相耦合成为可能。例如，将详细磁电路模型(其在强力计算集群上的计算时间总计几天到几星期)与热模型相耦合没有提供优点。在许多情形中，以最大准确度来复制真实行为是必要的。

诸物理域或不同模型的耦合——示例

■绕组电阻大致线性地取决于铜的温度。绕组中的功率损失因变于绕组电阻大致线性地变化。因变于功率损失，热行为(例如，绕组和轴承温度)以高度非线性的方式变化，这进而影响绕组电阻。因而，在这一情形中，取决于对模型的结果的要求，耦合是必要的。

■风扇的所需扭矩和速度严重依赖于系统电阻，以及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，因变于负载扭矩而变化。功耗、损失、以及可达速度随后也因变于这一行为而变化。同样在此，在消费者应用的情形中，可设想取决于个体情形将风扇行为耦合到安装情形。

技术实现的细节——示例a)

■创建风扇的热FE模型→计算上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。热源和散热器被映射为取决于输入电流和速度的多项式函数。

■通过统计方法创建经缩减热模型，它因变于输入电流和速度来映射电子组件温度。→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。

■来自因变于其温度示出电子组件的使用寿命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、或优化工作点的用途→智能算法

技术实现的细节——示例b)

■通过集成电子装置/控制来检测当前指示符和电机速度。从这导出电磁操作点。

■基于这一操作点，电机损失和功率电子装置损失是从查找表或多项式函数获得的。

■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，通过真实传感器记录组件振动。局部振动实际上是使用行为模型投影到作为整体的系统，由此例如，允许基于振动来估计轴承负载。

■使用因操作参数而异的算法，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。

■诸如预见性维护等进一步措施由此被启用。

■同时，如果知悉损失，则操作点和系统效率可通过控制电子工程调整来被优化，诸如改变导程角。

涉及详细模型的模型缩减的以上规范适用于风扇和/或风扇系统的实际应用，在这一情形中，降阶可使用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10，在下一步骤中诸经缩减模型被链接以形成风扇系统模型。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。风扇系统模型复制个体风扇或风扇群或风扇系统的物理学，并因变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，从而创建总体系统模型。总体系统模型包括多个风扇和设施，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创建。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，具体而言，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。

基于总体系统行为，模型输入变量的效果和影响被传送或映射到设计空间中的模型响应变量。

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由此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)是使用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。这一空间复制该系统作为整体的行为。

图11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，从而造成总体冷却系统模型。对应的输出变量被理解为总体冷却系统模型的结果。所得的知识可被转换成行为表，如在图12中所示。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执行的，具体而言，根据图10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组合。

根据图13的图示，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，优化器基于环境条件/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调整。系统的控制由此可被优化。总体冷却系统行为表可在任何处理器上运行，优选地在已作为风扇的一部分提供的微处理器上。控制由此被启用。

图14涉及可能的细化，据此图13中示出的总体冷却系统行为表通过在云中添加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复制该系统。来自如在图13中所示的总体冷却系统行为表的知识可供虚拟控制器使用。此外，通过机器学习，虚拟控制器可以就这一点学习更多，例如相关于特定客户应用。确认单元通过比较设定点值与实际值来改进数字孪生。因而，该系统能够仿真特定客户模式并根据所得知识来改进。

根据权利要求1中指定的特征组合，创新分析尤其重要。创新分析的目标是通过从客户应用得到的知识来提高效率和运行性能并降低材料成本。真实客户操作的数字图像被采集。通过模式识别，可任选地使用AI(AI＝人工智能、机器学习)，客户的操作的特征属性被滤出和识别。基于来自客户的操作的特征属性，客户模型被创建。该模型被使用人工智能来分析以寻找弱点。

此类弱点的一个示例将是风扇在其中冷却并非最优的区域中的操作。与目录措施相比，效率下降。一旦此类弱点被标识出，优化的目标是提高在客户的操作点处的效率。优化器使用风扇的详细模型和客户模式模型来用于优化。优化的结果可以是绕组调整，例如和/或几何形状调整，以改进风扇的冷却。

图15示出了在云中自主地发生的工作流。

图16涉及云中的算法分析。

智能算法的目标是改进和开发新算法以用于分类和预测风扇故障。真实客户操作的数字图像被采集。人工智能根据所采集的数据来创建模式，并在直至故障点的历史上识别该模式中的特定变化。基于模式中的变化，故障可被分类并且可作出故障预测。这被转换成算法，通常基于神经网络或自学习系统。在算法被改进或新算法被创建时，该算法被传送到客户的操作，其中循环地或周期性地发生改进。工作流在云中自动发生，如在图16中描绘的。

最后，应当明确声明，以上描述的示例性实施例仅旨在用于解说所要求保护的教导的目的，而没有被限于这些示例性实施例。

Claims (8)

1.一种用于使用风扇或风扇布置的数字副本和至少一个因操作参数而异的算法来优化所述风扇或所述风扇布置的操作的方法，其中在操作期间获得的数据和结论被馈送到优选地持续的创新和算法分析，所述持续的创新和算法分析的目标是生成产品创新同时生成经改进的“智能”算法。

2.如权利要求1所述的方法，其特征在于，所述因组件而异或因功能而异的数值详细模型被使用，它们通过模型缩减和数据缩减(数据精化)被转换成因组件而异或因功能而异的行为模型并且在系统仿真中耦合或组合以形成具有输入和输出变量的系统行为模型，以使得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能供优化器来选择。

3.如权利要求1或2所述的方法，其特征在于，操作状态或组件状态是当所述风扇正在操作时使用所述数字孪生算法来计算的，并且优选地被馈送到经由云/云中的相应分析。

4.如权利要求1到3中的任一项所述的方法，其特征在于，所述分析使用机器学习程序，尤其用于根据所述风扇的操作经历来人工生成知识。

5.如权利要求1到4中的任一项所述的方法，其特征在于，根据使用所述数字孪生算法的状态的示例获得的学习数据来导出模式和规律性。

6.如权利要求1到5中的任一项所述的方法，其特征在于，所述分析提供与所述风扇的操作者的需求有关的信息。

7.如权利要求1到6中的任一项所述的方法，其特征在于，所述分析提供与针对客户单独地定制的风扇有关的创新。

8.如权利要求1到7中的任一项所述的方法，其特征在于，所述算法的改进被用于优化所述风扇的使用寿命的计算和/或用于优化所述风扇的操作和/或所述风扇的维护的最佳可能预测。

Images