CN116702920A - 提供电力转换器状况监测的机器学习模型的方法 - Google Patents

Abstract

本发明涉及一种提供电力转换器状况监测的机器学习模型的计算机实现的方法，其包括以下步骤：获得输入第一批(B1)的数据(D)，输入数据(D)包括在转换器(1)的至少一个运行状态(O1，O2)期间转换器(1)的一个或多个运行参数(P1，…，Pn)的多个样本(31)，优选地根据第一聚类算法(AL1)，例如基于聚类特征树，诸如BIRCH，通过将第一批(B1)的样本聚类为第一组聚类(C1)来缩减第一批(B1)的样本(31)的数量，并且确定每个聚类(C1)的至少一个代表性样本(R1)，提供用于训练机器学习模型(ML)的代表性样本(R)和/或基于代表性样本(R1)来训练机器学习模型(ML)。

Description

提供电力转换器状况监测的机器学习模型的方法

相关申请

本发明涉及电力转换器领域，并且涉及用于监视电力转换器的机器学习技术的使用。

背景技术

在包括一个或多个机器的工厂的运行期间，随着时间的推移发生可能无法被工厂操作员识别的变化。这些变化可由机器的机械结构引起，但也可具有电气原因。这可能导致机器磨损增加或影响产品的生产质量。如果在早期阶段没有检测到工厂的变化，则这可能导致停机时间增加和额外的或增加的维护成本。渐变的识别也可以是相当主观的，即，基于各个工厂操作员的个体评估。

技术上复杂的关系、诸如关于大量同时相关的处理参数的变化的相关性和检测，几乎不能由工厂操作员监视和正确地评估。例如，在包括电力转换器、电动机和/或变速器的驱动系统中和/或在实际处理中的变化因此通常仅在该变化变得显著时，例如以停机和/或质量缺陷的形式被检测到。转换器中可用的监视功能和分析选项部分地提供主动保护，并可用于检测工厂中出现的问题。然而，该分析仅是追溯性进行，而不是在损坏发生期间进行。

由于驱动系统的状况的详细评估所需的数据量，到目前为止已经需要相应大量的计算能力和数据存储。到目前为止，这样的评估不能在驱动系统附近执行，而是通常在计算单元中执行，该计算单元不具有对工厂现场级的数据的直接高频访问。

通过定期的人工检查和工厂部件的连续维护，如今可以监控工厂和机器的状况。在大多数情况下，只有当机器和系统发生故障时才会检测到变化或问题。因此，手动错误分析仅在问题已经发生并且由于机器和工厂停工而可能产生高成本时才开始。此外，维修人员的经验在分析中起到决定性的作用。

国际专利申请PCT/EP2021/069728公开了一种优化转换器的控制回路的方法，该方法包括以下步骤：获取由转换器提供动力的驱动系统的实际值，基于至少一个机器学习模型和实际值，推断对控制回路的控制参数的一个或多个调整以提高控制精度，输出调整以适配控制参数值。

此外，在欧洲专利申请EP21200255中公开了通过提供机器的若干额定运行状态的训练数据来改进机器的监视，并根据机器的运行状态对训练数据进行聚类，并训练将运行状态分配给经聚类的训练数据的分类器。

发明内容

在任何情况下，在驱动系统特别是转换器的运行期间获得的数据量可能变得太大和/或不平衡。此外，当今的转换器和/或其它处理级组件可能不具有及时处理数据的足够的计算和/或存储能力。

因此，本发明的一个目的是改进用于监测驱动系统并且尤其是转换器的数据处理。本发明的另一个目的是提高通常在转换器或驱动系统的运行中确定反常运行时的精度。

根据第一方面，通过提供用于电力转换器的状况监测的机器学习模型的计算机实现的方法来实现该目的。该方法包括获得第一批的输入数据的步骤，该输入数据包括在转换器的至少一个运行状态期间转换器的一个或多个运行参数的多个样本。该方法还包括以下步骤：优选地根据第一聚类算法，例如基于诸如BIRCH的聚类特征树，通过将第一批的样本聚类成第一组聚类来缩减第一批的样本数量。该方法还包括为每个聚类确定至少一个代表性样本的步骤。该方法还包括提供用于训练机器学习模型的代表性样本和/或基于代表性样本训练机器学习模型的步骤。

根据第二方面，通过使用根据第一方面的经训练的机器学习模型的方法来实现该目的。

根据第三方面，通过由第一方面的步骤获得的经训练的机器学习模型来实现该目的。

根据第四方面，该目的通过一种设备来实现，该设备优选地包括第一和/或第二存储器单元，其被操作以执行根据第一方面的步骤。

附图说明

图1示出了为驱动系统供电的转换器的示意图。

图2示出了包括转换器的多个运行参数的表格。

图3示出了被分成多个批的输入数据的图示。

图4示出了第一组聚类和每个聚类的代表性样本的图示。

图5示出了输入数据的所有样本和通过数据缩减获得的输入数据的代表性样本。

图6示出了用于训练机器学习模型的增量预处理、数据缩减和/或重新采样的示例性方法步骤。

图7示出了向其添加(重新采样)附加采样的输入数据的代表性采样。

图8示出了当应用机器学习模型时的示例性方法步骤。

图9示出了由机器学习模型输出的异常分数和预定阈值的图示。

图10示出了包括处理单元以及第一和第二存储器的设备。

具体实施方式

在图1中，示出了电力转换器1和驱动系统4，电力转换器在下文中也被表示为转换器。驱动系统4的控制由转换器1和优选地集成到转换器1中的控制单元11执行。为此，转换器1是控制回路的一部分，并且可以包括处理器和存储器以控制驱动系统4。转换器1因此为驱动系统4的电动机5提供动力。驱动系统4因此可以包括联接到线电压3的转换器1。驱动系统还可包括电动机5。齿轮箱6可以连接到电动机5。齿轮箱6可以连接到负载7，例如用于在产品生产中执行一个或多个处理步骤。或者，电动机5可以直接联接到负载7。转换器1的控制单元11控制功率块的一个或多个绝缘栅双极晶体管(IGBT)，其用作向电动机5提供电能的电子开关。

转换器1连接到边缘设备2。为此，转换器1的控制单元11可以连接到数据总线22，转换器的一个或多个运行参数经由该数据总线传输。边缘设备2可以包括一个或多个分析软件应用APP1，APP2，例如包括机器学习模型ML，用于处理从转换器1获得的数据。因此，控制单元11可以向边缘设备2的一个或多个分析软件应用提供输入数据。根据具体情况，边缘设备2可以用于提供转换器1与诸如云计算系统(未示出)的更高级系统的连接性，和/或边缘设备2可以用作用于处理由转换器1提供的输入数据的现场计算单元。应当理解，数据总线22是边缘设备2的一部分，并且可以经由转换器1和边缘设备2的相应接口联接到转换器1。分析软件应用APP1，APP2可以在边缘设备2的操作系统OS(例如linux)上执行。

所提出的解决方案能够监测驱动系统4，分别包括驱动系统4和转换器1的特定用途。使用来自转换器1的现有数据，这意味着不需要额外的测量传感器。该数据然后被用于检测驱动系统4中的异常并确定与正常运行状态的偏差。对于异常检测，需要两个阶段。第一阶段，即训练阶段、执行数据预处理、特征提取和模型训练。第二阶段，即应用阶段，描述了生产使用，也包括数据预处理、特征提取和最终异常检测。

图2示出了包括转换器的多个运行参数的表格。分析软件应用APP1，APP2可以检测驱动系统(特别是转换器)的运行中的变化，这些变化可能是有害的或导致生产或产品的较低性能或质量。如图2所示的转换器的运行参数可用于检测这些异常。运行参数可以使用变量名来识别，例如在图2的第一列中给出的，例如速度设定点由变量名r60来识别。这些运行参数可以具有一个物理单元，在该物理单元中测量或以其他方式获得这些参数，例如，速度设定点是以rpm、每分钟转数给出的。诸如“未平滑的绝对电流实际值”的其他运行参数可以以Arms、安培均方根给出，或者在“未平滑的转矩实际值”的情况下以Nm、牛顿米给出。运行参数可以以诸如浮点，例如FloatingPoint32等的数据格式提供，和/或可以由转换器1例如经由控制单元11和数据总线22提供给分析软件应用APP1，APP2，如图1所示。

现在，转换器可以提供运行参数，例如每几毫秒，例如每250ms。这种高数据速率使得必须由边缘设备2和/或相应的分析软件应用APP1，APP2存储和处理的大量数据，即数据量。另外，多于一个的转换器，即多个转换器可被联接到边缘设备并且这些转换器可将它们各自的运行参数传送到(相同的)边缘设备。

因此，需要一种允许由边缘设备和相应的分析软件应用来处理大量数据的方法。因此，提出以分批方式连续处理从转换器1获得的输入数据。

图3示出了被分成多个批B1，B2，…，Bn的输入数据D的图示。输入数据D可以包括所谓的指纹，即用作转换器运行的基线的参考值。输入数据D可以包括如上概述的转换器的一个或多个运行参数。分析软件应用可以包括机器学习模型，该机器学习模型利用转换器的该参考数据用于训练，例如在训练阶段期间，该参考数据典型地表示健康、正常条件。转换器的运行的指纹被包括在输入数据D中并且可以包括多个运行状态并且包括来自转换器和/或驱动系统的多个信号/参数。因此，异常表示与该指纹的偏差。

指纹的记录可以例如由用户使用用户界面来启动。指纹的记录时间应当分别包括驱动系统和转换器的多个并且优选地所有可能的工作点。因此，指纹必须包括足够的运行状态，例如用于使分析软件应用正确地工作。

如这里提到的，为了识别驱动系统的状态，记录称为指纹的参考测量。该指纹应该跨越对于驱动系统及其应用的运行足够显著的时间段。应用的所有典型运行状态必须是该指纹的一部分。指纹的开始时间和持续时间可以由用户例如工厂操作员来设置。例如，时间范围可以从六小时到两周，这取决于要监控的应用。基于指纹，创建机器学习模型并将其存储在例如边缘设备上。随后，可以记录新的指纹，并通过选择新的开始时间和持续时间来更新和重新训练机器学习模型。指纹的记录基于来自转换器的原始数据，该原始数据可以在预定时间段内保存在数据库中。当指纹被记录时，驱动系统的运行状态越恒定，机器学习模型就越容易学习这些运行状态。结果，异常检测更精确和可靠地工作。

由于边缘设备的硬件的限制，可以处理和/或用于训练机器学习模型的指纹的持续时间可能受到限制。在任何情况下，用户仍然可以照常指定指纹的持续时间。然而，如果在预处理之后得到的数据集的大小超过预定义的限制，例如65,000个样本，则将仅使用处理数据的前65,000个样本来训练机器学习模型。分析软件应用可以例如在用户界面上显示输出训练的实际时间范围。对于仅在两种运行状态下运行的电动机，在训练的两周内将不会达到例如65,000个样本的预定极限。但是对于每分钟以不同运行状态操作的应用，可以在两天内达到例如65,000个样本的预定限制。

如果不是驱动系统的应用的所有典型运行状态都被指纹覆盖，则分析软件应用可以检测多个异常，例如，因为机器学习模型不知道特定的运行状态。

一旦已经训练了机器学习模型，分析软件应用的机器学习模型就可以用于推断或预测，即例如基于由机器学习模型输出的异常分数来确定转换器的反常操作和/或异常。在该应用阶段期间，可以从转换器获得新的输入数据，该转换器由机器学习模型用于推断或预测。如图3所示，输入数据也可以被分成一个或多个分区，例如多个批。

如图3所示，输入数据D可以被分成大小相等的批，即包含相同量的数据。然而，一个或多个以上批也可包含不同量的数据。如稍后将更详细地描述的，输入数据D可以被存储在边缘设备的第一存储器中，而各个批B1，B2，B3…Bn被传输并连续地存储在边缘设备的第二存储器中。为此，一旦第二存储器获得了新的批，就可以至少部分地重写存储在第二存储器中的批。为了存储输入数据D，第一存储器具有用于存储输入数据的存储容量，并且输入数据的数据量被预先设置为分别低于第一存储器的存储容量。此外，第二存储器的存储容量低于第一存储器的存储容量，且一个或多个批的数据量使得其可存储在第二存储器上。如稍后将看到的，参照图10，第二存储器用作处理器的工作存储器，该处理器连续地处理一个或多个批，例如以便训练机器学习模型(在训练阶段期间)或确定反常运行状态或异常(在应用阶段期间)。第一存储器可以是非易失性存储器，而第二存储器是易失性存储器。

在任何情况下，如图3所示的输入数据D可以对应于上述指纹。该指纹用作参考测量并且包括可以理解为正常的参考状况，即转换器的正常运行状态和/或转换器的运行参数的正常范围。分析软件应用分别利用驱动系统和/或转换器的参考测量作为基线，该基线通常表示驱动系统和/或转换器的健康正常状况。指纹可以覆盖多个运行状态并且分别包括驱动系统和/或转换器的多个运行参数。异常或反常运行状态代表与该基线条件的偏差。

图4示出了聚类C1，C2，C3的第一组31和每个聚类C1，C2，C3的代表性样本R1，R2，R3的图示。现在，为了缩减输入数据和一个或多个批的数据量，执行数据缩减。为此，将包含在一批(例如第一批)中的样本聚类，并且确定每个聚类的代表性样本。因此，一个聚类包括该批的一个或多个样本。该一个或多个聚类可以通过诸如BIRCH、平衡迭代缩减和使用分级结构的聚类算法来创建。BIRCH是一种存储器高效的学习方法，其迭代地构建树数据结构(聚类特征树CFT)，其中数据(即样本)被压缩为一组聚类特征节点(CF节点)。输入数据和批分别被缩减为直接从树的叶子获得的第一聚类31。BIRCH算法使用该树结构来创建聚类。它通常被称为聚类特征树(CF树)。该树的每个节点由几个聚类特征(CF)组成。

对于每个聚类C1，C2，C3，确定代表性样本R1，R2，R3。因此，聚类C1，C2，C3的信息内容从多个样本压缩到单个样本R1，R2，R3或较少量的样本。例如，可以确定聚类C1，C2，C3的样本的形心，并将其用作代表性样本R1，R2，R3。

聚类处理可以执行多次，即对于每一批，分别更新聚类和聚类树。最后，使用第一聚类算法分别处理输入数据和所有批。然后，可以为每个聚类确定代表性样本。

图5示出了输入数据D的所有样本和通过数据缩减获得的输入数据D的代表性样本R。在图5的第一图像中，示出了输入数据D的所有样本。其中，在样本聚集的地方出现批量块。第二图像示出了输入数据D的代表性样本R，例如如上所描述的通过缩减样本的数量而获得的。可以看出，样本块分解，样本变薄。

图6示出了用于训练机器学习模型的增量预处理、数据缩减和/或重新采样的示例性方法步骤。

在第一步骤S1中，获得指纹。指纹由表示转换器操作的参考状况的输入数据给出。

在第二步骤S2中，执行增量预处理。其中，输入数据被清理和缩放。此外，输入数据可以如这里所描述的那样被划分成批，以便由边缘设备(递增地)处理。

如果基线测量(即，指纹)在长时间段上延伸，则由于边缘设备的硬件限制(例如，边缘设备的有限存储器和计算能力)，不可能立即对其进行处理。因此，以更小的批量递增地处理输入数据，并将前一步骤的结果转发到下一步骤。在该步骤中导出的预处理函数可以被保存以在以后用于数据缩减，并且将被应用于在应用阶段期间获得的新数据。

在第三步骤S3中，例如通过对(预处理的)输入数据进行聚类并为一个或多个聚类中的每一个确定代表性样本来执行数据缩减。数据缩减可以是第二步骤S2的一部分，或者可以在步骤S2之后执行。

数据缩减使得能够使用具有缩减功率的计算单元。参考测量可以覆盖长的时间段(天、周)，由此数据量变得非常大，并且不再能够像在现场级经常遇到的那样容易地在具有有限资源的计算单元上执行。该问题通过增量数据预处理来解决，由此该处理以所谓的批进行，即在预定时间间隔期间运行参数的样本。其中，例如根据第一聚类算法AL1，以优选连续的方式递增地(即一个批接一个批)处理批。这允许在处理后续批时考虑先前的预处理步骤。因此，输入数据的结果特性被压缩，并且可以被存储，并且稍后可用于随后的处理步骤。

提出了缩减数据量以使得能够使用边缘设备的存储器和处理器来训练机器学习模型。为此，建议使用第一聚类算法AL1，例如BIRCH。这种聚类使得机器学习的存储器高效方法能够迭代地缩减大量数据，同时保持数据质量。

在第四步骤S4中，例如为了平衡代表性样本而执行数据重新采样。转换器的所有运行状态中，输入数据(也称为参考数据或指纹)以及(参考样本的)缩减的数据集可能是不平衡的和不均匀的。一些运行状态可能比其它状态发生得更频繁。特别地，操作点之间的转换很少发生在输入数据中，并且表示比其它运行状态发生得更少的少数“类”运行状态。为了处理这种不平衡，少数区域(工作状态转换的低密度区域)被重新采样。可以基于使用第二聚类算法AL2的缩减数据集的预聚类来确定少数区域，例如具有预定数量的聚类的小批量K均值聚类。这种重新采样的结果在图7中示出。

因此，例如在步骤S3中的数据缩减之后执行重新采样，以便补偿未充分表示的运行状态，例如加速和延迟斜坡。首先使用第二聚类算法AL2(例如小批量K均值)将包括代表性样本(在图7中称为“原始”样本)的缩减数据聚类成第二组聚类，例如100个聚类。小批量K均值算法是使用小批量来缩减计算时间的K均值算法的变体。小批量可以是在每次训练迭代中例如从代表性样本中随机选择的数据子集。在当前情况下，第二聚类算法(例如，小批量K均值)可以对C1，C2，C3的形心R1，R2，R3进行聚类，成为新的聚类集合，即第二聚类集合。这样做是为了识别未充分表示的区域。然后对该组新的聚类进行平衡/重采样，在图7中称为“过采样”。由于由第一聚类算法产生的聚类、即第一组聚类通常不是均匀分布的或包含不同数量的样本，所以小批量K均值算法可以确定每个聚类中样本数量的中值。具有比中值更少的点的所有聚类然后可以被随机地重新采样，参见图7中的“过采样”样本。

除了加速和减速斜坡之外，经常存在其他未充分表示的运行状态，在这些状态下，驱动系统和转换器分别不那么经常地运行，而是分别表示驱动系统和转换器的正常运行状态。为了将这种运行条件考虑到异常检测的目的，提出了重新采样。重新采样可以利用第二聚类算法AL2，其能够得出关于未充分表示的运行状态的结论。结果，所有运行状态和两个运行状态之间的转换可以被同等地加权。

在第五步骤S5中，可以基于重采样的数据集来训练机器学习模型。或者，可以在步骤S3之后获得的数据集上训练机器学习模型，即不进行步骤S4的重新采样。异常检测可以被认为是一类分类问题。例如，一类支持向量机(SVM)可用于训练异常检测模型。可以替代地使用其他机器学习模型，例如隔离森林、深度神经网络等。经训练的机器学习模型被保存在边缘设备上，并且可以稍后在应用阶段中应用于新的未见数据。

图7示出了向其添加(重新采样)附加样本的输入数据的代表性样本。图7的第一图像示出了原始输入数据和添加到原始输入数据的附加样本。图7的第二图像示出了第一图像的摘录，其包含输入数据的代表性样本和通过重新采样代表性样本而添加的附加样本。

图8示出了当应用机器学习模型时，即在应用阶段期间的示例性方法步骤。

在应用阶段期间，在步骤S7中从转换器获得新数据。新数据表示转换器的当前运行状态。新数据可以是如上所描述的输入数据的形式，或者可以在获得和/或中间缓冲在边缘设备的存储器中之后被连续处理。

在步骤S8中，可以例如以与上述步骤S2中所描述一致的方式执行新数据的预处理。这保证了数据与用于训练机器学习模型的数据具有相同的尺度。

在步骤S9中，可以将新数据输入到经训练的机器学习模型中，该机器学习模型用于异常检测。机器学习模型可以输出异常分数，基于该异常分数确定转换器的状态。为此，在步骤S10中将异常分数与阈值进行比较。结果，可以产生报警或警告。如果机器学习模型没有确定反常操作或异常，则监控可以继续，例如通过(预)处理从转换器获得的另外的新数据。

图9示出了由机器学习模型输出的异常分数和预定阈值p的图示。可以在机器学习模型的训练阶段期间计算阈值p。在训练阶段完成之后，异常检测可以由边缘设备执行。机器学习模型和分析软件应用的输出分别根据时间变化来显示。结果，如果异常分数超过预定阈值，则例如可以向用户发出报警。

在训练阶段之后，阈值p被设置为默认值，例如0.5。建议以该阈值开始异常检测，然后迭代地逼近最优设置。如果检测到许多异常，阈值p应该被降低(p<0.5)。如果要监控的驱动系统例如是生产的关键部分，则更高的灵敏度(p>0.5)可以有助于检测在应用阶段期间发生的所有异常。建议以小幅度降低和增加阈值±0.05。可能需要针对每个驱动系统和/或转换器单独地设置阈值的值。只有当驱动系统具有完全相同的设计和工作负荷(使用)时，转移才是可能的。但是，即使在这些情况下，也高度推荐以上述方式设置灵敏度因子p。

因此，分析软件应用可以检测对驱动系统有害或导致生产或产品的较低性能或质量的应用特性的变化。

因此，分析软件应用由两个阶段定义。阶段1包括学习和训练以分别生成驱动系统和/或转换器的规范状态的机器学习模型。在阶段2中，该机器学习模型用于检测应用内的异常。分析软件应用未指定用于特定驱动系统或客户应用。其可用于任何应用并且可根据其进行配置。

以下提供了其他有利的步骤：

在获得第一批的输入数据之后，可以例如由边缘设备获得第二批输入数据。第二批输入数据中的样本数量可以通过例如根据第一聚类算法对第二批进行聚类来缩减。优选地，可以例如通过更新聚类特征树来更新第一组聚类，该聚类特征树是通过将第一聚类算法应用于第一批而创建的。类似地，可以以第三、第四等继续进行并且为此输入数据的所有批。即，可以通过更新先前获得的第一组聚类来聚类第n批。因此，提出了成批输入数据的迭代聚类。

此外，第一批和/或第二批的样本因此可以被聚类成第一组聚类。其中，基于两个样本之间的预设最大距离，例如转换器额定速度的给定百分比，例如0.25％，确定第一聚类中每个聚类的最大聚类半径。由此，可以控制执行聚类所达到的数据缩减量和分辨率。这对于使用于训练机器学习模型的数据量适应于边缘设备的第二存储器的存储容量特别有用。此外，使聚类半径取决于转换器的额定速度允许使状况监测的分辨率适应转换器应用的细节。额定速度是驱动系统的电动机达到其最大功率时的速度。

还提出优选地在第一存储器(优选地大容量存储器)上记录输入数据，以例如通过将输入数据的连续样本分别聚集到第一和/或第二批中而从输入数据创建第一批和优选地第二批，并将第一批和优选地第二批存储在第二存储器(优选地易失性存储器)上，其中尤其是输入数据包括超过第二存储器的存储容量的数据量，和/或其中第一批和/或第二批的数据量适配于第二存储器的存储容量。由此实现了通过将输入数据分成一个或多个批的方式的输入数据的迭代处理。

进一步提出，在缩减第一批的样本数量之后，用第二批输入数据至少部分地重写第二存储器单元中的第一批输入数据。因此，可以使用第一聚类算法并通过确定所创建的每个聚类的代表性样本来执行样本的缩减。然后，存储在第二存储器中的第一批可以至少部分地被第二批的样本重写。因此，第二存储器的存储容量被重新用于从输入数据创建的批的迭代处理。

还提出通过聚集连续的样本将输入数据分成多个批。如上所描述，可以通过例如根据给定数量的样本和/或根据时间段将输入数据划分成多个批来执行分割。

还提出确定第一组聚类的每个聚类的形心并使用该形心作为第一组聚类的每个聚类的代表性样本。由此，可以将聚类的多个样本缩减为单个样本。该代表性样本包括训练机器学习模型所需的信息。

还提出优选地根据第二聚类算法(例如，小批量K均值)将代表性样本聚类成第二组聚类，并且例如通过向第二组聚类的聚类添加或移除另外的代表性样本来平衡第二组聚类的每个聚类中的代表性样本的数量。

进一步提出使用该转换器的运行参数，其中该转换器的运行参数包括以下各项中的一项或多项：该转换器的速度设定点，实际的、优选地未平滑的速度值，实际的、优选地绝对的和/或未平滑的电流值，实际的、优选未平滑的相电流，实际的DC链路电压，输出电压，实际转矩产生电流值，实际的、优选地未平滑的转矩值。

还提出通过由通信地联接到转换器的设备循环地读取、优选地子采样转换器的运行参数来记录输入数据。通信地联接到转换器的设备可以是如上所描述的边缘设备。转换器的运行参数的子采样缩减了用于训练机器学习模型的数据量。成批样本的聚类进一步缩减了用于训练机器学习模型的数据量。

还提出了基于经训练的机器学习模型来确定转换器的反常运行状态或转换器操作中的异常，并输出指示反常运行状态和/或异常的警报。警报可以是例如在用户界面上显示的报警或警告。

进一步提出，输入数据包括转换器的多个运行参数的样本，并且例如基于错误指标、优选地基于机器学习模型的(误)分类错误，从可能导致反常运行状态和/或异常的多个运行参数中确定第一运行参数，并且调整转换器的第一运行参数。错误指标可以是均方误差。例如，机器学习模型可以是确定连续异常分数的(一类)分类器，在当前情况下，使用适当的阈值将连续异常分数转换为类标签，例如“异常”。例如，支持向量机SVM可用于分类。错误指标和/或误分类错误可以基于机器学习模型的特征重要性的度量，例如SHAP值。可以基于指纹来训练SVM，其中所有样本属于单个类，即正常操作。因此，正常操作状况下训练机器学习模型，使得当输入新数据时，机器学习模型能够确定在新输入数据中是否存在异常。然后可以识别对均方误差贡献最大的运行参数。在此基础上，可以识别可能对异常负责的运行参数。随后，可以通过调整可能导致异常的运行参数来采取纠正措施。这种调节可以通过控制用户输入或通过用户输入自动进行。

因此进一步提出了在确定了反常运行状态或异常的情况下调节该转换器的速度，例如通过调节该转换器的速度设定点，或例如通过将该转换器联接(断开)到电压线/从电压线联接来调节该转换器的DC链路电压。

还提出使用表示转换器的一个或多个正常运行状态的输入数据。

还提出使用经训练的机器学习模型来执行转换器的状况监测。

此外，提出了通过根据这里描述的任何一个实施例的训练而获得的经训练的机器学习模型。

最后，提出了一种优选地包括第一和/或第二存储器单元的设备。

图10示出了包括处理单元以及第一和第二存储器的设备。所示出的设备优选地是边缘设备，例如，如结合图1所描述的。

输入数据可以从转换器获得并存储在第一存储器ROM中。因此，输入数据可以在单个操作中被分割或划分，或者连续地分成多个批。然后可以将第一批传送到第二存储器，在第二存储器中存储第一批。然后，处理器可以访问第二存储器中的第一批，并执行这里描述的步骤，特别是结合图3到6描述的步骤。随后，可将第二批从第一存储器传输到第二存储器，其中例如通过(至少部分地)重写第一批来存储第二批。这里描述的步骤，特别是结合图3至图6描述的步骤，可以由处理器针对第二批和/或另外的批来执行。为了获得经训练的机器学习模型，可以以相同的方式处理其它批。机器学习模型还可被存储在边缘设备中，例如存储在第一存储器中以供稍后使用，或者存储在第二存储器中以供在应用阶段期间执行。

所提出的解决方案的优点在于对于用户的异常检测的个体可用性。参考测量允许每个用户单独定制异常检测。此外，可以单独调节灵敏度。错误和警告阈值是基于参考测量自动预设的，并且因此分别直接考虑每个驱动系统和转换器的特定特征，但是如果必要的话也可以由用户修改。通过相应地缩减数据，聚类算法或机器学习模型也可以在性能较差的计算单元上执行。该算法只缩减数据量而不缩减其质量和重要性。还具体考虑了在加速和减速处理中经常在驱动系统中发现的数据中的表示不足的样本。分别出于异常检测以及驱动系统和转换器的正常运行状态的目的而考虑这些运行状态。

Claims (16)

1.一种提供电力转换器(1)状况监测的机器学习模型(ML)的计算机实现的方法，包括以下步骤：

获得第一批(B1)的输入数据(D)，所述输入数据(D)包括在所述转换器(1)的至少一个运行状态(O1，O2)期间所述转换器(1)的一个或多个运行参数(P1，…，Pn)的多个样本(31)，

通过将所述第一批(B1)的样本聚类成第一组聚类(C1)，并且确定每个聚类(C1)的至少一个代表性样本(R1)，来缩减所述第一批(B1)的样本(31)的数量，

提供所述代表性样本(R)用于训练所述机器学习模型(ML)和/或基于所述代表性样本(R1)来训练所述机器学习模型(ML)。

2.根据权利要求1所述的方法，包括以下步骤：

获得第二批(B2)的输入数据(D)，

通过聚类所述第二批(B2)，来缩减所述第二批(B2)的输入数据(D)中样本的数量。

3.根据权利要求1或2所述的方法，包括以下步骤：将所述第一批(B1)和/或第二批(B2)的样本聚类成所述第一组聚类(C1)，其中，所述第一组聚类(C1)中的每个聚类的最大聚类半径是基于两个样本(31)之间的预设最大距离来确定的。

4.根据权利要求1或2所述的方法，包括以下步骤：

记录输入数据(D)，

从所述输入数据(D)创建所述第一批(B1)，

将所述第一批(B1)存储在第二存储器(RAM)，

其中，所述输入数据(D)包括超过所述第二存储器(RAM)的存储容量的数据量，和/或其中，所述第一批和/或第二批(B1，

B2)的数据量适配于所述第二存储器(RAM)的存储容量。

5.根据权利要求4所述的方法，包括以下步骤：在缩减所述第一批(B1)的样本(31)的数量之后，用所述第二批的输入数据(B2)至少部分地重写所述第二存储器单元(RAM)中的所述第一批(B1)的输入数据。

6.根据权利要求5所述的方法，包括以下步骤：通过聚集连续样本(31)将输入数据分成多个批(B1，B2，…，Bn)。

7.根据权利要求1或2所述的方法，进一步包括以下步骤：确定所述第一组聚类(C1)中的每个聚类(C)的形心，并且使用所述形心作为所述第一组聚类(C1)的每个聚类的代表性样本(R)。

8.根据权利要求1或2所述的方法，包括以下步骤：将所述代表性样本(R)聚类成第二组聚类，并且平衡所述第二组聚类的每个聚类中的代表性样本的数量。

9.根据权利要求1或2所述的方法：其中，所述转换器的所述运行参数(P1，…，Pn)包括以下项中的一项或多项：

所述转换器的速度设定点，

实际的速度值，

实际的电流值，

实际的相电流，

实际的DC链路电压，

输出电压，

实际的生成转矩的电流值，

实际的转矩值。

10.根据权利要求1或2所述的方法，包括以下步骤：

由通信地联接到所述转换器(1)的设备(2)通过循环地读取所述转换器(1)的运行参数来记录输入数据(D)，和/或进一步包括以下步骤：

基于经训练的机器学习模型(ML)来确定所述转换器(C)的反常运行状态(O2)或所述转换器(1)的运行中的异常，并且输出指示所述反常运行状态(O2)和/或所述异常的警报。

11.根据权利要求10所述的方法，包括以下步骤：

其中，所述输入数据(D)包括所述转换器(1)的多个运行参数(P1，…，Pn)的样本，

从所述多个运行参数(P1，…，Pn)中确定可能导致所述反常运行状态(O2)和/或所述异常的第一运行参数(P1)，以及

调节所述转换器(1)的所述第一运行参数(P1)。

12.根据权利要求1或2所述的方法，包括以下步骤：

在确定反常运行状态(O2)或异常的情况下调节所述转换器(1)的速度，或者

调节所述转换器(1)的DC链路电压。

13.根据权利要求1或2所述的方法，包括以下步骤：所述输入数据(D)表示所述转换器(1)的一个或多个额定运行状态(O1)。

14.一种使用根据权利要求1至13中任一项所述的方法所获得的经训练的机器学习模型(ML)来执行所述转换器(1)的状况监测的方法。

15.一种经训练的机器学习模型(ML)，该经训练的机器学习模型根据权利要求1至13中任一项所述的方法的步骤来获得。

16.一种包括第一和/或第二存储器单元(ROM，RAM)的设备(1，2)，被操作以执行根据前述权利要求1到13中任一项所述的方法的步骤。